PCA人脸识别

最新推荐文章于 2022-03-30 18:08:58 发布

PanDR

最新推荐文章于 2022-03-30 18:08:58 发布

阅读量2.4k

点赞数 2

分类专栏：综合

本文链接：https://blog.csdn.net/panderang/article/details/79204424

版权

PCA主成分分析用于人脸图片识别，通过坐标系变换降低数据维度，保持大部分信息。高分辨率图像具有大量维度，PCA能有效降维，便于处理。文章介绍了PCA的数学运算过程、特征值与特征向量计算，并提供了人脸识别的代码示例。

摘要由CSDN通过智能技术生成

PCA人脸识别－通俗易懂的理解

2017年12月19日星期二 | Deran Pan | panderan@163.com

1. 简介

PCA，即主成分分析。简单来说就是通过坐标系变换将位于原坐标系中的原数据变为在新坐标系下对应的新数据。通常这种变化伴随着数据维度的大幅降低，但是数据信息的损失较小。即减少不同维度之间的相关系，去除信息冗余，提取主成分的意思。

对于人脸图片识别来说，图片包含的信息量是十分巨大的。一张256*256分辨率的图像将每行像素收尾相接就会形成一个长度为65536大小的一维数组。换句话说一张256*256分辨率的图像拥有65536个维度。因此对于更高分辨率的图片更大的样本数量，如果不对数据降维则对如此巨大的数据进行处理在时间上就已经是不可取的。

2. 矩阵乘法的几何含义

先看下列式子：

Y ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ c 1 c 2 ⋮ c n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ [20] = P X = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ a 11 a 21 ⋮ a m 1 a 12 a 22 ⋮ a m 2 \dots \dots ⋱ \dots a 1 n a 2 n ⋮ a m n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ \times ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ b 1 b 2 ⋮ b n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ = [1 - 1 11] \times [11] (1)

$\begin{align*} Y &= PX \\ \left[ \begin{matrix} c _1 \\ c_2 \\ \vdots \\ c_n \end{matrix} \right] &= \left[ \begin{matrix} a_{11} & a_{12} & \dots & a_{1n} \\ a_{21} & a_{22} & \dots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \dots & a_{mn} \\ \end{matrix} \right] \times \left[ \begin{matrix} b _1 \\ b_2 \\ \vdots \\ b_n \end{matrix} \right] \\ \\ \left[ \begin{matrix} 2 \\ 0 \end{matrix} \right] &= \left[ \begin{matrix} 1 & 1 \\ -1 & 1 \\ \end{matrix} \right] \times \left[ \begin{matrix} 1 \\ 1 \\ \end{matrix} \right] \end{align*} \tag1$
通常来讲一个矩阵乘以一个向量表示表示对这个向量伸缩旋转变换。例如上式所示向量