pca人脸识别个人理解及步骤

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