人脸识别技术总结_0.doc

人脸识别技术总结 篇一：人脸识别学习总结_图文 最近简单的研究了人脸识别，主要从数学上系统地阐述了特征脸，PCA 算法， LDA 算法及 SRDA 算法的性质，并重点研究了 LDA 和最近提出的 SRDA 算法， 研究了它们的原理、性质、特点、算法理论依据、算法步骤和算法复杂度；对 PCA，LDA 和 SRDA 算法从理论上做出了比较。 最后通过 MATLAB 仿真了一些 结果。谱回归判别分析算法研究 谱回归判别分析算法研究1.特征脸和 PCA 算法 特征脸算法是基于 KL 变换， 选择使所有样本的散布距离最大的方向进行线 性投影[1][2]作降维的特征提取。下面从数学上对算法进行分析。 假设输入有 m 个样本人脸图像：{ x1 , x 2 ,, x m }，他们属于 c 个类别，每个图 像都处于 l 维的特征空间。定义总体散布矩阵 S t ：S t = ∑ ( xi ? ? )( xi ? ? ) T ，i =1 m（1 ）? 是所有样本的平均值；定义总体类内散布矩阵 S w ：S w = ∑ (∑ ( xi( k ) ? ? ( k ) )( xi( k ) ? ? ( k ) ) T ),k =1 i =1cmk（2 ）? (k ) 是第 k 类样本的平均值，xi(k ) 是第 k 类的第 i 个样本。S w 表示各样本点围绕它的均值分布情况。 定义总体类间散布矩阵 S b ：S b = ∑ mk ( ? ( k ) ? ? )( ? ( k ) ? ? ),k =1c（3 ）m(k ) 是第 k 类的样本的数目。 S b 表示各类间的距离分布情况，它取决于样本类别属性和划分。总体散布矩阵与总体类间散布矩阵与总体类内散布矩阵存在关系： S t = S w + S b ；总体散布矩阵与样本划分及属性无关。 现有一线性变换使图像从原始的 l 维映射到 h 维特征空间，且 h ≤ l 。设有正 交矩阵 A ∈ ? n×h ，通过线性变换：y k = AT x k ， k = 1,2,? ? ?, m得到新的特征向量集： y k ∈ ? h 。经过线性变换后，特征向量集 { y1, y 2 ,? ? ?, y m } 的 散布矩阵为 AT S t A 。对于 PCA 算法， A 选为使所有样本投射的总体散布矩阵为 最大值的理想值： Aopt ，即Aopt = arg max | AT S t A |= [a1 , a 2 ,? ? ?, a h ]（4 ）其中 [a1 , a2 ,? ? ?, ah ] 为 St 从大到小递减的特征值对应的 l 维的特征向量。 因为这些特 ， 征向量具有和原始数据一样的维度，所以它们也被称为特征图（Eigenpicture） 或特征脸（Eigenfaces）[3]。图 1 为特征脸获取流程图；图 2 为 PCA 算法的流程 图。图 1 特征脸获取过程图 2 PCA 算法流程从图 2 可以看出，PCA 算法的过程其实就是在特征脸获取后，利用特征脸 和获取新的人脸图像进行图像重构，得到降维了的输出图像。从另一个角度说， PCA 的基本思想就是寻找一组最优的单位正交向量，通过线性变换，将原始数 据重建，并使重建后的数据和原始数据的误差最小，以实现最好的识别。 基于特征脸的 PCA 算法的弊端是它不仅使样本的类间距离变大，而且使样 本的类内距离变大。使样本的类内距离增大对人脸分类没有好处。而且在连续人 脸图像序列中，前一幅人脸图像与后一幅人脸图像的不同在于光照的区别[24]， 因此如果人脸图像序列呈现在变化的光照下， PCA 变换得到的 Aopt 中的不同的特 征向量将含有因为光照变化的成分，导致后续分类处理时产生错误。有人建议把Aopt 前面的几个特征向量舍弃，降低因为光照变化带来的影响，但是 Aopt 前面的几个特征向量的差异不可能都是因为光照变化引起的， 盲目的舍弃特征向量会使 有用的信息丢失。 2.LDA 算法研究 LDA 算法介绍 LDA 算法的目的就是寻找 A 使 S b / S w 的比值最大化。当 S w 为非奇异矩阵， Aopt 就是：Aopt = arg max| AT S b A | = [a1, a 2 ,? ? ?, a h ] | AT S w A |（5）[a1, a2 ,? ? ?, ah ] 就是使 S b / S w 最大的特征向量集，它们对应于递减的特征值 [λ1 , λ 2 ,? ? ?, λ h ] 使满足等式：S b a i = λi S w ai ， i = 1,2,? ? ?h 显然 h 的值不大于 c ，即类别数目。（6 ）在人脸识别过程中，经常遇到的困难是 S w 是奇异矩阵。这是因为 S w 的秩必 须小于 m ? c ，但是通常