主成分分析法-简单人脸识别（一）

一）主成分分析法

    主成分分析法，即PCA算法，直观上来讲就是一种降维方法，例如某件事可能受到好多个因素的影响，假如有ABCDEFG这7个因素，但是呢其中有ABC三个因素对事件的影响基本上是相同的，那么就可以把ABC三个因素用其中的一个因素代替，或者把ABC组合一下用一个全新的因素H来代替，这样因素就降为了4个，实现了降维的过程。

主成分分析最大的好处就是降维，使得数据的处理更容易，速度更快。对于高维数据（超过3维），想观察数据间的结构关系是不可能的，要是三维的或者以下的话还可以，你可以在坐标轴上画出来来观察这些数据之间有什么关系，但是高维就不行了，这个时候就可以用PCA方法进行降维处理成3维或者3维以下，再来观察就可以了。

OK,原理部分牛人们都介绍过了，这里贴几个比较好的介绍：

关于降维：http://blog.csdn.net/jwh_bupt/article/details/8935219

算法原理：

特征脸(Eigenface)理论基础-PCA(主成分分析法)

http://blog.csdn.net/smartempire/article/details/22938315

人脸识别经典算法一：特征脸方法（Eigenface）

人脸识别必读的N篇文章

http://blog.csdn.net/liulianfanjianshi/article/details/9147157

http://blog.csdn.net/miscclp/article/details/7480261

还有很多相关的介绍，作为一个刚过来的新手，想一下子理解还是有点困难，不过慢慢看总还是能看懂的。

二）部分matlab下介绍PCA

为了直观介绍下认识的pca而不去介绍稍微有点晦涩的算法原理，这里给出一个例子吧。现在假设有一组样本点，先给出样本吧，例如随便假设有5个点：

X1 = [1,2];x2 = [2,1];x3 = [3,3];x4 = [3,6];x5 = [6,3];连接起来写在一个矩阵里面就是样本集合：x = [1 2;2 1;3 3;3 6;6 3];

注意了样本的格式，每一行代表一个样本，列表示的是样本的个数，这里可以看到，样本的维度是2，有5个样本，在matlab下画出样本点如下：

从图中可以看到点的分布，这是在二维下的分布，那么现在我要用一维数据怎么比较好的表示这个二维数据了？这个时候我们需要找到一个方向，让这些点在这个方向上投影，就可以把这些点都投影到一维上了，但是往那个方向上投影？

上图显示投影方向很多，但是直观的看到，当投影方向是蓝色的的时候，投影下来最好，样本间的差别最大，才能最好的用该投影方向的数据表示原来的样本。为什么会有这个感觉呢？这就自然联想到了求出这个向量的理论原理上来了。

推导这个原理的方法很多，但是我看好多基本上是用的两种方式（所以方式的结论是一样的）

方式一：投影到低维度下是的样本间距离最大

这里简单画下如下所示：

      最终的目的就是使得投影的样本每两两之间距离和最大。

  这里假设投影向为u,每个样本为x，那么一个样本点在一个向量上的投影长度为多少呢？就是x*u，要注意的是必须一个是行向量，一个是列向量，这样相乘的结果才是一个标量。比如点x（2,1），这里假设向量方向为u（0.707,0.707）（可以直观看出，先用结果了，已经单位化u了），那么x在u方向上的大小是多少？就是  （2,1）*（0.707,0.707）T，为 2.1213。其他点同理求。

     那么在不知道u的情况下怎么求它呢？先假设u，那么整个求取的数学表达式就是：

该式子可以化简为：

   

中间那部分可以看出成样本协方差矩阵。用一些符号整体代换如下：

     那么上式可以表示为：

这样上式两边都左乘u： 

这样λ就是Е的特征值了，u为特征向量。最佳投影直线就是在λ取得最大时的特征向量，其次是第二大的特征值时的特征向量，等等。

关于特征矩阵特征值与特征向量的意义，看上一个转载博客：

http://blog.csdn.net/on2way/article/details/42150435

那么最后的问题就是找到上述矩阵的特征值与特征向量的过程。

方式二：投影到低维度下是的样本到向量方向上的距离最小--》最小平方误差理论。

还是用图来表示：

这样就是要求所有的L相加之和最小了，这个同样可以用上述数学表达式来表示，只不过这里是求最小问题，但是不变的一点就是最终求的的结果是一样的，最终都是寻找那个矩阵的特征值与特征向量问题。（具体推导就去参考网络上的吧）。

三）matlab处理特征值与特征向量

    在求取之前首先要求取该矩阵的协方差，也就是那个X*XT。

    协方差matlab有自带函数cov，但是直接用的时候当矩阵较大时很耗时。所以一般看到的程序是人们通常用另一种方式求取。

    还是以上述数据：x = [1 2;2 1;3 3;3 6;6 3];

    直接求协方差

>> cov(x)

ans =

    3.5000    1.0000

    1.0000    3.5000

另一种方式步骤是：

  （1）求取每一维上的均值：

   (2)每一维上，用（x-u）替换x;

   (3)协方差T就是x*xT  ；

（当然在第二步后有的数据还要进行将标准化。）

这样按步骤就有：

x = [1 2;2 1;3 3;3 6;6 3];

[m,n] = size(x);%取大小

x_mean = mean(x); %求每列平均值

x_mean_all = repmat(x_mean,m,1);%复制平均值到整个矩阵

Z1 = x - x_mean_all;%相差

T1 = Z1'*Z1;%协方差矩阵（注意这个前后相乘顺序很重要，与样本排法有关）    

[V1,D1] = eigs(T1,2);%直接求取特征向量与特征值，并按顺序排好了

                     %2表示降到的维数，这里还是2维

x_new1 = x*V1; %数据在新维度下的值

 

这样求的的T为

14 4

4 14

可以看到与cov计算出来的结果差4倍，这是因为cov除了（m-1）也就是4了。

这里也可以得出特征向量V1和D1

>> V1,D1

 

V1 =

    0.7071   -0.7071

    0.7071    0.7071

D1 =

    18     0

     0    10

可以看到当特征值为18时，特征向量为（0.707,0.707），当特征值为10的时候，特征向量为（-0.707,0.707）；这里可以看到，第一个特征向量方向不是我们前面假设的那个最佳特征向量吗，第二个特征向量方向是与第一个垂直的方向，也就是特征最不明显的方向。因为原始数据就是两个维度，这里变换的也是两个维度。似乎变换了没什么用。但是一般情况下，数据的维度很高，像下一节介绍基于pca人脸识别时的数据，这个时候找到对应的低维数据就很重要了。

最后在新的维度下的样本点变为

>> x_new1

x_new1 =

 

    2.1213    0.7071

    2.1213   -0.7071

    4.2426         0

    6.3640    2.1213

    6.3640   -2.1213

这是什么意思呢？相当于在新坐标系下的坐标吧，比如说第一个点在原来的坐标系下为（2,1），变换后在新的坐标系下为（2.1213,0.7071），不防自己去把坐标系旋转一下，看看第一个点在新坐标系下是不是（2.1213,0.7071）？很明显是的，那么其他点依次类推了。