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。
目录
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 mn 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 num×mn .
3. 零均值化
求出平均脸 meanFace ,将 trainSamples 每行减去 meanFace ,得到 zeroMeantrainSamples
4. 求协方差矩阵
协方差矩阵是 num×num , 维数较高,计算量较大,采用 SVD 奇异特征值法可以减小计算量,思路是利用 zeroMeantrainSamples⋅zeroMeantrainSamplesT 的特征向量来求上式的特征向量。
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
6. 求零均值人脸样本的投影
求特征脸
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
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。