java - OpenImaj 教程和 EigenFaces

Question

我不知道这是否是相关论坛，但我一直在这里关注本教程:

http://www.openimaj.org/tutorial/eigenfaces.html

出于某种原因，这对我来说还不够清楚。有些事情我不明白。它曾经说过，

实现特征脸识别器的第一步是使用训练图像来学习 PCA 基础，我们将使用该基础将图像投影为可用于识别的特征。 EigenImages 类需要一个图像列表来学习基础(即来自每个人的所有训练图像)，并且还需要知道我们希望我们的特征有多少个维度(即对应于最大的特征向量有多少个)要保留的特征值):

它会编写这段代码:

List<FImage> basisImages = DatasetAdaptors.asList(training);
int nEigenvectors = 100;
EigenImages eigen = new EigenImages(nEigenvectors);
eigen.train(basisImages);

所以我不明白。 train() 方法训练到底是什么？据我所知，这只是应用 PCA 对吗？在我看来，训练总是与感知器或另一个神经网络或带有参数的算法相关。

我还需要一些帮助来理解练习 13.1.1，

13.1.1。练习 1:重建面部

特征脸算法(特别是从 PCA 过程)提取的特征的一个有趣特性是，可以根据特征重建原始图像的估计。尝试通过如上所述构建 PCA 基础来实现此目的，然后从测试集中提取随机选择的人脸的特征。使用 EigenImages#reconstruct() 将特征转换回图像并显示它。您需要对图像进行标准化 (FImage#normalise()) 以确保其正确显示，因为重建可能会给出大于 1 或小于 0 的像素值。

在示例中，有一些代码已经提取了特征:

    Map<String, DoubleFV[]> features = new HashMap<String, DoubleFV[]>();
    for (final String person : training.getGroups()) {
        final DoubleFV[] fvs = new DoubleFV[nTraining];

        for (int i = 0; i < nTraining; i++) {
            final FImage face = training.get(person).get(i);
            fvs[i] = eigen.extractFeature(face);
        }
        features.put(person, fvs);
    }

所以如果我这样称呼:

eigen.reconstruct(fvs[i]).normalise() -> 返回一个我可以显示的图像，它看起来像一张正常的脸，但尺寸确实很小(这正常吗？ )。

应该这样做吗？

谢谢。

Answer 1

对于第一个问题

PCA 有两个阶段:

1. 学习(“训练”)将数据投影到低维空间的线性变换。这样做的方式是，变换空间中的第一个轴(主轴)位于“训练”数据中方差最高的方向；第二轴位于与第一轴成直角的最大方差方向；等等。
2. 将学习到的变换应用于数据(“投影”数据)以降低其维度。

您会发现的大多数 PCA 描述都假设您有一些数据，并且您只想降低其维度。更具体地，假设两个步骤中的数据相同。然而，情况并非一定如此。您可以对代表性数据样本执行步骤 1 以学习转换，然后将步骤 2 应用于不同的数据(尽管为了使结果有意义，该数据应该来自同一总体)。

对于特征脸，您可以从部分或全部“训练”人脸数据中学习 PCA 变换，然后使用该变换投影所有训练数据并训练监督分类器。当您想要测试系统时，您可以使用学习到的 PCA 变换将以前未见过的数据项投影到低维空间中，然后将其传递给分类器。

对于第二个问题

eigen.reconstruct(fvs[i]).normalise() 是正确的方法。重建的图像将具有与用于训练/测试的所有图像相同的尺寸(特征脸方法的限制是所有输入必须具有相同的尺寸)。在本教程中，AT&T 人脸数据集由分辨率相对较低的图像(92x112 像素)组成。