用本文提出的加权函数和特征向量训练数据可以被转换为.PPTVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 子空间分解 从图中可以看出，噪音干扰对特征谱的初始部分影响很小，因此我们提出将特征向量 组成的特征空间分解为三个子空间： 人脸子空间(reliable) 噪声子空间(unstable) 零空间 子空间分解 r的确定： m的确定： 人脸部分通常衰减较快而且稳定，可以将这一部分看做是特征谱的孤立点(outliers),用中值算子(median operator)可以很好的确定噪音子空间的起始位置m+1。 子空间分解 m的确定(中值算子) 为避免穷举搜索 ，我们将 设为1 提纲 文章信息 背景介绍 本文方法 ERE算法(Eigenfeature Regularization and Extraction) 时间复杂度 实验结果 本文方法 目标： 提取使得类内变化最小类间变化最大的特征 方法： Step 1:特征谱的正则化 Step 2:提取判别特征(Discriminant Eigenfeature) Step 1:特征谱的正则化 为什么要对特征谱进行正则化呢？ 一般来说，我们是要提取那些使得类内变化最小，类间变化最大的特征。 通常第一步都是先使得类内变化最小，即对Sw做白化。 Step 1:特征谱的正则化 Step 1:特征谱的正则化 存在的问题： 零空间的权重是0，损失了零空间的信息。而零空间是从训练数据上得到的是不准确的，还是包含有判别信息的。因此，在零空间的权重应该更大。 小特征值对噪音和训练样本很敏感，需要进行正则化。 在噪音子空间中，噪音成分是占主要部分的，但是有限的训练样本导致了方差的快速下降，需要降低衰减速度，弥补噪音和有限样本造成的影响(特征谱建模可以达到这样的效果)。 Step 1:特征谱的正则化 Step 2:提取判别特征(Discriminant Eigenfeature) 用本文提出的加权函数和特征向量，训练数据可以被转换为： Step 2:提取判别特征(Discriminant Eigenfeature) 对特征进行正则化之后，新的总体散度矩阵为： ERE算法 Training Stage: 计算训练样本集的Sw，进行特征值分解 将特征空间(Eigenspace)分解为三个子空间，face、noise、null space，并确定face space的范围(m的值) 在三个子空间中分别进行正则化，求得加权函数，将训练样本 利用公式 变换为 计算 的总体散度矩阵 ，进行特征值分解 根据预定义的特征维数d得到最后的特征提取矩阵。 ERE算法 Recognition Stage: 利用训练得到的U将n维图像转换维d维特征向量 利用在Gallery上得到的分类器对Probe Feature vectors进行识别。 本文使用cos距离，1-NNK分类器。 计算复杂度 本文提出的方法相对于其他子空间的方法计算复杂度要高一些，因为本文的方法的估计了Sw零空间中的判别值(Discriminant value). 因为St的nullspace一般认为是不包含判别信息的，因此可以先使用PCA进行降维。 对于同样的识别率，本文提出的方法会更快，因为实验中可以看出，本文的方法使用较少的特征维数就可以达到相同的识别率。 提纲 文章信息 背景介绍 本文方法 实验结果 实验条件 实验结果 实验条件 文中所有实验，图像都是按照CSU的Face Identification Evaluation System处理的。 CSU的FIES： 主要提供标准的图像预处理软件 4种人脸识别算法(PCA/PCA+LDA/BIC/EBGM) 主要基于FERET数据库 已被下载使用10,000次 是CSU和DARPA(Defense Advanced Research Project Agency)以及NIST(National Institute of Standards and Technology)合作的。 /evalfacerec/index.html 实验条件 图像预处理步骤： Integer to float conversion - Converts 256 gray levels into floating point equivalents. Geometric normalization – Lines up human chosen eye coordinates. Masking – Crops t