前言
pca,即主成分分析,是一种数据降维的方法,也是一种古老而经典的人脸识别的算法。理解pca算法的原理和步骤,对我们的思维启发还是很有帮助的。虽然说在众多的人脸识别中,pca是较简单的,但是要想清楚了解pca人脸识别的详细步骤和细节还是不容易的,尤其是对初学者而言。下面我详细介绍一下pca人脸识别的步骤。
1.人脸图像标准化处理
将待训练的样本图像进行标准化处理,去除背景信息,并进行人脸中心化处理,最终转化成尺寸一致的人脸图像(一般是灰度图像)。手标很麻烦,可以利用人脸检测,将人脸矩形区域提取出来。人脸检测也有相应的算法,这里不展开了。
2.构造训练样本
设一张人脸图像尺寸为m*n,则将像素按列排开,在转置一下得到1行 列的一个人脸样本,在统计学中也叫一次观测或记录,有个变量或字段,因为很大,变量的维度很高,直接处理计算复杂,且没有必要,因为这些变量肯定有相关信息。假设有num张人脸图像,则将所有人脸样本放在一块构成了一个样本矩阵trainSamples,其大小是
3.零均值化
求出平均脸,将trainSamples每行减去meanFace,得到zeroMeantrainSamples
4.求协方差矩阵
当然也可以采用SVD,奇异特征值分解的方法求。
5.求协方差矩阵的特征值、特征向量
求cov特征值D、特征向量,并单位化正交化,得到特征向量V。按贡献率从高到地重新排序。取前P个特征值,特征向量。得到投影矩阵
6.求零均值人脸样本的投影
得到特征脸
7.求测试样本的零均值人脸样本并求特征脸
8.对训练样本特征脸,测试样本特征脸构造距离矩阵
按照最临近原则归类