本文是饶昊宸同学对文章《Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection》的阅读总结
1. 问题
本文提出了一种人脸识别算法,用于在光照条件和面部表情显著变化的情形下更准确地识别人脸身份。人脸识别问题可以被视为一个分类问题,描述如下:
人脸识别就是根据学习给定的人脸图片样本(训练集)来对新的人脸图片(测试集)判断其身份。每一张人脸图片都对应一个标签,即脸的身份(姓名),这一标签是因变量。而图片本身,可以通过像素分解,将每一像素视为一个维度,进而转换为一个维的自变量(为总像素)。
假设我们有一个容量为的图片样本:。总共有个身份标签:。
2. 做法
本文提出的方法中,最核心的想法是Fisher线性判别(FLD)的思想,即将高维样本投影到一个与类内散度方向正交的低维子空间里,以消除类内差异并最大化类间差异,使投影后的样本达到最佳的线性可分性,便于判别和预测。另外,还结合了已有的主成分分析PCA降维技术(即接下来会提到的Eigenface,一种已广泛使用的人脸识别方法),使本方法有了可行性。
2.1 已有做法
在本文提出的方法前,我们先介绍已有的三种常用方法。
第一种是co