PCA人脸识别理论基础(附源码)技术分析.docx

1 PCA 与人脸识别及其理论基础 1.1 问题描述[1] 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量，如一 幅 N*N 象素的图像可以视为长度为 N2 的矢量，这样就认为这幅图像是位于 N2 维空间中的 一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图 像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想 都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像 的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。 1.1.1 K-L 变换[1] PCA 方法是由 Turk 和 Pentlad 提出来的，它的基础就是 Karhunen-Loeve 变换(简称 KL 变换)，是一种常用的正交变换。下面我们首先对 K-L 变换作一个简单介绍: 假设 X 为 n 维的随机变量，X 可以用 n 个基向量的加权和来表示: n X = ∑αiφi i =1 式中: αi 是加权系数， φi 是基向量，此式还可以用矩阵的形式表示:  1 2 n 1 2 n X = (φ ,φ ,,φ )(α ,α ,,α )T = Φα  取基向量为正交向量，即  T ?1  i = j T  则系数向量为： Φ Φ j = ? 0 ?  i ≠ j ?Φ Φ j = I α = ΦT X 综上所述，K-L 展开式的系数可用下列步骤求出: 步骤一 求随即向量 X 的自相关矩阵 R = E ?? X T X ?? ，由于没有类别信息的样本集的 μ 均值向 量，常常没有意义，所以也可以把数据的协方差矩阵 ∑ K_L 坐标系的产生矩阵，这里 μ 是总体均值向量。 = E ??( x ? μ )( x ? μ )T ?? 作为 步骤二 求出自相关矩阵或协方差矩阵 R 的本征值 λi 和本征向量 φi ， Φ = (φ1 ,φi ,,φn ) 步骤三 展开式系数即为 α = ΦT X K_L 变换的实质是建立了一个新的坐标系，将一个物体主轴沿特征矢量对齐的旋转 变换，这个变换解除了原有数据向量的各个分量之间相关性，从而有可能去掉那些带 有较少信息的坐标系以达到降低特征空间维数的目的。 1.1.2 利用 PCA 进行人脸识别 完整的 PCA 人脸识别的应用包括几个步骤：人脸图像预处理；读入人脸库，训练形成 特征子空间；把训练图像和测试图像投影到上一步骤中得到的子空间上；选择一定 的距离函数进行识别。下面详细描述整个过程（源码见’faceRec.m’）。 1. 读入人脸库 归一化人脸库后，将库中的每人选择一定数量的图像构成训练集，其余构成测试集。设 归一化后的图像是 n*m,按列相连就构成 N=n*m 维矢量，可视为 N 维空间中的一个点，可 以通过 K-L 变换用一个低维子空间描述这个图像。 2. 计算 K- L 变换的生成矩阵 所有训练样本的协方差矩阵为（以下三个等价）： ? ?1. T T ?  CA = ( M ∑ k =1 xk ixk ) / M ? mx imx ? A ?2. C = ( Ai AT ) / M （1） ? ? M ? ?3. C ?? A = ?∑ ? i =1 ( x ? m )( x ? m )T ? i x i x ?  A = {φ1 ,φ2 , ...,φM } , φi = xi ? mx , mx 是平均人脸, M 训练人脸数，协方差矩阵 CA 是  一个N*N的矩阵, N 是 xi 的维数。 A 为了方便计算特征值和特征向量，一般选用第2个公式。根据K - L 变换原理，我们所求 的新坐标系即由矩阵 Ai AT 的非零特征值所对应的特征向量组成。直接求N*N大小矩阵 C 的 特征值和正交归一特征向量是很困难的, 根据奇异值分解原理（见段落1.2.5和1.2.6），可以 通过求解 AT i A 的特征值和特征向量来获得 AT i A 的特征值和特征向量，。 N *r 在计算得到 CA 的所有非零特征值 [λ0 , λ1 ,, λr ?1 ]（从大到小排序，1 ≤ r M ）及其对应的 单位正交特征向量 [u0 , u1 ,, ur ?1 ] 后，可以得到特征空间 U = [u0 , u1 ,, ur ?1 ] ∈? ，从而可以 计算一张图片X在特征空间上的投影系数（也可以理解为X在空间U中的坐标）：  3. 识别 Y = U T * X ∈ ?r *1 （2） 利用公式（2），首先把所有训练图片进行投影，然后对于测试图