PLDA源代码分析(1)-PLDA_Train

本博文转载于http://write.blog.csdn.net/postedit?ref=toolbar

说明：此处的LDA对应于Linear Discriminant Analysis，PLDA即对应于Probabilistic LDA. 该代码对应的文章为ICCV2007 paper Probabilistic Linear Discriminant Analysis for Inferences About Identity，源代码可以从 Prince Vision Lab处下载。虽然源码虽然不长结构比较清楚，但是运用到了一定的矩阵知识，所以对源码分析稍作分析。

1、PLDA 训练(Training)源码分析

2、PLDA识别(Recognition)源码分析

3、PLDA相关应用

基本问题

PLDA的基本模型如下：

Learning LIV Models给出数据集 ，利用EM算法求得参数 ：

E-Step:计算两个期望：

其中：

M-Step:计算更新三个参数：

其中均值不变，Diag操作是取矩阵对角元素构成一个对角阵，B和 分别如下所示：

，

PLDA_Train.m共有三个函数，其中PLDA_Train是EM算法的主函数，getExpectedValuePLDA是计算期望的子函数，trainPCA是初始化F的PCA过程。

PLDA_Train

输入参数：

• Data:d*n的训练数据，d为样本维数，n为样本个数。
• ImageID:n*m的一个稀疏矩阵，m表示有多少个人，若ImageID[i][j]=1那么表示第i个样本来自第j个人。
• N_ITER:EM算法迭代次数
• N_F，N_G:因子个数，即矩阵F和G的第二维(其第一维是d)

相关初始化：

• 去均值，后面计算PCA，E-Step，M-Step就不用再减去均值

 meanVec = mean(Data, 2);%d*1维向量，存每一维特征均值
 N_DATA = size(Data, 2);
 Data = double(Data) - repmat(meanVec, 1, N_DATA);

• EM算法初始化

 OBS_DIM = size(Data, 1); % 样本特征维数d
 G = randn(OBS_DIM, N_G); %G随即初始化
 %Sigma是对角矩阵，初始化为一个列向量来表示，方便存储和提高运算效率。
 Sigma = 0.01 .* ones(OBS_DIM, 1);

F初始化为各类人样本均值的协方差矩阵的特征值,Data*ImageID是一个d*m的矩阵，存储每个人的所有样本各维特征之和，而diag(1/.(sum(ImageID)))是一个m*m的对角矩阵，存储每个人样本数目的倒数，二者相乘即是一个d*m的矩阵，存每个人的所有样本特征均值，后面两行调用trainPCA进行PCA过程。

 clusterMeans = (Data * ImageID) * (diag(1 ./ (sum(ImageID))));
 F =  trainPCA(clusterMeans);
 F = F(:, 1:N_F);

EM算法迭代过程：

 for cIter = 1 : N_ITER
     %E-Step
     %M-Step
 end

• 更新和，这里Eh是和EhhSum是，二者均为矩阵。

 [Eh EhhSum] = getExpectedValuesPLDA(F, G, Sigma, Data, ImageID);

• 更新B

 xhSum = zeros(size(Data,1), size(Eh, 1));
 for cData = 1 : N_DATA
    xhSum = xhSum + Data(:, cData) * Eh(:, cData)';
 end;
    FGEst = xhSum * inv(EhhSum) ;

• 更新

若Data如下所示：

那么mean(Data*Data',2)如下所示：

后面一部分也类似。

 Sigma = mean(Data .* Data - (FGEst * Eh) .* Data,2);

• 根据B的定义取得F和G

 F = FGEst(:, 1 : N_F);
 G = FGEst(:, N_F + 1 : end);

getExpectedValuesPLDA

主要思想：

该子程序主要计算 和 ，二者均为矩阵。前半部分预先计算即样本个数为repeatValues(repeatValues为每个人的样本数目)的指，后半部分具体计算这两个矩阵。

预处理打表

计算表的大小，如PLDA_Train_Demo.m中repeatValues=[2,3,4]共三种情况，那么nRepeatValues=3为循环的个数，invTermsAll存储 的值。

 repeatValues = unique(sum(ImageID));
 nRepeatValues = length(repeatValues);
 invTermsAll = cell(nRepeatValues, 1);

下面的循环计算不同repeatValues时 的值。

 for cRepeatVal = 1 : nRepeatValues
     thisRepVal = repeatValues(cRepeatVal);
     ...
     invTermsAll{repeatValues(cRepeatVal)} = invTerm;
 end

对于每个thisRepVal，易知 是一个 (N_HID_DIM+thisRepVal*N_HID_DIM_NOISE)* (N_HID_DIM+thisRepVal*N_HID_DIM_NOISE)大小的矩阵如下：

那些下面代码段就是分块对矩阵进行赋值，其中左上角矩阵维数是H_HID_DIM*H_HID_DIM，其他矩阵维数是N_HID_DIM_NOISE*N_HID_DIM_NOISE。

 ATISigA(1:N_HID_DIM,1:N_HID_DIM) = thisRepVal*weightedF'*F;
 for cMat = 1:thisRepVal
     ATISigA(N_HID_DIM+(cMat-1)*N_HID_DIM_NOISE+1:N_HID_DIM+cMat*N_HID_DIM_NOISE,1:N_HID_DIM) = weightedG'*F;
     ATISigA(1:N_HID_DIM,N_HID_DIM+(cMat-1)*N_HID_DIM_NOISE+1:N_HID_DIM+cMat*N_HID_DIM_NOISE) = weightedF'*G;
     ATISigA(N_HID_DIM+(cMat-1)*N_HID_DIM_NOISE+1:N_HID_DIM+cMat*N_HID_DIM_NOISE,...
         N_HID_DIM+(cMat-1)*N_HID_DIM_NOISE+1:N_HID_DIM+cMat*N_HID_DIM_NOISE) = weightedG'*G;
 end;

有了 剩余代码就是计算并存储

计算期望值

外循环是每个人，内循环计算特定人所有样本的期望值，更新期望和。

 for cInd = 1 : N_INDIV
     for cFaces = 1 : nFaces
         Eh(:,thisImIndex(cFaces)) = thisEh(thisIndex);
         EhhSum=EhhSum+thisEhh(thisIndex,thisIndex);
     end
 end

对每个人，首先获得样本数量以及样本所对应的位置。

 nFaces = full(sum(ImageID(:,cInd)));
 thisImIndex = find(ImageID(:,cInd));

下面就是计算 ，计算的过程和计算 类似，也是对矩阵进行分块复制。这里的X指该属于某个人的所有样本。

 dataAll = x(:,thisImIndex).*repmat(1./Sigma,1,nFaces);
 ATISigX = zeros(N_HID_DIM+nFaces*N_HID_DIM_NOISE,1);
 ATISigX(1:N_HID_DIM,:) = sum(F'*dataAll,2);
 for cIm = 1 : nFaces
     ATISigX(N_HID_DIM+(cIm-1)*N_HID_DIM_NOISE+1:N_HID_DIM+cIm*N_HID_DIM_NOISE,:) = G'*dataAll(:,cIm);
 end;

下面计算更新 (thisEh)和 (thisEhh)。

 thisEh = invTerm*ATISigX;
 thisEhh = invTerm+thisEh*thisEh';

最后就是for循环更新 和 ，前者分块赋值，后者累加求和。

 for cFaces = 1 : nFaces
     thisIndex = [1:N_HID_DIM  N_HID_DIM+(cFaces-1)*N_HID_DIM_NOISE+1:N_HID_DIM+cFaces*N_HID_DIM_NOISE];
     Eh(:,thisImIndex(cFaces)) = thisEh(thisIndex);
     EhhSum=EhhSum+thisEhh(thisIndex,thisIndex);
 end

trainPCA

PCA过程，详见 SVD和PCA