特征脸算法

前言

特征脸算法使经典的人脸识别算法，特征脸算法使用了PCA方法。本文介绍了PCA算法和其应用特征脸算法

算法流程

特征脸算法：

1. 设数据集D为$M$张 $N\times N$ 的图片 { Φ 1 , Φ 2 . . . . Φ M } \{\Phi_1, \Phi_2....\Phi_M\} { Φ1​,Φ2​....ΦM​}，则将图片展开，组成$M\times N^2$ 大小的矩阵。

2. 计算此矩阵的对均值向量$\bar{\Phi }$ ，此为$N\times N$，对每个图片，计算${\tilde{\Phi }}_i={\Phi }_i-{\bar{\Phi }}_i$。

3. 计算$\tilde{\Phi }$的协方差矩阵$C={\tilde{\Phi }}^T\tilde{\Phi }$，注意$C$的大小为$(N\times N)\times (N\times N)$。$C$寻找的是像素之间的关系而不是图片之间的关系

4. 计算算$C$的特征值 { λ 1 , λ 2 , . . . , λ N × N } \{\lambda_1,\lambda_2,...,\lambda_{N\times N}\} { λ1​,λ2​,...,λN×N​}与其对应的特征向量 { v 1 , v 2 , . . . , v N × N } \{\mathbf{v_1},\mathbf{v_2},...,\mathbf{v_{N\times N}}\} { v1​,v2​,...,vN×N​} ，找到前$n$个特征值所对应的特征向量，组成新的矩阵$V$。

5. 改变基。以特征向量作为新的基做新的图片$I^{\prime }=\tilde{\Phi }V$

6. 使用KNN进行分类

算法原理

如果我们要学习一组图片$\Omega$的基$V_{\Omega }$，让 Ω = { α ( 1 ) , α ( 2 ) , . . . , α ( N ) } \Omega=\{\alpha^{(1)},\alpha^{(2)},...,\alpha^{(N)}\} Ω={ α(1),α(2),...,α(N)}，其中 α ( i ) = { α 1 ( i ) , α 2 ( i ) , . . . , α m n ( i ) } \alpha^{(i)}=\{\alpha^{(i)}_1,\alpha^{(i)}_2,...,\alpha^{(i)}_{mn}\} α(i)={ α1(i)​,α2(i)​,...,αmn(i)​}

那么对于所有的图片，找到一个图片近似${\alpha }^{(0)}$，对以下的$J_0($