首页 > fisherface介绍

fisherface介绍

发布时间：2023-08-21 12:58:42 来源：文档文库

小中大

字号：

手机查看

Fisherface算法是将PCA和LDA的特点相结合的一种人脸识别算法。如图所示。
PCA算法的主要思想就是将矩阵分析里的求解特征值和特征向量，对协方差矩阵，找出最主要的特征值（大的特征值，能力聚集），剔除不重要的特征值，保留大特征值对应的特征向量，这样特征向量的个数变少了，也就是线性空间的基个数减少了，当你同一个原始向量投影到这个空间的时候，结果就是一个系数向量，系数向量的维数等于基的个数，这就达到降维的目的。
LDA算法的主要思想是依据Fisher线性判别准则，在一个线性空间中寻找一个向量，把原始向量投影上去能够达到区分不同类的效果，就是类内和类间比值最小。

主要方法是使得同类模式的样本密集，不同类的模式的样本分开。通过FISHER判别准则函数取极值的条件下，采用最优鉴别平面，使得样本向量类间散度最大且类内散度最小
特征脸图像反映的是原始模式变化最大的成分，以使得图像重建后的均方误差最小，因此，特征脸方法受照明条件等与人脸识别无关的因素影响较大。而Fisher线性判别分析利用了类成员信息并抽取了一个特征向量集，该特征向量集强调的是不同人脸的差异而不是照明条件、人脸表情和方向的变化。因此，采用Fisherface方法对人脸进行识别对光照、人脸姿态的变化更不敏感，有助于提高识别效果。
基于LDA的方法直接在各个类间进行判别式分析，试图找到使得同一类的样本尽可能地靠近，而不同类的样本尽可能地分开的投影方向，而基于PCA的方法确没有太多地关注类间的结构。而是把原始数据库作为一个整体来进行独立主元分析。

数据从原始人脸空间转化到特征空间中去的同时保持原始人脸空间数据的绝大部分特征。PCA算法处理的原始数据的整体灰度值信息，从中提取出主要的特征信息以供识别，而没有去考虑原始图像潜在的分类结构信息。LDA算法则在处理原始图像数据的同时，考虑了原始图像中不同类别之间的分类特征，并在此基础上实现数据从原始人脸空间向特征空间的转化。因此，将LDA方法和PCA方法融合起来进行人脸识别和鉴别，取长补短就形成了FISHERFACE方法。

本文来源：https://www.2haoxitong.net/k/doc/a2c8fe9b59eef8c75ebfb336.html