人脸识别实验报告.docxVIP

人脸识别——特征脸方法 贾东亚1 2 346046 一、 实验目的 1、 学会使用PCA主成分分析法。 2、 初步了解人脸识別的特征法。 3、 更熟练地掌握mat 1 ab的使用。 二、 原理介绍 1、PCA（主成分分析法介绍） 引用一个网上的例子。假设有一份对遥控直升机操作员的调查，用xp〉表示飞行员i的 飞行技能，表示飞行员i喜欢飞行的程度。通常遥控直升飞机是很难操作的，只有那些 非常坚持而且真正喜欢驾驶的人才能熟练操作。所以这两个属性和対〉相关性是非常强的。 我们可以假设两者的关系是按正比关系变化的。如下图里的任意找的向量ul所示，数拯散布 在u 1两侧，有少许噪声。 UUOEA2U。) UUOEA2U。)歼 X| (skill) 现在我们有两项数据，是二维的。那么如何将这两项变量转变为一个来描述飞行员呢？ 由图中的点的分布可知，如果我们找到一个方向的U,所有的数据点在U的方向上的投影之 和最大，那么该U就能表示数据的大致总向。而在垂直于U的方向，齐个数据点在该方向的投 影相对于在U上的投影如果足够小，那么我们可以忽略掉各数据在该方向的投影，这样我们就 把二维的数据转化成了在u方向上的一维数据。 为了将U选出来，我们先对数拯进行预处理。先求出所有数据的平均值，然后用数据与平 均值的偏差代替数据本身。然后对数据归一化以后，再代替数据本身。 而我们求最大的投影和，苴实就是求齐个数据点在U上的投影距离的方差最大。而XS 就是投影的距离。故我们要求下式的最大值： m m 命》(X(i%)2 = UT(^ X%)T) Ui=l i=l 按照u是单位向量来最大化上式，就是的特征向量。而此式是数据集的 协方差矩阵。 在实际应用中，我们不止而临二维的数据。因此不能使用几何的形式呈现，但原理也是 一样。就是找到一组相互正交的单位向疑Uk，然后根据贡献率考虑选择其中的部分作为考量 的维数，这也就实现了数据的降维O 三、实验步骤 1.将库里的4 00张照片分成两组。一组作为训练,一组作为库。每个人的前五张照片作为 训练，后五张作为库。训练的照片按照顺序的数字重命名。库的照片名字不变。 0 G 212 13 141516 OHIO03206 032072526 27 OM06005409 0 G 2 12 13 14 15 16 OHIO 03206 03207 03208 23 2d 25 26 27 OM06 0^407 03408 05409 2、库照片处理。 将每一张库的照片转化成N维的向量。(库里的照片是1 1 2*92,故将转化成的矩阵按列 或行展开，就是个1 0 304维的向量)我们稍后要对如此多维的向量用PC A进行降维。然 后把这些向量存入一个矩阵里。而我是将这2 0 0个向虽以列的形式存在了矩阵里。 即 2 = {环『2,环 r4 ...r200] 将这200个向量的每个元素相加起来求岀平均值。再用Z里的每一个向量减去这个平均 值得到每个的偏差。 平均值『=i^k=i几，每个向量的偏差4k = rk-r 即最后 Z = {41 , 42 ?3 ?4 …020()} 接下来我们就要针对这些预处理后的数据进行降维。我们要求的N个相互正交的向量就 是协方差矩阵ZZT的特征向量,而对应的特征值就是各个向量所占的比重。但是Z是个103 0 4*20 0的矩阵，那么ZZT就是个10304*1 0 304的矩阵。使用ma t I a b直接求其特征值与特征 向量不太实际。 所以我们考虑一个简单的运算方法： 协方差矩阵的秩受到训练图像的限制：如果有N个训练样本，则最多有N-1个对应非零 特征值的特征向量,其他的特征向量对应的特征值都是0。如果训练样本的数目比图像的维数低, 则可以通过如下方法简化主成份的计算。 设Z是预处理图像的矩阵，每?列对应?个减去均值图像之后的图像。则，协方差矩阵为S = TTt，并且对S的特征值分解为 SVj = TTtVj = AjVj 然而,TTT是?个非常人的矩阵。因此，如果转而使用如下的特征值分解■= TTTUj = AjUj 此时，我们发现如果在等式两边乘以T,可得到 TTTTUj =入血 这就意味着，如果Ui是T「T的-个特征向量，则Vi=Tw是S的?个特征向量。我们的库里有 200张112*92像素的图像，则TtT是?个2 00* 2 00的矩阵，这就比原先的10 3 04 * 103 0 4 的协方差矩阵要容易处理许多。 需要注意的是，上面的特征向量M没有进行归?化，如果需要，应该在后而在进行处理。 降维处理。上而的步骤已经求到了所有的特征向量与特征值。而特征值就是各数据点在该特 征向量上的方差。跟据PCA,我们要选出占主要比重的特征向量即可，而判定标