python人脸识别特征脸法_人脸识别-PCA特征脸

人脸识别-PCA特征脸(大BOSS)

写在前面

你好，我是禅墨！好久，不见！

在忙了好久的各科考试之后，我终于闲下来了。

自从小凯上次输给我K210之后，一心想搞我，想要报仇。

小凯：阿墨，我给你说啊，我XX不服，给你三个小时，你给我做出来一个人脸识别，识别咱两个班一共57人，正确率不能低于96%，我赌100块钱！！！你得在我的监视下完成！

禅墨：确定？我怕你后悔！

小凯：确定！后悔，不存在的！你搞吧！！！小样！

思考了片刻决定用PCA实现！

PCA特征脸

PCA原理

PCA全名为主成分分析，其主要目的就是寻找一个矩阵，然后把原来的一组带有相关性的矩阵映射到寻找到的那个矩阵中，达到降维的目的。一般的，如果我们有M个N维向量，想将其变换为由R个N维向量表示的新空间中，那么首先将R个基按行组成矩阵A，然后将向量按列组成矩阵B，那么两矩阵的乘积AB就是变换结果，其中AB的第m列为A中第m列变换后的结果。 这句话就相当于找到了一个R行N列矩阵，然后乘一个N行M列矩阵，这样就得到了一个R行M列矩阵(其中R<=N)，达到降维的目的。其中M和N的含义为，M可以代表样本个数，而N代表每个样本的特征个数，所以最终结果就是把原来N个特征变为了R个特征，达到降维目的。

算法解析

1、构建一个样本集合S={T1,T2,...,TM}S =\{T_1,T_2,...,T_M\}S={T1​,T2​,...,TM​},SSS 可以看做是一个N行M列的矩阵，也就是有M个样本，每个样本有N个特征。其中TiT_iTi​是一个向量。

2、0均值化，为了便于计算方差的时候需要减去均值，所以如果本身样本是零均值的，就方便计算。

m=1M∑i=1MTim = \frac{1}{M}\sum_{i=1}^{M}T_im=M1​∑i=1M​Ti​ ,这个是计算均值在python中可以使用

m = T.mean(axis = 1)

进行计算，其中axis = 1代表按行求均值。

然后A=T−mA = T -mA=T−m 这个相当于把每个样本都减去均值，这样之后就相当于做了0均值化。

3、计算投影矩阵(就是相当于上面的那个R行M列矩阵)

这个投影矩阵其实就是由A∗ATA*A^TA∗AT矩阵的特征向量构成，但是由于大多数情况A∗ATA*A^TA∗AT的维度太大(A∗ATA*