PCA(主分量分析)在人脸识别中的应用

最近一直在写人脸识别的代码，暂时先把今天的收获写一下，很快的把前几天的学习和编码收获添加进来。

目前我用的人脸识别的方法是PCA（主分量分析）这是一个很古老的算法（据说是1991年提出来的，有待考证）。该算法有以下优缺点
1）对光线的影响不是很大。与实验结果吻合，在实验时，曾经在关闭所有灯的情况下测试也可以识别出来。
2）受姿势的影响较大，只能达到50%（该结果是根据一个论文上得来的），与我们的实验结果相近。
3）论文上说 受离镜头的远近影响更大，只能识别1/3，但是我们通过一个简单的预处理步骤，把所有的人脸放大到相同的大小，这样的识别率便会比较高。
缺点么，好象识别率需要进一步验证，用于实际中不是很稳定，（当然，使用OrL库来识别时，识别率可以达到95%左右）。
现在进一步需要完善的是，
1）针对于目前应用于实际中的识别率较低，原因可能是出于检测时不太精确，虽然也采取了一种很粗糙的方法（把框住的人脸矩形往里面缩小，使得到的人脸图片近似于ORL库中的图片），相信该方法可以在一定程度上提高识别率。
2）目前所用的特征系数，是把每个人的每张图片的系数分解出来以后，在作一个平均，这种方法虽好，但是不能表示各个不同表情，各个姿势的人，下一步的工作是每个人的每幅图片都保存一个分解系数，识别时依次检索。这样待识别的人脸有可能不近似于这个人的平均脸，但极相似于该人的某一张图片，这样检索效果可能有部分提高），另外此种方法也有弊，待识别的人脸可能近似于另外一个人的某张图片。

下面要写一个关于这方面的论文：
提纲大概如下：
1）PCA算法把高维的信息转化为低维。（对于多个人，维数是否真的会降低？例如48*48的是48^2*48^2维，而对于50个人则是50*50维，维数确实有很大的降低，但是对于2304个人呢？则维数马上又上去了！！！）
2）类内和类间 的差别。在训练集中每个人可能有多个照片，这时如何处理便是一个很大的问题，一种方法就是把求出来的分解系数进行平均，另外一种方法就像前面所说的需要完善的第二个方面。
3)人脸训练出来的数据要进行归一化，在识别之前也要进行归一化。
4）人脸识别的距离判断是欧氏距离，需要进一步的完善。如果有可能的话可以试一试其他方法，诸如SVM(支持向量机）贝叶斯分类器等等。
5）人脸识别的来源是人脸检测的延续，所以需要进一步研究人脸检测的东西，使框下来的人脸大小适中，并且包含主要信息。