菜鸟学习特征脸及扩其展(LDAICA).docx

用特征脸进行人脸识别的方法。主成分分析PCA(一)训练特征脸：选择训练集图像 (图像大小N*N,图像必须是集中的且尺寸大小相同)用向量表示： 求均值： 图像去均值： 构造协方差矩阵： 计算协方差矩阵的特征向量因为 很大，计算不实际，因而考虑 .假设 是 的特征向量，则 两边通乘A得 ，令 ，则可以看出： 有 个特征值和特征向量 有M个特征值和特征向量的M个特征值对应前M个最大的特征值可以计算的钱M个最大的特征值对应的特征向量：（规范化正交向量）从中选出前K个最大特征值对应的特征向量，则训练集中的每幅图像去均值后都可以用这K个特征向量的线性组合表示：其中 , ，特征子空间则训练集中的图像就可以用权重向量来表示：人脸识别对新图像去均值，标准化： 向特征空间投影： ，即 用权重向量表示： 与数据库中已有图像进行比较， 若 则认为是人脸l（ 为事先设定的阈值） 可以用最简单的欧几里得距离来计算，但实验证明马氏距离更好 人脸检测对新的图片进行标准化：向特征空间投影：计算，（ 称为到人脸空间的距离）若 则认为 是人脸（ 事先设定）因为 是代表人脸的子空间，其他图片在该子空 间重建也会变成人脸的形状，因此和原始图片差距很大。FisherfaceLDA(线性判别分析)的思想：找到一个子空间，使图片投影该空间后， 类间散度最大，类内散度最小。类内散度矩阵： 其中 为第i类（人）的先验概率，一般认为等概分布，即 ；X是训练集中所有图片，每一列为一张图片； 为第i类的均值。即 为每一类（人）的协方差矩阵。类间散度矩阵： ， 为所有图片的均值。即每一类与整体均值的协方差矩阵。使训练集图片投影到最佳子空间W后的类间散度与类内散度比值最小，即，即求使最大时的特征向量。经数学变换得，使用matlab函数：便可得到特征值和特征向量，取前几个最大的特征值对应的特征向量构成W，便得到了欲求的子空间W。先用PCA与LDA的子空间，得到Fisherface变换的最优投影子空间(这里的 就是之前的 )。注意：PCA与LDA的差别PCA的训练集每个人取一张图片，LDA的训练集每个人有多张图片（求类内散度矩阵）。独立成分分析（ICA）PCA 方法是沿数据集方差最大方向寻找一些相互正交的轴, 而ICA 方法将不限制这些轴是否正交, 它的轴是沿最大统计相关方向, 因此, 其输出元素之间的相关性被移走[ 1] , 这样, 在这些轴上的投影就有很少的交叠产生。PCA 和ICA 的投影轴在二维空间之间的关系如图所示。关键问题分析特征值的物理意义：主分量（对应大特征值的特征向量）代表了人脸的大致形状，次分量描述细节。所有原始数据在主分量 上的投影值方差为 。即越大，在该方向的区分度越大。