模式识别报告模版-本科.docVIP

数学与计算机学院 课程名称: 模式识别 题 目: PCA数据分析-基于人脸数据实现 任课老师: 王晓明 年级专业: 2011级计算机应用技术 姓 名: 韩笑 学　　号: 312011080605102 时 间: 2013 年 11 月 9 日 目 录 一 PCA数据分析-人脸识别介绍 2 二 PCA数据分析-人脸数据实现算法描述 3 三 PCA数据分析-基于人脸数据实现 5 1 数据读入 5 2 算法运行结果 6 四 总结和心得 8 五 附录——核心算法的主要源代码 9 参考文献 14 PCA数据分析 一是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间。给定 n 个变量的 m 个观察值，形成一个 n ′ m 的数据矩阵， n 通常比较大。对于一个由多个变量描述的复杂事物，人们难以认识，那么是否可以抓住事物主要方面进行重点分析呢？如果事物的主要方面刚好体现在几个主要变量上，我们只需要将这几个变量分离出来，进行详细分析。但是，在一般情况下，并不能直接找出这样的关键变量。这时我们可以用原有变量的线性组合来表示事物的主要方面， PCA 就是这样一种分析方法PCA 的目标是寻找 r （ rn ）个新变量，使它们反映事物的主要特征，压缩原有数据矩阵的规模。每个新变量是原有变量的线性组合，体现原有变量的综合效果，具有一定的实际含义。这 r 个新变量称为“主成分”，它们可以在很大程度上反映原来 n 个变量的影响，并且这些新变量是互不相关的，也是正交的。通过主成分分析，压缩数据空间，将多元数据的特征在低维空间里直观地表示出来 二算法描述 对于一个训练集100个sample(i=1,2,3,...,100)，特征是20维.(j=1,2,..,20)，那么它可以建立一个的样本矩阵M。 紧接着我们开始求这个样本的协方差矩阵，得到一个的协方差矩阵，计算过程如下： ?先求解出的平均; ?对每一个,计算,即(第 i 行)变为 ,记为; ?则容易得到协方差矩阵Z为( 表示转置 ) 。 然后求出这个协方差矩阵Z的特征值和特征向量，一般情况下应该有20个特征值和特征向量，现在根据特征值的大小，取出较大的特征值以及其所对应的特征向量，（假设提取的特征值为较大的5个特征值），那么这5个特征向量就会构成一个的矩阵V，这个矩阵就是我们要求的特征矩阵。 用去乘以V，得到一个base矩阵（*），大小为。 任取一个样本,乘上这个的特征矩阵，就得到了一个的新的样本，显然每个sample的维数下降了，然后再用这个向量去比较相似性。 三1 数据读入 利用特征脸空间投影来识别人脸一般经过三个步骤：首先利用训练图像数据构建特征脸空间，然后将训练图像投影到特征子空间上，最后待识别图像也投影到特征子空间上，并且与投影后的训练图像相比较，得出识别结果。以下分别介绍这三个步骤： 1.1 读入人脸库 归一化人脸库后，将库中的没人选择一定数量的图像构成训练集，其余的构成测试集。设归一化后的图像时维，按列相连就构成N=维矢量，可视为N维空间中的一个点，可以空过K-L变换用一个低维子空间描述这个图像。 1.2 计算通过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）； , ，其中是平均人脸，M是训练人脸数，协方差矩阵是一个的矩阵，N是的维数。 注：特征值与特征向量的选取 直到目前为止，我们创建用于投影的特征脸子空间使用的是所有k个非零的特征值对应的特征向量。虽然协方差矩阵Ω最多有对应于非零特征值的P个特征向量，且，但是通常情况下，k仍然会很大，而事实上，根据应用的要求，并非所有的都有很大的保留意义。而特征空间投影的计算速度是直接与创建子空间所用的特征向量的数目相关，若考虑到计算时间的因素，可以适当的减去一些信息量少的特征向量，而且，去掉这些特征向量之后不一定不利于分类结果，有的情况下反而能够提高识别性能。下面将讨论五种不同的特征值选择方法： （1）标准的特征空伺投影：所有k个对应于非零特征值的特征向量均被用于创建特征脸子空间。该方法在k值比较大的时候，计算速度比较慢，而且不利于分类。 （2）丢弃最后40%的特征向量：因为特征向量是按照特征值降序来排列的，该方法丢弃了反映最少的40%图像间差异的特征向量。 （3）保持前面的C-1个特征向量：将特征值按照降序排列，同时只保留最前面的C-1个特征向量