机器学习 |
您所在的位置:网站首页 › 人脸识别好处坏处 › 机器学习 |
忆如完整项目/代码详见github:https://github.com/yiru1225(转载标明出处 勿白嫖 star for projects thanks) 目录 系列文章目录 一、PCA的概念与原理 1.PCA简介 2.PCA算法模型 二、PCA运用于人脸识别 1.预处理 1.1 数据导入与处理 1.2 数据集求均值与数据中心化 1.3 求协方差矩阵、特征值与特征向量并排序 2.人脸重构 3.人脸识别 4.人脸图像降维与可视化 5.其他 5.1 内部函数定义 5.2 数据集及资源 总结 系列文章目录本系列博客重点在机器学习的概念原理与代码实践,不包含繁琐的数学推导(有问题欢迎在评论区讨论指出,或直接私信联系我)。 代码可以全抄 大家搞懂原理与流程去复现才是有意义的!!! 第一章 PCA与人脸识别 梗概 本篇博客主要介绍PCA(主成分分析)算法并将PCA用于人脸的重构、识别、图像降维可视化(内附数据集与matlab代码) 一、PCA的概念与原理 1.PCA简介PCA(主成分分析)为主流的一种线性降维算法。以”最小重构误差“为目标导向,通过降维(投影),用数据中相对重要(最主要)的信息表达(代替)原数据,从而达到降维的目的。 2.PCA算法模型经典的PCA解决问题可划分为以下步骤 ① 数据的导入与处理(eg.人脸识别中需要将每一张人脸拉成一列或一行) ② 计算数据均值并对数据中心化 ③ 计算协方差矩阵(散度矩阵) ④ 分解协方差矩阵得到按特征值从大到小排序的特征向量(也可用SVD分解) ⑤ 取出前k个特征向量作为投影,使原数据降维到对应投影方向,实现由原本n维数据降到k维 二、PCA运用于人脸识别 1.预处理Tips:预处理包括数据导入处理、求均值去心化、分解协方差矩阵得到特征向量(特征脸) 1.1 数据导入与处理利用imread批量导入人脸数据库,或直接load相应mat文件,并在导入时不断将人脸拉成一个个列向量组成reshaped_faces,本实验取出每个人的前30%作为测试数据,后70%作为训练数据。 clear; % 1.人脸数据集的导入与数据处理(400张图,一共40人,一人10张) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% reshaped_faces=[]; for i=1:40 for j=1:10 if(i |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |