Eigenfaces For Recognition学习笔记（持续更新）

人脸识别特征脸

研究背景

1.人脸是社交领域最显著的特征
2.罪犯识别，安保系统，图像电影特效等领域意义重大
3.人脸特征维度高，受到姿态，光照，年龄等各种因素的影响，难度非常大

之前的主要方法：

1.通过自动或者半自动的方法来构建人脸的特征，比如用眼睛，鼻子，嘴巴，耳朵的一些局部特征或者相对距离来构建人脸特征
2.一些古老的神经网络，比如联想网络来解决一些部分缺失或者噪声的问题

缺陷：

1.过分依赖先验的初始化算法，不一定准确
2.特征过于简单，不足以充分表示出人脸的信息
3.很难做到全自动

研究成果及意义

1.采用统计学习算法理论，充分利用了数据的信息
2.将PCA算法与人脸特征巧妙结合一起，把单张人脸图片看作是高维空间的一个点，把整个的训练样本看作是高维空间的点集分布，再用pca算法学习出该高维空间的一组新的向量基（数量远小于原来的维度），大大减少了原始向量基的冗余
3.每个人脸特征可以用新的向量基上的投影来描述，大大降低了维度

摘要

1. 提出一个近于实时的系统来提取特征，定位人脸，识别人脸
2. 仅需要2-D的人脸，不需要做3-D的重构，仅需要少量数据集
3. 找到人脸空间的一组基向量，即eigenface，不需要传统的一些局部特征比如眼睛鼻子嘴巴等等
4. 将新的人脸样本投影到这组基向量中，得到一组坐标，即为这张人脸的特征表示

引言

1. 人脸是社交最根本的特征，结合人类自身的人脸辨识能力，需要很强的技能
2. 自动人脸识别有着十分重要的意义，应用十分广泛
3. 自动人脸识别非常困难
4. 引出我们的特征脸算法

相关工作

1. 自动或者半自动的人脸特征检测，比如眼睛鼻子等等，然后运用一些几何特征来描述人脸
2. 形变模型的一些方法
3. 联想网络相关方法

PCA算法

PCA 算法

PCA特征脸

PCA特征脸的代码编写

SVM