PCA算法及其在人脸识别上的应用
来源:互联网 发布:js的本地对象 编辑:程序博客网 时间:2024/05/22 05:19
PCA,也即主成份分析,主要用于特征的降维。
高维数据中包含了大量的冗余并隐藏了重要关系的相关性,降维的目的就是消除冗余,减少被处理数据的数量。
PCA其实就是寻找最小均方意义下,最能代表原始数据的投影方法。
基于PCA的人脸识别步骤:
假设有n幅人脸图像(100*100),也即样本大小为n,这n个样本分属c类,也即c个人。
为第i个样本,它是10000维的列向量,假设要将这10000维的列向量降维到k=99维。
① 分别将每幅图像数据依次按列头尾相连生成列向量;
② 计算训练样本协方差矩阵:
u为所有样本(n个)的均值,是一个10000维的列向量。
③ 求解协方差矩阵的特征根:
;
④ 获得投影矩阵W:
如果要投影到k维的空间,只需要选出k个最大的特征值对应的特征向量组成投影矩阵W:
,W为10000*k。
⑤ 将训练样本中的每个样本通过变换矩阵W投影到低维空间,投影后的向量y:,y为k*1;
⑥ 将测试样本通过变换矩阵W投影到低维空间:,利用欧式距离下的最近邻分类器进行分类识别。
PCA的缺点:PCA将所有的样本作为一个整体对待,去寻找一个均方误差最小意义下的投影矩阵,而忽略了类别属性,而它所忽略的投影方向有可能刚好包含了重要的可分性信息。
2 0
- PCA算法及其在人脸识别上的应用
- LDA及其在人脸识别上的应用
- pca在人脸识别中的应用
- 基于PCA的人脸识别算法
- PCA算法及其应用
- LBP算法的研究及其在人脸识别中的应用
- PCA(主分量分析)在人脸识别中的应用
- PCA(主分量分析)在人脸识别中的应用
- 【基于PCA的人脸识别算法】从QR分解到PCA,再到人脸识别
- 第12节--支持向量机(SVM)算法在人脸识别上的应用
- 支持向量机(SVM)算法在人脸识别上的应用
- 利用Python实现基于PCA算法的人脸识别
- matlab实现基于PCA的人脸识别算法
- PCA原理及人脸识别应用
- 人脸识别中的PCA算法
- pca算法实现人脸识别
- 基于PCA的人脸识别系统(JAVA版)(一) OpenCV在JAVA上的环境配置
- 模式识别(5)K-L变换和PCA在人脸识别中的应用
- dynamic web module和对应的TOMCAT 版本
- Differences from OpenCL 1.1 to 1.2
- 如何查看Linux操作系统版本
- TD-LTE相关缩略语中英文对照
- IA-32 汇编
- PCA算法及其在人脸识别上的应用
- 利用C#进行AutoCAD的二次开发(一)
- 用GDB调试程序(六)
- 源码中存在中文导致warnning
- 2014-04-08 星期二 总结
- Explain 语法翻译版
- Sort Colors
- mysql安装之 mysql-advanced-5.6.16-win32(绿色版)只需要一下包就搞定mysql。
- operator两个简易用法