**PCA主元分析法小结(人脸识别概述性)

    下面具体来说PCA算法在人脸识别中的算法流程&＃xff0c;前提&＃xff1a;有一个训练图集&＃xff0c;里面放着同一个人的脸&＃xff08;对齐过的&＃xff09;&＃xff0c;并且每张图长宽的像素点都相同&＃xff08;比如160*120&＃xff09;&＃xff1b;有一个测试图集&＃xff0c;里面放着待测图像&＃xff0c;待测图像的长宽像素点与训练图集一样。

    PCA的算法流程是&＃xff1a;

    一、训练流程

    S1&＃xff1a;构筑训练图像矩阵&＃xff1a;将每一张人脸图张开成一维行向量&＃xff08;也可以是列向量&＃xff0c;但以下的计算都是用行向量&＃xff09;&＃xff0c;训练集中所有图像组成一个训练图像矩阵&＃xff0c;每一个行向量代表一张图。

    S2&＃xff1a;计算平均脸、协方差矩阵&＃xff1a;平均脸就是将所有的行向量求平均得到的一个平均的行向量&＃xff0c;将每张脸向量按下面公式计算得到协方差矩阵。

    S3&＃xff1a;计算协方差矩阵的特征值与特征向量&＃xff0c;取前r大的特征值对应的特征向量构成r维特征空间&＃xff0c;r

    S4&＃xff1a;按照下面公式将训练图集矩阵的每个行向量向特征空间投影&＃xff0c;为每一张图得到投影后的r维向量&＃xff0c;这就是降维后的每张图的特征向量了。

    二、识别流程&＃xff1a;

    S1&＃xff1a;保留训练流程中的平均脸与特征空间。

    S2&＃xff1a;构筑测试图像矩阵&＃xff0c;与训练流程中的一样。

    S3&＃xff1a;将测试图像矩阵中的每一行按照训练流程s4中的公式向特征空间投影&＃xff0c;得到每张图像矩阵的特征向量。

    S4&＃xff1a;根据投影后的特征向量与特征空间重建图像&＃xff0c;计算原图像与重建后的图像间的距离。

    S5&＃xff1a;判断是否是人脸&＃xff1a;设定阈值&＃xff0c;如果原图像与重建后的图像间的距离小于阈值&＃xff0c;则判断为人脸&＃xff0c;继续s6&＃xff0c;否则判否&＃xff0c;识别结束。

    S6&＃xff1a;识别是否是特定人&＃xff1a;设定阈值&＃xff0c;并计算测试图像特征向量与所有训练图像特征向量间的欧氏距离&＃xff0c;取最小的距离&＃xff0c;如果最小距离小于阈值&＃xff0c;则识别接受&＃xff0c;否者就拒绝接受。

    正如题目所示&＃xff0c;这篇文章只是概述性的小结&＃xff0c;说的很简单&＃xff0c;以功能与算法流程为主&＃xff0c;很多原理与细节没有展开&＃xff0c;要想深入了解的&＃xff0c;可以参考下面的文献&＃xff1a;

    关于PCA算法原理理解的&＃xff1a;

    《Eigenfaces for Recognition》——本文的公式都来自本论文&＃xff0c;并没有仔细标明&＃xff0c;具体参考这篇论文。

    《基于PCA针对表情变化的人脸识别技术研究》

    http://leen2010.blogbus.com/logs/124631640.html

    用OPENCV编程实现PCA算法的&＃xff1a;

    http://apps.hi.baidu.com/share/detail/34585074

   附&＃xff1a;

                                                                             OPENCV中的PCA使用(转)