Deep PCA & facerecognition

这篇文章是把深度学习与PCA的结合（DPCA），本人初次进行写类似博文，翻译可能有错误，不妥之处望谅解。

DPCA的基本结构

数据值经过PCA和ZCA白化滤波器进行处理，特征提取是通过第一层和第二层卷积层后相结合的特征然后进行识别。

（注：ZCA白化可以参考我前面讲解的）

算法步骤：

（1）对于图像向量X（x1,x2,...xm）进行ZCA白化处理;

（2）白化后的图像在第一卷积层进行PCA降维处理得到Z1;

（3）在第二层卷积层中如(1)(2)一样获得Z2;

（4）把Z1和Z2 进行连接Zf=[Z1  Z2];

  (5)把获得的Zf 进行训练和分类。

实验评估

采用FERET 和AR数据库。

1.FERET数据库有13539张人脸图片，1565个人包含不同的民族、性别、年龄的人。本章将用1个gallery 集和四个probe 集（fafb,fafc,dup1,dup2）。

gallery 集由1196个人的1196幅图像组成，为了和其他四组进行比较。

fafb 集由1195幅图像组成，人的选择和gallery集一样主要是表情因素。

fafc  集包含194幅图像，主要是光照因素。

dup1包含722幅图像，主要是在gallery 集采集后从的第一天到1031天这一阶段的不同时间获得图像。

dup2 包含234幅图像，主要是dup1的子集是在gallery 采集后的18个月以后进行采集的图像。

2.AR数据库包含126个人的4000多张彩色图像，包含不同的表情，光照，装饰（太阳镜等），数据库分为两个部分，每一部分的每个人有13张图片，文章运用non-occluded 的100人的图像（50男50女）第一部分用于训练第二部分用于测试。

两个数据集的图像统一用32*32 像素。然后用NN（nearest neighbor）使用L2和余弦距离进行分类。

Result on FERET&Result on AR

总结

本文的创新点是（1）在进行PCA之前进行了ZCA白化

                           （2）运用了deep learning  卷积神经网络

参考文献

[1]Liong V E, Lu J, Wang G. Face recognition using Deep PCA[C]// International Conference on Information, Communications & Signal Processing. 2013:1-5.