传统分类检测识别实例(一 人脸识别-Eigenface)

特征脸(Eigenface)理论基础-主成分分析(PCA)

步骤一:

获取包含M张人脸图像的集合S。在我们的例子里有25张人脸图像,如下图所示。每张图像可以转化成一个N维的向量(至于是横着还是竖着获取原图像的像素,只要前后统一就可以),然后把这M个向量放到一个集合S里,如下式所示:

传统分类检测识别实例(一 人脸识别-Eigenface)_第1张图片

步骤二:

在获取到人脸向量集合S后,计算得到的平均图像A。就是把集合S里面的向量遍历一遍进行累加,然后取平均值。得到的A也是一个N维向量,如果再把它还原回图像形式的话,可以得到如下平均脸。

传统分类检测识别实例(一 人脸识别-Eigenface)_第2张图片

步骤三:

计算每张图像和平均图像的差值 ,就是S集合里的每个像素减去步骤二中的平均值。

步骤四:

求矩阵中的特征向量

这些特征向量如果还原成像素排列的话,其实还蛮像人脸的,所以称之为特征脸。

传统分类检测识别实例(一 人脸识别-Eigenface)_第3张图片

步骤四:

人脸识别。上面几步是为了对人脸进行降维找到表征人脸的合适向量的。

首先考虑一张新的人脸,我们可以用特征脸对其进行标示。

训练集中的人脸也可以用特征脸进行标示。

计算欧式距离。

 

 

你可能感兴趣的:(求职)