您的位置： &
Eigenface和Fisherface用于人脸识别的性能比较
优质期刊推荐8574人阅读
计算机视觉（7）
Fisherface是由Ronald Fisher发明的，想必这就是Fisherface名字由来。Fisherface所基于的LDA（Linear Discriminant Analysis，线性判别分析）理论和里用到的有相似之处，都是对原有数据进行整体降维映射到低维空间的方法，LDA和PCA都是从数据整体入手而不同于LBP提取局部纹理特征。如果阅读本文有难度，可以考虑自学斯坦福公开课机器学习或者补充线代等数学知识。
同时作者要感谢cnblogs上的大牛JerryLead，本篇博文基本摘自他的线性判别分析（Linear Discriminant Analysis）[1]。
1、数据集是二类情况
通常情况下，待匹配人脸要和人脸库内的多张人脸匹配，所以这是一个多分类的情况。出于简单考虑，可以先介绍二类的情况然后拓展到多类。假设有二维平面上的两个点集x（x是包含横纵坐标的二维向量），它们的分布如下图（1）（分别以蓝点和红点表示数据）：
原有数据是散布在平面上的二维数据，如果想用一维的量（比如到圆点的距离）来合理的表示而且区分开这些数据，该怎么办呢？一种有效的方法是找到一个合适的向量w（和数据相同维数），将数据投影到w上（会得到一个标量，直观的理解就是投影点到坐标原点的距离），根据投影点来表示和区分原有数据。以数学公式给出投影点到到原点的距离：y=wTx。图（1）给出了两种w方案，w以从原点出发的直线来表示，直线上的点是原数据的投影点。直观判断右侧的w更好些，其上的投影点能够合理的区分原有的两个数据集。但是计算机不知道这些，所以必须要有确定的方法来计算这个w。
首先计算每类数据的均值（中心点）：
这里的i是数据的分类个数，Ni代表某个分类下的数据点数，比如u1代表红点的中心，u2代表蓝点的中心。
数据点投影到w上的中心为：
如何判断向量w最佳呢，可以从两方面考虑：1、不同的分类得到的投影点要尽量分开；2、同一个分类投影后得到的点要尽量聚合。从这两方面考虑，可以定义如下公式：
J(w)代表不同分类投影中心的距离，它的值越大越好。
上式称之为散列值（scatter matrixs），代表同一个分类投影后的散列值，也就是投影点的聚合度，它的值越小代表投影点越聚合。
结合两个公式，第一个公式做分子另一个做分母：
上式是w的函数，值越大w降维性能越好，所以下面的问题就是求解使上式取最大值的w。
把散列函数展开：
可以发现除w和w^T外，剩余部分可以定义为：
其实这就是原数据的散列矩阵了，对不对。对于固定的数据集来说，它的散列矩阵也是确定的。
另外定义：
Sw称为Within-class scatter matrix。
回到并用上面的两个定义做替换，得到：
展开J(w)的分子并定义SB，SB称为Between-class scatter。
这样就得到了J(w)的最终表示：
上式求极大值可以利用，不过需要限定一下分母的值，否则分子分母都变，怎么确定最好的w呢。可以令，利用拉格朗日乘数法得到：
其中w是矩阵，所以求导时可以把当做。（这点我也不懂）
上式两边同乘以可以得到：
可以发现w其实就是矩阵的特征向量了对不对。
通过上式求解w还是有些困难的，而且w会有多个解，考虑下式：
将其带入下式：
其中λw是以w为变量的数值，因为(u1-u2)^T和w是相同维数的，前者是行向量后者列向量。继续带入以前的公式：
由于w扩大缩小任何倍不影响结果，所以可以约去两遍的未知常数λ和λw（存疑）：
到这里，w就能够比较简单的求解了。
2、数据集是多类的情况
这部分是本博文的核心。假设有C个人的人脸图像，每个人可以有多张图像，所以按人来分，可以将图像分为C类，这节就是要解决如何判别这C个类的问题。判别之前需要先处理下图像，将每张图像按照逐行逐列的形式获取像素组成一个向量，和第一节类似设该向量为x，设向量维数为n，设x为列向量（n行1列）。
和第一节简单的二维数据分类不同，这里的n有可能成千上万，比如100x100的图像得到的向量为10000维，所以第一节里将x投影到一个向量的方法可能不适用了，比如下图：
平面内找不到一个合适的向量，能够将所有的数据投影到这个向量而且不同类间合理的分开。所以我们需要增加投影向量w的个数（当然每个向量维数和数据是相同的，不然怎么投影呢），设w为：
w1、w2等是n维的列向量，所以w是个n行k列的矩阵，这里的k其实可以按照需要随意选取，只要能合理表征原数据就好。x在w上的投影可以表示为：
所以这里的y是k维的列向量。
像上一节一样，我们将从投影后的类间散列度和类内散列度来考虑最优的w，考虑图（2）中二维数据分为三个类别的情况。与第一节类似，μi依然代表类别i的中心，而Sw定义如下：
代表类别i的类内散列度，它是一个nxn的矩阵。
所有x的中心μ定义为：
类间散列度定义和上一节有较大不同：
代表的是每个类别到μ距离的加和，注意Ni代表类别i内x的个数，也就是某个人的人脸图像个数。
上面的讨论都是投影之间的各种数据，而J(w)的计算实际是依靠投影之后数据分布的，所以有：
分别代表投影后的类别i的中心，所有数据的中心，类内散列矩阵，类间散列矩阵。与上节类似J(w)可以定义为：
回想我们上节的公式J(w)，分子是两类中心距，分母是每个类自己的散列度。现在投影方向是多维了（好几条直线），分子需要做一些改变，我们不是求两两样本中心距之和（这个对描述类别间的分散程度没有用），而是求每类中心相对于全样本中心的散列度之和。得到：
最后化为：
还是求解矩阵的特征向量，然后根据需求取前k个特征值最大的特征向量。
另外还需注意：
由于SB中的（μi-μ）秩为1，所以SB的至多为C（矩阵的秩小于等于各个相加矩阵的和）。又因为知道了前C-1个μi后，最后一个μc可以用前面的μi来线性表示，因此SB的秩至多为C-1，所以矩阵的特征向量个数至多为C-1。因为C是数据集的类别，所以假设有N个人的照片，那么至多可以取到N-1个特征向量来表征原数据。（存疑）
如果你读过前面的一篇文章，会知道PCA里求得的特征向量都是正交的，但是这里的并不是对称的，所以求得的K个特征向量不一定正交，这是LDA和PCA最大的不同。
如前所述，如果在一个人脸集合上求得k个特征向量，还原为人脸图像的话就像下面这样：
得到了k个特征向量，如何匹配某人脸和数据库内人脸是否相似呢，方法是将这个人脸在k个特征向量上做投影，得到k维的列向量或者行向量，然后和已有的投影求得欧式距离，根据阈值来判断是否匹配。具体的方法在里有，可前往查看。需要说明的是，LDA和PCA两种方法对光照都是比较敏感的，如果你用光照均匀的图像作为依据去判别非均匀的，那基本就惨了。
参考文献：
[1]Jerry Lead&
[2]http://docs.opencv.org/modules/contrib/doc/facerec/facerec_tutorial.html
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：102867次
积分：1382
积分：1382
排名：千里之外
原创：17篇
评论：105条
(1)(4)(8)(2)(1)(1)(3)(2)8576人阅读
计算机视觉（7）
Fisherface是由Ronald Fisher发明的，想必这就是Fisherface名字由来。Fisherface所基于的LDA（Linear Discriminant Analysis，线性判别分析）理论和里用到的有相似之处，都是对原有数据进行整体降维映射到低维空间的方法，LDA和PCA都是从数据整体入手而不同于LBP提取局部纹理特征。如果阅读本文有难度，可以考虑自学斯坦福公开课机器学习或者补充线代等数学知识。
同时作者要感谢cnblogs上的大牛JerryLead，本篇博文基本摘自他的线性判别分析（Linear Discriminant Analysis）[1]。
1、数据集是二类情况
通常情况下，待匹配人脸要和人脸库内的多张人脸匹配，所以这是一个多分类的情况。出于简单考虑，可以先介绍二类的情况然后拓展到多类。假设有二维平面上的两个点集x（x是包含横纵坐标的二维向量），它们的分布如下图（1）（分别以蓝点和红点表示数据）：
原有数据是散布在平面上的二维数据，如果想用一维的量（比如到圆点的距离）来合理的表示而且区分开这些数据，该怎么办呢？一种有效的方法是找到一个合适的向量w（和数据相同维数），将数据投影到w上（会得到一个标量，直观的理解就是投影点到坐标原点的距离），根据投影点来表示和区分原有数据。以数学公式给出投影点到到原点的距离：y=wTx。图（1）给出了两种w方案，w以从原点出发的直线来表示，直线上的点是原数据的投影点。直观判断右侧的w更好些，其上的投影点能够合理的区分原有的两个数据集。但是计算机不知道这些，所以必须要有确定的方法来计算这个w。
首先计算每类数据的均值（中心点）：
这里的i是数据的分类个数，Ni代表某个分类下的数据点数，比如u1代表红点的中心，u2代表蓝点的中心。
数据点投影到w上的中心为：
如何判断向量w最佳呢，可以从两方面考虑：1、不同的分类得到的投影点要尽量分开；2、同一个分类投影后得到的点要尽量聚合。从这两方面考虑，可以定义如下公式：
J(w)代表不同分类投影中心的距离，它的值越大越好。
上式称之为散列值（scatter matrixs），代表同一个分类投影后的散列值，也就是投影点的聚合度，它的值越小代表投影点越聚合。
结合两个公式，第一个公式做分子另一个做分母：
上式是w的函数，值越大w降维性能越好，所以下面的问题就是求解使上式取最大值的w。
把散列函数展开：
可以发现除w和w^T外，剩余部分可以定义为：
其实这就是原数据的散列矩阵了，对不对。对于固定的数据集来说，它的散列矩阵也是确定的。
另外定义：
Sw称为Within-class scatter matrix。
回到并用上面的两个定义做替换，得到：
展开J(w)的分子并定义SB，SB称为Between-class scatter。
这样就得到了J(w)的最终表示：
上式求极大值可以利用，不过需要限定一下分母的值，否则分子分母都变，怎么确定最好的w呢。可以令，利用拉格朗日乘数法得到：
其中w是矩阵，所以求导时可以把当做。（这点我也不懂）
上式两边同乘以可以得到：
可以发现w其实就是矩阵的特征向量了对不对。
通过上式求解w还是有些困难的，而且w会有多个解，考虑下式：
将其带入下式：
其中λw是以w为变量的数值，因为(u1-u2)^T和w是相同维数的，前者是行向量后者列向量。继续带入以前的公式：
由于w扩大缩小任何倍不影响结果，所以可以约去两遍的未知常数λ和λw（存疑）：
到这里，w就能够比较简单的求解了。
2、数据集是多类的情况
这部分是本博文的核心。假设有C个人的人脸图像，每个人可以有多张图像，所以按人来分，可以将图像分为C类，这节就是要解决如何判别这C个类的问题。判别之前需要先处理下图像，将每张图像按照逐行逐列的形式获取像素组成一个向量，和第一节类似设该向量为x，设向量维数为n，设x为列向量（n行1列）。
和第一节简单的二维数据分类不同，这里的n有可能成千上万，比如100x100的图像得到的向量为10000维，所以第一节里将x投影到一个向量的方法可能不适用了，比如下图：
平面内找不到一个合适的向量，能够将所有的数据投影到这个向量而且不同类间合理的分开。所以我们需要增加投影向量w的个数（当然每个向量维数和数据是相同的，不然怎么投影呢），设w为：
w1、w2等是n维的列向量，所以w是个n行k列的矩阵，这里的k其实可以按照需要随意选取，只要能合理表征原数据就好。x在w上的投影可以表示为：
所以这里的y是k维的列向量。
像上一节一样，我们将从投影后的类间散列度和类内散列度来考虑最优的w，考虑图（2）中二维数据分为三个类别的情况。与第一节类似，μi依然代表类别i的中心，而Sw定义如下：
代表类别i的类内散列度，它是一个nxn的矩阵。
所有x的中心μ定义为：
类间散列度定义和上一节有较大不同：
代表的是每个类别到μ距离的加和，注意Ni代表类别i内x的个数，也就是某个人的人脸图像个数。
上面的讨论都是投影之间的各种数据，而J(w)的计算实际是依靠投影之后数据分布的，所以有：
分别代表投影后的类别i的中心，所有数据的中心，类内散列矩阵，类间散列矩阵。与上节类似J(w)可以定义为：
回想我们上节的公式J(w)，分子是两类中心距，分母是每个类自己的散列度。现在投影方向是多维了（好几条直线），分子需要做一些改变，我们不是求两两样本中心距之和（这个对描述类别间的分散程度没有用），而是求每类中心相对于全样本中心的散列度之和。得到：
最后化为：
还是求解矩阵的特征向量，然后根据需求取前k个特征值最大的特征向量。
另外还需注意：
由于SB中的（μi-μ）秩为1，所以SB的至多为C（矩阵的秩小于等于各个相加矩阵的和）。又因为知道了前C-1个μi后，最后一个μc可以用前面的μi来线性表示，因此SB的秩至多为C-1，所以矩阵的特征向量个数至多为C-1。因为C是数据集的类别，所以假设有N个人的照片，那么至多可以取到N-1个特征向量来表征原数据。（存疑）
如果你读过前面的一篇文章，会知道PCA里求得的特征向量都是正交的，但是这里的并不是对称的，所以求得的K个特征向量不一定正交，这是LDA和PCA最大的不同。
如前所述，如果在一个人脸集合上求得k个特征向量，还原为人脸图像的话就像下面这样：
得到了k个特征向量，如何匹配某人脸和数据库内人脸是否相似呢，方法是将这个人脸在k个特征向量上做投影，得到k维的列向量或者行向量，然后和已有的投影求得欧式距离，根据阈值来判断是否匹配。具体的方法在里有，可前往查看。需要说明的是，LDA和PCA两种方法对光照都是比较敏感的，如果你用光照均匀的图像作为依据去判别非均匀的，那基本就惨了。
参考文献：
[1]Jerry Lead&
[2]http://docs.opencv.org/modules/contrib/doc/facerec/facerec_tutorial.html
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：102869次
积分：1382
积分：1382
排名：千里之外
原创：17篇
评论：105条
(1)(4)(8)(2)(1)(1)(3)(2)&&&&基于LDA(fisherface)和KNN的人脸识别（matlab)
基于LDA(fisherface)和KNN的人脸识别（matlab)
基于LDA(fisherface)和KNN的人脸识别
经典的fisherface算法（PCA+LDA)，人脸识别入门
分类器采用KNN
matlab实现，内附ORL人脸训练库
若举报审核通过，可奖励20下载分
被举报人：
emiyasstar__
举报的资源分：
请选择类型
资源无法下载
资源无法使用
标题与实际内容不符
含有危害国家安全内容
含有反动色情等内容
含广告内容
版权问题，侵犯个人或公司的版权
*详细原因：
VIP下载&&免积分60元/年（1200次）
您可能还需要
课程资源下载排行谁能帮我运行一下这个人脸识别的代码 。Matlab的代码，急需啊！把运行的数据和运行结果截图给我，谢谢！_百度知道
谁能帮我运行一下这个人脸识别的代码 。Matlab的代码，急需啊！把运行的数据和运行结果截图给我，谢谢！
要帮忙的把邮箱留下
我把程序给你！谢谢
提问者采纳
程序运行后首先提示将TestDatabase,imshow(SelectedImage):&#39.jpg" target="_blank" title="点击查看大图" class="ikqb_img_alink"><img class="ikqb_img" src="http,num_lines.),&#39, ProjectedImages_Fisher).baidu,&#39;num_lines= 1; &#39;Test Image&#39.com/zhidao/wh%3D450%2C600/sign=6eb9d168aee98b9/bf096b63fa96ce9f81a4c510fa23c;Enter test image name (a number between 1 to 10);SelectedImage = strcat(TrainDatabasePimshow(im)title(&#39;prompt = {&#39, m.SelectedImage = imread(SelectedImage).M;,dlg_title://a;TestImage = /zhidao/wh%3D450%2C600/sign=d31014afeb5d0c/267f9e2fd3c70cba99ac8;im = imread(TestImage);\&#39, &#39，TrainDatabase两个文件夹添加到路径中然后提示从TestDatabase中随便选择一张图片;), V_PCA;Select test database path&#39.).dlg_title = &#39;OutputName = Recognition(TestI\work&#39sh.hiphotos.jpg&#39;);Input of FLD-Based Face Recognition System&#39,char(TestImage);\work&#39.Equivalent Image&#39;.jpg" />程序挑出来的图片主程序代码如下://b:&nbsp,OutputName), V_Fdef = {&#39，程序会从TrainDatabase中选出与刚才所选相同的图片效果如下手选图片
其他类似问题
为您推荐：
matlab的相关知识
其他1条回答
只是运行吗？不会很复杂的话我来试试，我的是笔记本
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁}