图像处理报告人脸识别图像处报告人脸识别图像处理报告人脸识别图像处理报告人脸识别.ppt

2009年西门子杯全国大学生控制仿真挑战赛-02号参赛队 基于PCA的人脸识别 1 3 * * 主要内容 PCA方法介绍 PCA人脸识别的步骤 程序 PCA基本原理 主成分分析法（PCA）: 11 主成分分析法（即PCA，也称K-L变换）是一种常用的基于变量协方差矩阵对信息进行处理的有效方法。 PCA用于统计特征提取构成了子空间法模式识别的基础。它从图像整体代数特征出发,基于图像的总体信息进行分类识别。 PCA方法由于在特征提取方面的有效性，在人脸识别方面得到了广泛的应用。 PCA 数据降维的一种方法 基本思想：设法将原来众多的具有一定相关性的指标X1，X2，…，XP（比如p个指标），重新组合成一组较少个数的互不相关的综合指标（Fm）来代替原来指标 综合指标：其既能最大程度的反映原变量Xp所代表的信息，又能保证新指标之间保持相互无关（信息不重叠） 设F1表示原变量的第一个线性组合所形成的主成分指标 每一个主成分所提取的信息量可用其方差来度量，其方差Var(F1)越大，表示F1包含的信息越多。第一主成分F1所含的信息量最大，因此在所有的线性组合中选取的F1应该是X1，X2，…，XP的所有线性组合中方差最大的，故称F1为第一主成分 如果第一主成分不足以代表原来p个指标的信息，再考虑选取第二个主成分指标F2 设依此类推构造出的F1、F2、……、Fm为原变量指标X1、X2……XP第一、第二、……、第m个主成分。 性质： Fi与Fj互不相关，即Cov(Fi，Fj) = 0，并有Var(Fi)=ai’Σai，其中Σ为X的协方差阵 F1是X1，X2，…，Xp的一切线性组合（系数满足上述要求）中方差最大的，……,即Fm是与F1，F2，……，Fm－1都不相关的X1，X2，…，XP的所有线性组合中方差最大者 【第i个主成分Fi =ai’X:在ai’*ai=1和cov(Fi,Fj)=0的条件下使得voa（fi）最大】 PCA人脸识别步骤 PCA方法用于人脸识别,其实是假设所有的人脸都处于一个低维线形空间,而且不同的人脸在这个空间中具有可分性。其具体做法是由高维图像空间经KL变换后得到一组新的正交基,对这些正交基作一定的取舍,保留其中的一部分生成低维的人脸空间,也即人脸的特征子空间。完整的PCA人脸识别算法步骤包括: (1)人脸图像预处理。 (2)读入人脸库,训练形成特征子空间。 (3)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。 (4)选择一定的距离函数进行识别。 (3)于计算协方差矩阵的特征值和特征向量,构造子空间。 (4)把训练图像和测试图像投影到特征空间中:每一幅人脸图像投影到子空间以后,就对应于子空间中的一个点。同样,子空间中的任一点也对应于一幅图像。这些子空间中的点在重构以后的图像很像“人脸”,所以它们被称为“特征脸” (5)把投影到子空间中的所有测试图像和训练图像进行比较,确定待识样本所属的类别 1 2009年西门子杯全国大学生控制仿真挑战赛-02号参赛队