matlab - 面部图像中的相关特征向量？

Question

我正在使用 PCA 进行人脸识别。我已经获得了每个图像的特征向量/特征脸，这是一个列矩阵。我想知道是否选择前三个特征向量，因为它们对应的特征值占总方差的 70%，是否足以进行人脸识别？

Answer 1

首先，让我们弄清楚一些事情。特征向量是根据整个数据集形成的协方差矩阵计算得出的，即，将人脸的每个灰度图像 reshape 为单列并将​​其视为 R^d 空间中的一个点，从中计算协方差矩阵并计算特征向量协方差矩阵。这些特征向量成为你的人脸图像空间的新基础。您没有每个图像的特征向量。相反，您通过投影到特征向量(可能的子集)来表示每个人脸图像。

特征脸的局限性

至于在这个新基础下您的人脸图像的表示是否足以进行人脸识别，取决于许多因素。但总的来说，特征脸方法对于真实世界的无约束人脸表现不佳。它仅适用于按像素对齐、面向正面且图像中光照条件相当均匀的人脸。

越多不一定越好

虽然人们普遍认为(在使用 PCA 时)保留更多方差总比保留更少更好，但由于以下两个因素，事情要复杂得多:1) 现实世界数据中的噪声和 2) 数据的维数。有时投影到较低的维度并损失方差实际上可以产生更好的结果。

结论

因此，我的回答是很难说事先保留一定量的方差是否足够。维数(以及因此保留的特征向量数和保留的相关方差)应由交叉验证确定。但最终，正如我上面提到的，除非你有一个“不错”的数据集，否则特征脸并不是人脸识别的好方法。使用“Fisherfaces”(即面部图像上的 LDA)或将这些方法与局部二进制模式 (LBP) 作为特征(而不是原始面部像素)结合使用可能会稍微好一些。但严重的是，人脸识别是一个难题，一般来说，最先进的技术还没有达到可以部署到现实世界系统中的阶段。