EigenfeatureRegularizationandExtractioninFaceRecognition培训课件.pptVIP

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