面孔识别,实验报告(共9篇).docVIP

面孔识别,实验报告(共9篇) 人脸识别实验报告 人脸识别——特征脸方法 贾东亚 一、 实验目的 1、学会使用PCA主成分分析法。 2、初步了解人脸识别的特征法。 3、更熟练地掌握matlab的使用。 二、 原理介绍 1、 PCA（主成分分析法介绍） 引用一个网上的例子。假设有一份对遥控直升机操作员的调查，用x1表示飞行员i的 (i)飞行技能，x2表示飞行员i喜欢飞行的程度。通常遥控直升飞机是很难操作的，只有那些 (i)(i)非常坚持而且真正喜欢驾驶的人才能熟练操作。所以这两个属性x1和x2相关性是非常强的。 我们可以假设两者的关系是按正比关系变化的。如下图里的任意找的向量u1所示，数据散布在u1两侧，有少许噪声。 (i) 现在我们有两项数据，是二维的。那么如何将这两项变量转变为一个来描述飞行员呢？由图中的点的分布可知，如果我们找到一个方向的U，所有的数据点在U的方向上的投影之和最大，那么该U就能表示数据的大致走向。而在垂直于U的方向，各个数据点在该方向的投影相对于在U上的投影如果足够小，那么我们可以忽略掉各数据在该方向的投影，这样我们就把二维的数据转化成了在U方向上的一维数据。 为了将u选出来，我们先对数据进行预处理。先求出所有数据的平均值，然后用数据与平均值的偏差代替数据本身。然后对数据归一化以后，再代替数据本身。 而我们求最大的投影和，其实就是求各个数据点在U上的投影距离的方差最大。而XTu就是投影的距离。故我们要求下式的最大值： 11 (x(i)Tu)2=uT( x(i)x(i)T)u i=1i=1 (i)(i)T 按照u是单位向量来最大化上式，就是求m m的特征向量。而此式是数据集i=1xx1mm 的协方差矩阵。 在实际应用中，我们不止面临二维的数据。因此不能使用几何的形式呈现，但原理也是一样。就是找到一组相互正交的单位向量uk，然后根据贡献率考虑选择其中的部分作为考量的维数，这也就实现了数据的降维。 三、 实验步骤 1、 将库里的400张照片分成两组。一组作为训练，一组作为库。每个人的前五张照片作为 训练，后五张作为库。训练的照片按照顺序的数字重命名。库的照片名字不变。 2、 库照片处理。 ① 将每一张库的照片转化成N维的向量。（库里的照片是112*92，故将转化成的矩阵按列 或行展开，就是个10304维的向量）我们稍后要对如此多维的向量用PCA进行降维。然后把这些向量存入一个矩阵里。而我是将这200个向量以列的形式存在了矩阵里。 即 Z={Γ1，Γ2，Γ3，Γ4…Γ200} ② 将这200个向量的每个元素相加起来求出平均值。再用Z里的每一个向量减去这个平均 值得到每个的偏差。 平均值Γ 即最后 =1200 200k=1Γk，每个向量的偏差?k=Γk?Γ Z={?1，?2，?3，?4…?200} ③ 接下来我们就要针对这些预处理后的数据进行降维。我们要求的N个相互正交的向量就 是协方差矩阵ZZT的特征向量，而对应的特征值就是各个向量所占的比重。但是Z是个10304*200的矩阵，那么ZZT就是个10304*10304的矩阵。使用matlab直接求其特征值与特征向量不太实际。 所以我们考虑一个简单的运算方法： 协方差矩阵的秩受到训练图像的限制：如果有 N 个训练样本，则最多有 N ? 1 个对应非零特征值的特征向量，其他的特征向量对应的特征值都是0。如果训练样本的数目比图像的维数低，则可以通过如下方法简化主成份的计算。 设 Z是预处理图像的矩阵，每一列对应一个减去均值图像之后的图像。则，协方差矩阵为S=TTT ，并且对 S 的特征值分解为 Sνi=TTTνi=λiνi 然而，TTT 是一个非常大的矩阵。因此，如果转而使用如下的特征值分解。 TTTui=λiui 此时，我们发现如果在等式两边乘以T，可得到 TTTTui=λiTui 这就意味着，如果ui是TT的一个特征向量，则 νi=Tui是S 的一个特征向量。我们的库里有200张112 * 92像素的图像，则 TT是一个200*200的矩阵，这就比原先的 10304 * 10304 的协方差矩阵要容易处理许多。 需要注意的是，上面的特征向量 νi 没有进行归一化，如果需要，应该在后面在进行处理。 ④ 降维处理。上面的步骤已经求到了所有的特征向量与特征值。而特征值就是各数据点在该特 征向量上的方差。跟据PCA，我们要选出占主要比重的特征向量即可，而判定标准就是特征值。 先把方差（特征值）降序排列，并把对应的特征向量也排列好。依次选择方差，使选出的方差和占所有方差和大约95%左右。然后选择对应的特征向量。其余的特征向量与特征值可以抛弃不用了。这就完成了降维。（③