《对运用2DPCA技术进行人脸识别的简介》由会员分享，可在线阅读，更多相关《对运用2DPCA技术进行人脸识别的简介（19页珍藏版）》请在金锄头文库上搜索。
1、对运用2DPCA技术进行人脸识别的简介,指导老师：彭进业 报告人：邓楠 时间：2005。5。25,一：导论,PCA技术(基于K_L变换)，即主要成分分析，是一种经典的特征提取和数据表示技术，广泛用于模式识别和计算机视觉的领域中。在基于PCA的人脸识别中，2D的人脸图象矩阵首先先转变成1D的图象向量，然后再利用均值图象得到协方差矩阵，求出此矩阵的特征值和相应的正交归一化特征向量即特征脸。这样，,一：导论,任何一副人脸图像都可以表示成这组“特征脸”的线性组合，其加权系数即K_L变换的展开系数，即该图象的代数特征。 具体算法如下： 1：X = x1 x2 . xm 其中x1 x2 . Xm是各个训练
2、样本的列向量 2：me = mean(X,2) 求出训练样本的均值图象列向量 3：A = X - me me . me,一：导论,4：可以用两种方法求出本征值和本征向量。1）V,D=eig(A*A) ；2）奇异值分解U,E,V = svd(A,0) 5：求出主成分矩阵P eigVals = diag(E) ；P = U(:,1:Mp) 6:生成训练样本空间 train_wt = P*A,一：导论,7：待识别样本（A2）空间：recog_wt = P*A2 8：利用欧几里得距离进行人脸识别 euDis(i,j) = sqrt(recog_wt(:,j)-train_wt(:,i).2) 在这种识
3、别技术中，2D的人脸图象矩阵必须先转变成1D的图象向量。再转化为高维协方差矩阵求特征值和特征向量。本征矢量在本质上是由协方差矩阵决定的。,9：图象的重建 由于recog_wt = P*A2 （A2为待识别的样本）(P是特征脸子空间的主成分空间) (recog_wt是待识别的样本向特征脸子空间投影后求出的系数向量） 故重建图象A3=P*recog_wt，可以再利用信噪比阈值来判断A3是不是人脸图象,二：2DPCA的思想和算法,1：,2:根据图象的类内散步矩阵和类间散布矩阵，求出图象的最优化投影轴（相当于PCA方法的最大的第一个本征值）。 具体算法如下：,3:图象的特征提取，求出图象样本的特征图象或特征矩阵。,4：通过这种特征提取（即广义K_L变换），对于每付图象都得到一个特征矩阵。这样，就可以用最近邻分类器来进行分类,三：对1DPCA和2DPCA的比较,1：1DPCA把图象矩阵转化为图象向量后， 维数很高，造成运算量大,2DPCA的运算速度就比1DPCA快得多 2:1DPCA无法运用训练样本的类别信息， 即非监督的，而 2DPCA可以运用类别信息。,5：基于 2DPCA的人脸图象的重建，类似于1DPCA的方法,
