88、高维概率密度函数分类与面部识别方法解析

高维概率密度函数分类与面部识别方法解析

1. 高维概率密度函数分类方法

在处理高维概率密度函数（PDF）分类问题时，我们面临着将一个对象准确归类到特定类别的挑战。下面详细介绍一种有效的分类方法。

1.1 问题定义

一个对象 (X) 由一组从某个分布中采样得到的 (n) 个数据点描述，即 (X = { \overline{x}_1, \overline{x}_2, …, \overline{x}_n })，每个数据点 (\overline{x}) 是一个特征向量 (\overline{x} = [x_1, x_2, …, x_d])，其中 (d) 是特征的数量。给定多个不同的类别，每个类别 (i) 由另一组从训练集中属于该类别的所有对象中抽取的 (n) 个数据点描述，即 (C_i = { \overline{y}_1, \overline{y}_2, …, \overline{y}_n })，我们的目标是确定对象 (X) 最可能属于的类别，这通过贝叶斯定理来计算。

1.2 方法步骤

• 生成词汇表 ：生成合适的码字字典是关键的第一步。常见的生成方法有多种：
  • 均匀分布选择点：在特征空间中均匀选择点，但这种方法可能导致部分空间未被充分利用，产生冗余码字，而一些更有用的区域可能表示不足。
  • 随机选择训练数据点：这种方法在很大程度上消除了上述问题，但使用对训练数据进行聚类得到的质心通常能提供更好的表示。
  • 为每个类别单独聚类并组合：确保每个类别都有合适的码字，但可能导致组合字典中出现非常相似的码字。