人脸识别之PCA

最新推荐文章于 2019-06-15 23:11:12 发布
最新推荐文章于 2019-06-15 23:11:12 发布
阅读量1.7k 收藏 3
点赞数
分类专栏： 计算机视觉 机器学习&&数据挖掘 文章标签： 人脸检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u014568921/article/details/45198207
版权


1.PCA人脸检测

Eigenface算法 

在利用PCA进行特征提取的算法中，特征脸方法(Eigenface)是其中的一个经典算法。特征脸方法是从主成分分析导出的一种人脸识别和描述技术。特征脸方法就是将包含人脸的图像区域看作是一种随机向量，因此可以采用K-L变换获得其正交K-L基底。对应其中较大特征值的基底具有与人脸相似的形状，因此又称为特征脸。利用这些基底的线性组合可以描述、表达和逼近人脸图像，因此可以进行人脸识别与合成。识别过程就是将人脸图像映射到由特征脸构成的子空间上，比较其与己知人脸在特征空间中的位置，具体步骤如下：

(1)初始化，获得人脸图像的训练集并计算特征脸，定义为人脸空间，存储在模板库中，以便系统进行识别；

(2)输入新的人脸图像，将其映射到特征脸空间，得到一组关于该人脸的特征数据；

(3)通过检查图像与人脸空间的距离判断它是否是人脸； 

(4)若为人脸，根据权值模式判断它是否为数据库中的某个人，并做出具体的操作。

计算特征脸

　　设人脸图像I(x，y)为二维N*N灰度图像，用N维向量R表示。人脸图像训练集为{Ri|i=1，…，M}，其中M为训练集中图像总数，这M幅图像的平均向量为：


每个人脸Ri与平均人脸ψ的差值向量是：


训练图像的协方差矩阵可表示为：

C=AAT.

其中，A=[φ1，…φM].

特征脸有协方差矩阵C的正交特征向量组成。对于N*N人脸图像，协方差矩阵C的大小为N2*N2，对它求解特征值和特征向量是很困难的。一种取而代之的方法是令L=ATA．

即协方差矩阵的转置阵，则可以知道此矩阵是M*M(M是训练人脸的数量)的一个较小的矩阵。首先计算M*M矩阵L的特征向量vi(l=l，…，M)，则矩阵C的特征向量ui(l=1，…，M)由差值图像φi(i=1，…，M)与vi(l=l，…，M)线性组合得到：U=[u1，…，uM]=[[ψ1，…，ψM]T][v1．…，vM]。实际上，m(m<M)个特征值足够用于人脸识别。因此，仅取L的前m个最大特征值的特征向量计算特征脸。


Robust Face Recognition via Sparse Representation


opencv pca


opencv 中SVM + PCA 人脸识别

PCA原理及人脸识别应用

Face Recognition Homepage Dataset

从QR分解到PCA，再到人脸识别



zbxzc
关注
专栏目录
PCA人脸识别
08-20
PCA带图像% Face recognition by Santiago Serrano %人脸识别代码 clear all close all clc % number of images on your training set. %训练集数目 M=10; %Chosen std and mean. %It can be any number that it is close to the std and mean of most of the images. um=100; ustd=80; %read and show images(bmp); %读入M个训练图像并显示在一个窗口上 S=[]; %img matrix figure(1); for i=1:M str=strcat('C:\Documents and Settings\Administrator\桌面\6311661897288432PCA\97288432PCA\',int2str(i),'.bmp'); %concatenates two strings that form the name of the image eval('img=imread(str);'); subplot(ceil(sqrt(M)),ceil(sqrt(M)),i) imshow(img) if i==3 title('Training set','fontsize',18) end drawnow; [irow icol]=size(img); % get the number of rows (N1) and columns (N2)获得图像的大小,所有图像的大小要一致 temp=reshape(img',irow*icol,1); %creates a (N1*N2)x1 matrix一幅图像构造一个向量 向量的大小和图像大小有关 S=[S temp]; %X is a N1*N2xM matrix after finishing the sequence 生成一个向量矩阵,M个图像有M列 %this is our S end %Here we change the mean and std of all images. We normalize all images. %This is done to reduce the error due to lighting conditions. %下面是对图像规范化,更具所有图像的的平均值和方差 for i=1:size(S,2) temp=double(S(:,i)); m=mean(temp); st=std(temp); S(:,i)=(temp-m)*ustd/st+um; end %show normalized images 显示规范化后的图像 figure(2); for i=1:M str=strcat(int2str(i),'.bmp'); img=reshape(S(:,i),icol,irow); img=img'; eval('imwrite(img,str)'); subplot(ceil(sqrt(M)),ceil(sqrt(M)),i) imshow(img) drawnow; if i==3 title('Normalized Training Set','fontsize',18) end end %mean image;显示平均图像,所有图像叠加在一起 m=mean(S,2); %obtains the mean of each row instead of each column tmimg=uint8(m); %converts to unsigned 8-bit integer. Values range from 0 to 255 img=reshape(tmimg,icol,irow); %takes the N1*N2x1 vector and creates a N2xN1 matrix img=img'; %creates a N1xN2 matrix by transposing the image. figure(3); imshow(img); title('Mean Image','fontsize',18) % Change image for manipulation %对图像变换便于处理
人脸识别中的PCA算法
jasonCSH的专栏
04-18 1248
  
PCA-人脸识别
KatharinLin的博客
02-27 810
Face Recognition Challenge 人脸识别基本步骤 PCA算法简介 PCA在人脸识别中的应用 PCA算法 直接应用的问题 Project 训练阶段 测试阶段 k的测试 Face Recognition Given a database of face images of people, and a new test image, answer th...
Matlab 人脸识别之PCA算法，使用Yale人脸数据库
07-31
PCA（主成分分析，Principal Component Analysis）是一种常用的数据降维技术，在人脸识别领域有着广泛应用。它通过线性变换将原始高维数据转化为一组各维度线性无关的表示，从而达到降维的目的，同时最大化数据集内...
PCA人脸识别.zip_PCA 人脸识别_pca人脸识别_人脸识别
07-14
基于PCA的人脸识别m文件，可以运行，准确率还可以
MATLAB PCA人脸识别GUI(ORL+Yale人脸库)
08-26
该系统为基于MATLAB平台的PCA的人脸识别系统，可识别ORL和YALE人脸库，方法实现统一，包括GUI界面。另外可二次开发成摄像头的实时人脸系统，识别出库外人脸，可做成门禁系统，考勤系统，打卡签到系统。实现登记出勤...
PCA人脸识别_人脸识别原理_pca人脸识别_
10-03
PCA（主成分分析）人脸识别是一种广泛应用于图像处理和计算机视觉领域的技术，特别是在人脸识别系统中。PCA的主要目标是通过线性变换将原始数据转换到一个新的坐标系中，使得新坐标系中的变量是按照方差大小排序的，...
基于PCA的人脸识别
fish_dream
06-15 3万+
基于PCA的人脸识别（MATLAB实现）
PCA人脸识别算法
03-27
降维就是一种对高维度特征数据预处理方法。降维是将高维度的数据保留下最重要的一些特征，去除噪声和不重要的特征，从而实现提升数据处理速度的目的。在实际的生产和应用中，降维在一定的信息损失范围内，可以为我们节省大量的时间和成本。降维也成为应用非常广泛的数据预处理方法。 降维具有如下一些优点： 1) 使得数据集更易使用。 2) 降低算法的计算开销。 3) 去除噪声。 4) 使得结果容易理解。 降维的算法有很多，比如奇异值分解(SVD)、主成分分析(PCA)、因子分析(FA)、独立成分分析(ICA)。
人脸识别PCA
01-01
基于PCA算法的人脸识别在MATLAB上的实现
基于PCA的人脸识别（matlab)
11-30
关键词： PCA;人脸识别;matlab;人脸检测 采用PCA 算法进行人脸识别，通过抽取人脸的主要成分，构成特征脸空间，识别时 将测试图像投影到此空间，得到一组投影系数，通过与训练样本库中的人脸图像比较进行识别选择最佳匹配人脸。 采用matlab编程，以及GUI编程，代码测试无误，且附有详细注释，易于阅读。内附两个pdf文件，一个是算法流程的解释说明，另一个pdf是对人脸识别技术的概述，适合想要系统学习人脸识别的入门教程。
基于PCA算法的人脸识别（包含人脸库）
11-07
MATLAB编程的以PCA算法为基础的人脸识别，包含人脸库，经典的算法。
（学习笔记三）——人脸识别
keep thinking的专栏
03-30 1万+
人脸识别要牵涉到一些数学计算和一些算法的理解，虽然这些算法和计算opencv已经帮我们完成，但我们还是要对其有一定的了解，才能进行人脸识别的实践，毕竟基础不牢，上层建筑也不稳。 要理解如何进行人脸识别，首先一定要理解主成分分析算法，即PCA，使用这种算法的原因是因为，一般图像数据量太大，而且其中的大部分数据点对我们进行人脸识别没有太大的帮助，因此为了减少数据量，采用了主成分分析法将数据进行压缩（
PCA算法之人脸识别
chenxz_的博客
02-14 3246
一、PCA算法理解 PCA（Principal Component Analysis），即主成分分析，是一种常见的降维技术。所谓降维，就是将高维的数据进行处理，在保留大部分信息的前提下降维为低维的数据，比如将一些二维坐标点映射到x轴或y轴或者自己定义的一根新轴，用一维坐标来表示这些二维坐标点，且易于分辨，比如一一对应（对应正确率越高越好），这就是降维。 PCA的核心是根据图像的训练集求出特征脸，我...
基于PCA的人脸识别步骤
热门推荐
姚光超的专栏
09-01 4万+
代码下载：基于PCA（主成分分析）的人脸识别 人脸识别是一个有监督学习过程，首先利用训练集构造一个人脸模型，然后将测试集与训练集进行匹配，找到与之对应的训练集头像。最容易的方式是直接利用欧式距离计算测试集的每一幅图像与训练集的每一幅图像的距离，然后选择距离最近的图像作为识别的结果。这种直接计算距离的方式直观，但是有一个非常大的缺陷—计算量太大。如果每幅图像大小为100*100，训练集大小1000
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值