由于计算机视觉课程的作业，不得不去实现这个经典的算法，感谢这次难得的机会。
本文将从算法核心说起，讲解实现过程，最后验证实验结果。
算法核心
Eigenface 算法的思想是希望能够将高维的图像数据降维，以此实现对不同人脸的特征刻画。Eigenface 降维图像数据的方法是寻找一组特征脸，将特征脸作为一组基，人脸信息便可以描述为特征脸的线性组合再加上一张平均脸，如下式。
F
a
c
e
p
i
x
e
l
=
A
v
e
r
a
g
e
f
a
c
e
p
i
x
e
l
+
α
1
E
i
g
e
n
f
a
c
e
1
+
α
2
E
i
g
e
n
f
a
c
e
2
+
.
.
.
+
α
k
E
i
g
e
n
f
a
c
e
k
Face_{pixel}=Averageface_{pixel}+\alpha_1Eigenface_1+\alpha_2Eigenface_2+...+\alpha_kEigenface_k
Facepixel=Averagefacepixel+α1Eigenface1+α2Eigenface2+...+αkEigenfacek
写成矩阵乘法的形式，即为
F
a
c
e
p
i
x
e
l
=
A
v
e
r
a
g
e
f
a
c
e
p
i
x
e
l
+
α
∗
E
i
g
e
n
f
a
c
e
s
Face_{pixel}=Averageface_{pixel}+\alpha *Eigenfaces
Facepixel=Averagefacepixel+α∗Eigenfaces
上式中，
F
a
c
e
p
i
x
e
l
Face_{pixel}
Facepixel、
A
v
e
r
a
g
e
F
a
c
e
p
i
x
e
l
AverageFace_{pixel}
AverageFacepixel均为行数为
M
N
MN
MN的列向量，
E
i
g
e
n
f
a
c
e
s
Eigenfaces
Eigenfaces则为行数为
M
N
MN
MN，列数为
k
k
k的矩阵，代表k个特征脸。
那么，如何求得
E
i
g
e
n
f
a
c
e
s
Eigenfaces
Eigenfaces矩阵，求得
E
i
g
e
n
f
a
c
e
s
Eigenfaces
Eigenfaces矩阵之后，又如何进行坐标转换，求得
α
\alpha
α呢？
如何求特征脸（ E i g e n f a c e s Eigenfaces Eigenfaces矩阵）
平均脸刻画的是大家一致的地方，那么特征脸就是要找到人脸上不同的地方，Eigenface 算法采用了协方差矩阵来定量刻画“人脸的不同”。然后再对协方差矩阵求特征向量，一个特征向量和其特征值对应“一张特征脸”
e
i
g
e
n
_
v
e
c
i
eigen\_vec_i
eigen_veci和“该特征脸的能量”
e
i
g
e
n
_
v
a
l
u
e
i
eigen\_value_i
eigen_valuei。将特征脸列向量进行合并，得到一个矩阵，便称之为
E
i
g
e
n
f
a
c
e
s
Eigenfaces
Eigenfaces矩阵。
E
i
g
e
n
f
a
c
e
s
=
[
e
i
g
e
n
_
v
e
c
1
,
e
i
g
e
n
_
v
e
c
2
,
.
.
.
,
e
i
g
e
n
_
v
e
c
k
]
Eigenfaces = [eigen\_vec_1, eigen\_vec_2, ..., eigen\_vec_k]
Eigenfaces=[eigen_vec1,eigen_vec2,...,eigen_veck]
我们倾向于选择能量较大的
e
i
g
e
n
_
v
a
l
u
e
i
eigen\_value_i
eigen_valuei，因为可以减少计算，抑制噪声。所以选择能量(
e
i
g
e
n
_
v
a
l
u
e
i
eigen\_value_i
eigen_valuei)排名前e个
e
i
g
e
n
_
v
a
l
u
e
i
eigen\_value_i
eigen_valuei
E
i
g
e
n
f
a
c
e
s
=
[
e
i
g
e
n
_
v
e
c
1
,
e
i
g
e
n
_
v
e
c
2
,
.
.
.
,
e
i
g
e
n
_
v
e
c
e
]
Eigenfaces = [eigen\_vec_1, eigen\_vec_2, ..., eigen\_vec_e]
Eigenfaces=[eigen_vec1,eigen_vec2,...,eigen_vece]
在这之后，还需要对这组基进行正交化处理，原因将在下节中说明。
如何坐标转换
坐标变换的过程是将原向量向各个基向量上进行分解，将得到的分量组合成新的向量坐标。如果任意选取基，会导致在分解的时候操作困难，而如果选取正交的基的话，则可以使用向量点乘实现投影，得到分量，所以需要对
e
i
g
e
n
_
v
e
c
eigen\_vec
eigen_vec进行正交化，这一点在我看到的博客中都未说明，极易忽略。
正交化后的
E
i
g
e
n
f
a
c
e
s
Eigenfaces
Eigenfaces矩阵则可以直接通过矩阵乘法来进行基变换。基变换公式为：
α
=
E
i
g
e
n
f
a
c
e
s
∗
(
F
a
c
e
p
i
x
e
l
−
A
v
e
r
a
g
e
f
a
c
e
p
i
x
e
l
)
\alpha=Eigenfaces*(Face_{pixel}-Averageface_{pixel})
α=Eigenfaces∗(Facepixel−Averagefacepixel)
如何反变换（得到 F a c e p i x e l Face_{pixel} Facepixel灰度图象）
反变换的过程也很简单， F a c e p i x e l = A v e r a g e f a c e p i x e l + α ∗ E i g e n f a c e s Face_{pixel}=Averageface_{pixel}+\alpha *Eigenfaces Facepixel=Averagefacepixel+α∗Eigenfaces即可。
算法实现
训练train
求解平均脸：先读入训练数据，将图像数据类型转换为double类型，将所有图像加在一起，再求平均值，得到平均脸
求解特征脸：此处使用到了一个简化算法，我们虽然要求的是
T
∗
T
T
（
M
N
∗
M
N
）
T*T^T（MN*MN）
T∗TT（MN∗MN）的特征向量
v
v
v和特征值
λ
\lambda
λ，但是可以证明，求
T
T
∗
T
（
k
∗
k
）
T^T*T（k*k）
TT∗T（k∗k）的特征向量
u
u
u和特征值
μ
\mu
μ，便可以得到
v
=
T
∗
u
v=T*u
v=T∗u，
λ
=
μ
\lambda=\mu
λ=μ，如此大大减少了时间复杂度。
保存特征脸和平均脸，训练过程便结束了。
评估evaluate
读入保存的特征脸和平均脸，读入训练数据和测试数据。
先把所有训练数据转化到特征脸空间，然后对每条测试数据，将测试数据转化到特征脸空间，计算其到每条训练数据的欧氏距离，将欧式距离最小的作为预测结果。
所有测试数据中，预测正确的数量为n，测试数据总数量为m，则rank-1识别率为
a
c
c
=
n
m
∗
100
acc=\frac{n}{m}*100%
acc=mn∗100
预测predict
读入保存的特征脸和平均脸，读入训练数据和待预测数据。
先把所有训练数据和待预测数据转化到特征脸空间，计算待预测数据到每条训练数据的欧氏距离，将欧式距离最小的作为预测结果。
重建reconstruct
读入保存的特征脸和平均脸，读入待重建数据。
先把待重建数据转化到特征脸空间，再将特征脸空间数据反变换到像素空间，得到重建结果。
实验结果
平均脸和前十个特征脸
平均脸如下图，比较糊，是因为没有使用眼睛标记进行仿射变换。
特征脸如下图，由于是浮点数，所以无法直接显示，于是使用热力图进行展示。
人脸图像的重构结果
人脸图像重构结果如下图所示，可以看出，随着使用的PC变高，重构人脸变得越来越接近真实图像。
识别结果可视化
以训练数据总量为宽，测试数据总量为高，构建距离矩阵D。
D
(
i
,
j
)
=
d
i
s
t
(
t
e
s
t
i
,
t
r
a
i
n
j
)
D_{(i,j)}=dist(test_i, train_j)
D(i,j)=dist(testi,trainj)
显示D图像，如下图。可以看出，对角线上有若干个（41个，对应41个人）深色小矩形，说明相同人的人脸数据距离比不同人的人脸数据之间的距离更小。可视化结果说明算法可以较好评价人脸图象之间的相似度。
Rank-1识别率-PC变化曲线
识别率变化曲线如下图所示。可以看出在PC在10以下时，随着PC的增加，识别率迅速提升，而PC在20以上后，PC的增加对识别率的贡献不大，最终，在PC=50时，能够达到88.29%的识别率。
扫一扫
724
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
