利用K-L变换法进行人脸识别..ppt

4.4.1 Karhunen-Loeve变换 K-L变换方法：以样本特征向量在特征空间分布为原始数据，通过实行K-L变换，找到维数较少的组合特征，达到降维的目的。 何谓最佳？几点说明： 原特征空间是n 维的，现希望降至d 维，dn 。 d+1 维以上的成分略去，显然原信号会因此受到一些损失，存在误差。 在给定一个训练样本集条件下要找一个最好的正交变换，将原信号用一组正交变换基 ai 表示，使这种误差从总体上来说是最小。最常用的指标是均方误差最小，或称均方误差的期望值最小。 K-L变换的重要应用——人脸识别 （1）方法概述 （2）原理详解（包括详细步骤） K-L变换的重要应用——人脸识别 分类器设计： 搜集要识别的人的人脸图像，建立人脸图像库； 利用K-L变换确定人脸基图像； 用这些基图像对人脸图像库中的有人脸图像进行K-L变换，从而得到每幅图像的参数向量，并将每幅图的参数向量存起来，形成人脸分类器。 识别: 对所输入的待识别人脸图像进行必要的规范化； 进行K-L变换分析，得到其参数向量； 将这个参数向量与库中每幅图的参数向量进行比较，找到最相似的参数向量，也就等于找到最相似的人脸，从而认为所输入的人脸图像就是库内该人的一张人脸，完成了识别过程。 K-L变换进行人脸识别的原理 步骤： 旋转: 人脸方向一致性 剪裁：O(0.5d,d) 　 人脸平移不变性 比例：128×128 　 人脸尺度不变性 规一化：统一人脸图像的大小，消除头发和背景的影响。 灰度拉伸：改善图像对比度 直方图修正：统一的均值和 　方差，部分消除光照强度影响。 由于人脸结构的相似性，当把很多人脸图像规一化后，这些图像在这一超高维空间中不是随机或散乱分布的，而是存在某种规律。因此，可以通过K-L变换用一个低维子空间描述人脸图像，同时又能保存所需要的识别信息。 第二步：利用K-L变换进行人脸识别 设训练样本集为 ,包含N 个人脸图像。 （3）求出其特征值λi及对应的正交化、归一化特征向量ai ，将特征值按照从大到小进行排序λ1≥λ2≥…≥λn 。 （4）取出前 d 个最大特征值及其对应的正交化、归一化特征向量a1, a2, …, ad 。分别将这 d 个特征向量化为 p 行 q 列矩阵，得到 d 幅图像，称为“特征脸”。由“特征脸” a1, a2, …, ad张成一个降维的特征子空间。 利用K-L变换法进行人脸识别 主分量分析(PCA) 　　一种处理多维的方法是采用组合特征的方法来降低维数, 其中, 特征的线性组合计算简单且能够进行解析分析。 从本质上来说, 线性变换就是将高维空间的数据投影到低维空间的过程。 主分量分析是一种有效的特征线性变换方法, 也称为K-L变换。 K-L变换是一种基于目标统计特性的最佳正交变换, 它的最佳性体现在变换后产生的新的分量正交或不相关。  x=(x1, x2, …, xn)T ：n维随机向量 A =(a1, a2, …, an), ：标准正交矩阵 y=(y1, y2, …, yn)T ：x经正交变换后的向量 若Rx是正定的, 则它的特征值是正的。 此时变换式称为K-L变换。  λi的正交化、 归一化特征向量, aiTai=1, aiTaj=0(i≠j; i, j=1, 2, …, n) Rx的特征根，且λ1≥λ2≥…≥λn y的相关矩阵，对角矩阵 x的相关矩阵, 对称矩阵 选择x关于ai的展开式的前d项 在最小均方误差准则下估计x 估计的均方误差为  选择相关矩阵Rx的d个最大的特征值对应的特征向量构成变换矩阵A, 得到的均方误差将会最小, 是n-d个极小特征值之和。 上述分析中采用的是样本的相关矩阵, 也可以采用样本的协方差矩阵进行分析。  　　设一幅p×q大小的人脸图像, 可以将它看成是一个矩阵(fij)p×q, fij为图像在该点的灰度级。 若将该矩阵按列相连构成一个p×q维向量，即 x=(f11, f21, …, fp1, f12, f22, …, fp2, …, f1q, f2q, …, fpq)T 它可以被看为 p×q 维空间中的一个点。 O d d d 0.5d 1.5d 第一步：图像的预处理：得到标准图像 N为训练样本的总数，xi 为第i个训练样本图像向量。 （1）计算训练样本集的平均图像向量： （2）计算协方差矩阵： 对应前30个最大特征值的特征向量的图像——“特征脸”