2016数据挖掘6作业人脸识别.pptxVIP

人脸识别算果分析算法优化算法实现 算法介绍目录算法介绍1. 特征脸算法（EigenFace） 1）人脸从像素空间变换到另一个空间，在另一个空间中做相似性的计算。 2）使用主成分分析法提取人脸特征。 3）对训练集中所有人脸图像的协方差矩阵进行本征值分解，得对对应的本征向量，这些本征向 量（特征向量）就是“特征脸”。 算法实现步骤： 1）将训练集的每一个人脸图像都拉长一列，将他们组合在一起形成一个大矩阵A。假设每个人脸图像是MxM大小，那么拉成一列后每个人脸样本的维度就是d=MxM大小了。假设有N个人脸图像，那么样本矩阵A的维度就是dxN了。 2）将所有的N个人脸在对应维度上加起来，然后求个平均，就得到了一个“平均脸”。 3）将N个图像都减去那个平均脸图像，得到差值图像的数据矩阵Φ。 4）计算协方差矩阵C=ΦΦT。再对其进行特征值分解。就可以得到想要的特征向量（特征脸）了。 5）将训练集图像和测试集的图像都投影到这些特征向量上了，再对测试集的每个图像找到训练集中的最接近的人脸，进行分类即可。算法介绍训练阶段： 1）数据预处理： 2）计算平均脸： 3）计算差值脸： 4）构建协方差矩阵：.算法介绍 5）求协方差矩阵的特征值和特征向量，构造特征空间。通常用到奇异值分解，通过求解 的特征值和 特征向量来获得 的特征值和特征向量。 6）获得 的特征值和正交归一化的特征向量后，确定主成分。若在前P个特征向量集上有超过99%的投 影正确率，求出原协方差矩阵的特征向量： 得到特征脸空间：识别阶段： 将待识别人脸的差值脸投影到特征脸空间上，分别比较其与各个训练人脸的欧氏距离，取距离最近的那 个人脸对应的人为待识别人脸对应的人。.算法实现 1. 人脸数据库选择CroppedYale，里面包含了39个人的人脸图片，每个人有64张不同角度和光照的黑白图。结果分析 实验1：每个人脸都取5张训练，其余的做测试集。实验2：每个人脸都取30张训练，其余的做测试集。实验3：每个人脸都取40张训练，其余的做测试集。 算法优化 总的说来，特征脸算法的识别效果并不是很好，因为算法对光照干扰比较敏感，而且特征脸算法不能衡量类间的差别和类内的聚合程度。Fisherface算法： Fisherface是Eigenface的改进算法，在投影时使不同类之间的距离尽可能大，而相同类之间尽量接近。 数集是二类的情况： 数据集是多类的情况：算法优化Fisherface算法介绍： 1）计算每类数据的均值（中心点）： 2）数据点投影到w上的中心为： 如何判断向量w最佳呢，可以从两方面考虑：1、不同的分类得到的投影点要尽量分开；2、同一个分类投 影后得到的点要尽量聚合。 定义以下两个公式： J(w)代表不同分类投影中心的距离，它的值越大越好。右边称为散列值（scatter matrixs），代表同一个分类投影后的散列值，也就是投影点的聚合度，它的值越小代表投影点越聚合。 算法优化 结合两个公式： 上式是w的函数，值越大w降维性能越好，所以下面的问题就是求解使上式取最大值的w。 3）把散列函数展开： 另外定义： Sw称为Within-class scatter matrix 4）展开J(w)的分子并定义SB，SB称为Between-class scatter。 5）这样就得到了J(w)的最终表示： 算法优化 上式求极大值可以利用拉格朗日乘数法，不过需要限定一下分母的值，令 ，利用拉格朗日乘数法得到： 通过上式求解w还是有些困难的，而且w会有多个解，考虑下式： 其中λw是以w为变量的数值，继续带入以前的公式： 由于w扩大缩小任何倍不影响结果，所以可以约去两边的未知常数λ和λw 到这里，w就能够比较简单的求解了。FisherFace编程实现m_PCA = mean(ProjectedImages_PCA,2);% 在PCA所得空间上的投影的均值for i = 1 : Class_number m(:,i) = mean( ( ProjectedImages_PCA(:,((i-1)*Class_population+1):i*Class_population) ), 2 ); %行均值 S = zeros(P-Class_number,P-Class_number); for j = ( (i-1)*Class_population+1 ) : ( i*Class_population ) S = S + (ProjectedImages_PCA(:,j)-m(:,i