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 模式识别——PCA数据分析--基于人脸数据实现 第 PAGE 1 页 共 14 页 目 录 TOC \o 1-3 \h \z \u 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 PCA数据分析-人脸识别介绍 随着计算机及网络技术的高速发展，将身份数字、隐性化、并准确鉴定身份、保证信息安全显示出前所未有的重要性。 生物识别技术是通过计算机利用人类自身的生物特性进行身份认证，具有不易被修改、被盗或被人冒用，而且随时随地都可以使用等特点。因而，基于面相，语言、指纹等人的内在属性的生物识别技术以其稳定性和可靠性得到了广泛关注。相较指纹、基因等其他生物特性的鉴别方法，人脸识别具有更直接、友好、方便等特点，并以其非侵犯性更易为用户所接受。 历史上最早的关于人脸识别的论文研究见于1965年，ChanBledsoe在Panoramic Research Inc 发表的技术报告，到现在已经差不多五十多年的历史了。最近的30年来，人脸自动识别系统的开发研究取得了较大的进展，已经检索相关文献达到数千篇，还有专门的国际学术会议。自从1990年以来，人脸识别更得到了很大的发展，每年都有大量的学术论文发表。 国内在人脸识别方面起步较晚，大约至1995年以来，在国内一些项目资金的资助下，开始了大量的研究，其中包括国内主要的计算机实验室和高校，他们在人脸识别领域总结了不少经验，每年都有大量的论文发表。由于技术上的一些局限性，以及复杂的环境因素的干扰，导致在各个领域还未能广泛的使用，只是在某些领域初步的应用。 PCA，即Principal Component Analysis，主成分分析方法，是一种得到广泛应用的事实上的标准人脸识别方法。 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。它的基本原理是：利用K-L变换抽取人脸的主要成分，构成特征脸空间，识别时将测试图像投影到此空间，得到一组投影系数，通过与各个人脸图像比较进行识别。这种方法使得压缩前后的均方误差最小，且变换后的低维空间有很好的分辨能力。 二 PCA数据分析--人脸数据实现算法描述 1．K-L变换 PCA方法是由Turk和Pentlad提出来的，它的基础就是Karhunen-Loeve变换（简称K-L变换），是一种常用的正交变换。首先对K-L变换作一个简单介绍： 假设X为n维的随机变量，X可以用n个基向量的加权和来表示： 式中：是加权系数，是基向量，此式可以用矩阵的形式表示： 系数向量为: 综上所述，K-L展开式的系数可用下列步骤求出： 步骤一 求随机向量X的自相关矩阵,由于没有类别信息的样本集的μ均值向量，常常没有意义，所以也可以把数据的协方差矩阵作为K-L坐标系的产生矩阵，这里μ是总体均值向量。 步骤二 求出自相关矩阵或者协方差