也称FLD(Fisher线性判别)是一种有监督的学习方法(supervised learning)。目的:是从高维空间中提取出最优判别力的低维特征,这些特征使同一类别的样本尽可能的靠近,同时使不同类别的样本尽可能的分开,即选择使样本的类间散布矩阵和类内散布矩阵达到最大比值的特征。因此,用FLD得到的特征不但能够较好的表示原始数据,而且更适合分类。
Fisherface是由Ronald Fisher发明的,Fisherface所基于的LDA(Linear Discriminant Analysis,线性判别分析)理论和特征脸里用到的PCA有相似之处,都是对原有数据进行整体降维映射到低维空间的方法。
PCA是常用的有效的数据降维的方法,与之相同的是LDA也是一种将数据降维的方法。PCA已经是一种表现很好的数据降维的方法,那为什么还要有LDA呢?下面我们就来回答这个问题?
PCA是一种无监督的数据降维方法,与之不同的是LDA是一种有监督的数据降维方法。我们知道即使在训练样本上,我们提供了类别标签,在使用PCA模型的时候,我们是不利用类别标签的,而LDA在进行数据降维的时候是利用数据的类别标签提供的信息的。
从几何的角度来看,PCA和LDA都是讲数据投影到新的相互正交的坐标轴上。只不过在投影的过程中他们使用的约束是不同的,也可以说目标是不同的。PCA是将数据投影到方差最大的几个相互正交的方向上,以期待保留最多的样本信息。样本的方差越大表示样本的多样性越好,在训练模型的时候,我们当然希望数据的差别越大越好。这就是PCA降维的目标:将数据投影到方差最大的几个相互正交的方向上。这种约束有时候很有用,比如在下面这个例子:
图中红色直线所在的方向。也是数据样本做投影,方差最大的方向。向这个方向做投影,投影后数据的方差最大,数据保留的信息最多。
但是,对于另外的一些不同分布的数据集,PCA的这个投影后方差最大的目标就不太合适了。比如对于下面图片中的数据集:
图中还有一条耀眼的黄色直线,向这条直线做投影即能使数据降维,同时还能保证两类数据仍然是线性可分的。上面的这个数据集如果使用LDA降维,找出的投影方向就是黄色直线所在的方向。
这其实就是LDA的思想,或者说LDA降维的目标:将带有标签的数据降维,投影到低维空间同时满足三个条件:
通常情况下,待匹配人脸要和人脸库内的多张人脸匹配,所以这是一个多分类的情况。出于简单考虑,可以先介绍二类的情况然后拓展到多类。假设有二维平面上的两个点集(x是包含横纵坐标的二维向量),它们的分布如下图(分别以蓝点和红点表示数据):
原有数据是散布在平面上的二维数据,如果想用一维的量(比如到圆点的距离)来合理的表示而且区分开这些数据,该怎么办呢?一种有效的方法是找到一个合适的向量w(和数据相同维数),将数据投影到w上(会得到一个标量,直观的理解就是投影点到坐标原点的距离),根据投影点来表示和区分原有数据。我们将这个最佳的向量称为w(d维),那么样例x(d维)(此处d=2)到w上的投影可以用下式来计算(投影点到到原点的距离):
上图给出了两种w方案,w以从原点出发的直线来表示,直线上的点是原数据的投影点。直观判断右侧的w更好些,其上的投影点能够合理的区分原有的两个数据集。但是计算机不知道这些,所以必须要有确定的方法来计算这个w。
从直观上来看,右图比较好,可以很好地将不同类别的样本点分离。
接下来我们从定量的角度来找到这个最佳的w。
1、首先计算每类数据的均值(中心点):
这里的i是数据的分类个数,代表某个分类下的数据点数,比如
代表红点的中心,
代表蓝点的中心。
2、数据点投影到w上的中心为:
如何判断向量w最佳呢,可以从两方面考虑:
1、不同的分类得到的投影点要尽量分开;
2、同一个分类投影后得到的点要尽量聚合。
从这两方面考虑,可以定义如下公式:
1、J(w)代表不同分类投影中心的距离,它的值越大越好。
2、称之为散列值(scatter matrixs),代表同一个分类投影后的散列值,也就是投影点的聚合度,它的值越小代表投影点越聚合。(投影在特征向量上的点,与投影中心的距离差的平方和)
只考虑J(w)行不行呢?不行,看下图:
样本点均匀分布在椭圆里,投影到横轴x1上时能够获得更大的中心点间距J(w),但是由于有重叠,x1不能分离样本点。投影到纵轴x2上,虽然J(w)较小,但是能够分离样本点。因此我们还需要考虑样本点之间的方差,方差越大,样本点越难以分离。
所以要结合散列值结合两个公式,第一个公式做分子另一个做分母:
上式是w的函数,值越大,说明w降维性能越好,所以下面的问题就是求解使上式取最大值的w。
把散列函数展开:
我们定义上式中中间那部分
这个公式的样子不就是未除以样例数的协方差矩阵么,称为散列矩阵(scatter matrices),这就是原数据的散列矩阵了,对于固定的数据集来说,它的散列矩阵也是确定的。
我们定义为类内散列矩阵:
, 回到上面
的公式,并用
做替换,得到:
展开J(w)的分子并定义,
称为类间散列矩阵。
这样就得到了J(w)的最终表示:
上式求极大值可以利用拉格朗日乘数法, 在我们求导之前,需要对分母进行归一化,因为不做归一的话,w扩大任何倍,都成立,我们就无法确定w。怎么确定最好的w呢。
可以令,利用拉格朗日乘数法得到:
w是矩阵,求导时可以简单地把当做
看待。如果
可逆,那么将求导后的结果两边都乘以
,得
通过上式求解w还是有些困难的,而且w会有多个解,考虑下式:
将其带入下式:
其中是以w为变量的数值,因为(u1-u2)^T和w是相同维数的,前者是行向量后者列向量。继续带入以前的公式:
代入最后的特征值公式得
由于对w扩大缩小任何倍不影响结果,因此可以约去两边的未知常数和
,得到
假设有C个人的人脸图像,每个人可以有多张图像,所以按人来分,可以将图像分为C类,这节就是要解决如何判别这C个类的问题。判别之前需要先处理下图像,将每张图像按照逐行逐列的形式获取像素组成一个向量,和第一节类似设该向量为,设向量维数为n(像素数),设x为n*1的列向量。这里的n有可能成千上万,比如100x100的图像得到的向量为10000维,所以第一节里将x投影到一个向量的方法可能不适用了,比如下图:
平面内找不到一个合适的向量,能够将所有的数据投影到这个向量而且不同类间合理的分开。所以我们需要增加投影向量w的个数(当然每个向量维数和数据是相同的,不然怎么投影呢),假设我们有C个类别,需要k维向量(或者叫做基向量)来做投影:.
是n维的列向量,所以W是个n*k的矩阵,这里的k其实可以按照需要随意选取,只要能合理表征原数据就好。
我们将样本点在这k维向量投影后结果表示为,有以下公式成立
所以这里的y是k维的列向量。
像上一节一样,我们将从投影后的类间散列度和类内散列度来考虑最优的w,考虑图(2)中二维数据分为三个类别的情况。与第一节类似,依然代表类别i的中心,而
定义如下:
其中: :表示第i类样本的协方差矩阵。所以
就是表示C类样本协方差矩阵之和。它是一个n*n的矩阵。
所有x的中心μ定义为:
类间散列度,表示各个类样本均值的协方差矩阵。定义和上一节有较大不同:
代表的是每个类别到μ距离的加和,注意代表类别i内x的个数,也就是同一个人的人脸图像个数。
上面的讨论都是投影之间的各种数据,而J(w)的计算实际是依靠投影之后数据分布的,所以有:
上式分别代表投影后的类别i的中心,所有数据的中心,类内散列矩阵,类间散列矩阵。
与上节类似J(w)可以定义为:
回想我们上节的公式J(w),分子是两类中心距,分母是每个类自己的散列度。现在投影方向是多维了(好几条直线),分子需要做一些改变,我们不是求两两样本中心距之和(这个对描述类别间的分散程度没有用),而是求每类中心相对于全样本中心的散列度之和。得到:
最后化为:
进行人脸识别时,将人脸向量投影到LDA子空间w,得到一个低维向量 : ,其中
注意: 这里的求逆的前提是满秩矩阵,但实际计算时,如何呢?
是一个p*p的矩阵。在LDA算法中,当特征维度p十分大(p>样本数−类别数)的时候得出的协方差矩阵
不可逆。
我们通常有2个办法解决该问题:
解决方法一:
令, 其中γ是一个特别小的数,这样
一定可逆。
解决方法二:
先使用PCA对数据进行降维,使得在降维后的数据上可逆,再使用LDA。
协方差与样本矩阵A有相同的秩,协方差的秩必须是P才能满秩。而Rank(A)=min(p,样本数−类别数)。显然,如果p>N−K,矩阵非满秩,因此不可逆。然而不必惊慌,PCA这个原生态的降维手段总可以让过程进行下去。只要将图像的特征维度p缩减到N−K或以下即可.这也是为什么博客https://blog.csdn.net/qq_30815237/article/details/89185371 中Fisher线性判别分析:中train函数的源码中出现
if((_num_components <= 0) || (_num_components > (C-1)))
_num_components = (C-1);
// perform a PCA and keep (N-C) components
PCA pca(data, Mat(), PCA::DATA_AS_ROW, (N-C));
// 将样本投影到主成分的特征图最为输入,计算它的LDA向量,构造 LDA on it,注意这里输入的不是原图
LDA lda(pca.project(data),labels, _num_components);
from :https://blog.csdn.net/zhaoyu775885/article/details/80176089
另外还需注意:
由于中的
秩为1,因此
的秩至多为C(矩阵的秩小于等于各个相加矩阵的秩的和,C是类别个数)。由于知道了前C-1个
后,最后一个
可以有前面的
来线性表示,
因此的秩至多为C-1。那么K最大为C-1。特征值大的对应的特征向量分割性能最好。那么至多可以取到N-1个特征向量来表征原数据。即:LDA至多可生成C-1维子空间
大家知道PCA里求得的特征向量都是正交的(因为协方差矩阵是对称矩阵),但是这里的并不是对称的,所以求得的K个特征向量不一定正交,这是LDA和PCA最大的不同。求
特征向量不能采用奇异值分解的方式,而因该采用更通用的求一般方阵特征向量的方式,(像矩阵论里学的方法来求,例如下:)
降维之后如何根据y值来判别分类呢?取[y1,y2,...,yk]中最大的那个就是所属的分类。对于有C个类别的分类问题,我们最多只能分出C-1个类别来.如前所述,如果在一组人脸集合上,求得k个特征向量,还原为人脸图像的话,就像下面这样:
得到了k个特征向量,如何匹配某人脸和数据库内人脸是否相似呢,方法是将这个人脸在k个特征向量上做投影,得到k维的列向量或者行向量,然后和已有的投影求得欧式距离,根据阈值来判断是否匹配。需要说明的是,LDA和PCA两种方法对光照都是比较敏感的,如果你用光照均匀的图像作为依据去判别非均匀的,那基本就惨了。
降维和分类器(例如OpenCV中将LDA和K邻近分类器封装为一个“分类器”,这里K=1。所以本质还是降维和使数据易于可分)
1)训练模型
2)将高维数据送入模型实现降维
这里的分类思想,是OpenCV一种封装的分类思想,OpenCV在人脸识别算法中将LDA+(K=1)邻近分类器组合,构造所谓的“合成分类器”,相当于类中的封装。
1)将所有训练样本图像投影到LDA子空间
2)将测试图像投影到LDA子空间
3)找到投影后的训练样本集和测试图像之间的最邻近,即如果测试图像与训练样本中的b最邻近,b属于C类,那么测试图像也属于C类。
OpenCV为我们实现了LDA类,LDA类的构造函数:
LDA(const Mat& src, vector labels,int num_components = 0):_num_components(num_components)
{
this->compute(src, labels); //! compute eigenvectors and eigenvalues
}
LDA::project
投影样本到LDA子空间
// Projects samples into the LDA subspace.
Mat LDA::project(InputArray src) {
return subspaceProject(_eigenvectors, Mat(), _dataAsRow ? src : src.getMat().t());
}
训练数据的处理:
1、循环读入训练图像Mat,并将Mat对象存储到vector
2、将步骤1中的数据传入到LDA的构造函数中,构造函数进行计算处理,从而获得特征矢量。
3、将训练数据利用project函数,投影到特征矢量构造的子空间,即LDA子空间,将返回的Mat矢量保存起来,做后续的处理。
4、将LDA对象,利用save保存起来。
测试数据的处理:
1、利用load函数将LDA导入
2、利用project函数,将测试数据投影到LDA子空间,保存返回的Mat矢量,做后续的处理。
原始样本采用了200*200大小的图片,形成了40000维的特征矢量,其中包含了大量冗余信息和噪声,导致了LDA方法的不准确。因此一般先采用PCA降维:首先对原始样本图像进行PCA降维,而后再使用LDA进行分类训练;在进行测试时,也先对原始图像进行PCA降维,再利用LDA进行识别,这样可以有效消除冗余信息和噪声的干扰,压缩后的信息对脸部位置也变得不敏感。
转换矩阵,可以将样本投影到c-1维空间,其中c表示类别。
投影公式为:
表示LDA的特征矢量构成的,
表示PCA的特征矢量构成的,u是PCA分析中所有样本的均值。z列向量的维数为类别数目-1.注意:这里x是n*1列向量,
是 n*(样本数−类别数)矩阵,
得到(样本数−类别数)*1的列向量,实际上就是压缩后的人脸图像temp,
(
,这里的
是在pca降维后的人脸图像上求得的投影向量,矩阵尺寸为(样本数−类别数)*(类别数-1))
PCA对光照的灵敏度较高。LDA对光照不如PCA对光照的敏感。LDA的性能同样严重的依赖于输入的数据。LDA也可以像PCA那样对图像进行重建,但是LDA重建效果没有PCA好,这是因为PCA利用的个体的主成份特征,而LDA利用了辨别个体之间不同的特征。Fisher face方法(PCA+LDA)在OpenCV中的实现请参考:OpenCV人脸识别类FaceRecognizer
from:https://blog.csdn.net/zhazhiqiang/article/details/21189415
from:https://blog.csdn.net/smartempire/article/details/23377385
from:http://www.cnblogs.com/jerrylead/archive/2011/04/21/2024384.html
from:https://blog.csdn.net/zdyueguanyun/article/details/8595549
from:https://www.cnblogs.com/txg198955/p/4106682.html
from:https://www.cnblogs.com/engineerLF/p/5393119.html