奇异值分解和改进PCA的视频人脸检索方法
SVD(奇异值分解)在人脸识别中的应用
+…+а
u v 1n 1 n
T
+а
u v 21 2 1
T
+…+а
u v 2u v m1 m 1
T
+…+а
u v mn m n
T
(2) 根据式(2)容易得出以下的定理 2。 【定理 2】对任意一个人脸图像 A∊Rm×n ，设 U∊Rm×m ，V∊Rn×n 分别是图像 A 奇异值分解 时对应的左右正交阵，则矩阵 u1 v1 T ，…，um vn T 是矩阵空间Rm×n 中的一组最大线性无关组
的大小为 112×92，该库包含了不同时间，不同视角，不同表情(闭眼、睁眼、微笑、吃惊、 生气、愤怒、高兴)和不同脸部细节(戴眼镜、没戴眼镜、有胡子、没胡子、不同发型)的条件 下拍摄的，数据库部分人脸图像如图 2 所示。
图 2 ORL 部分人脸图像
在 ORL 每类训练样本取 5，对应的测试样本分别取 5，训练样本和测试样本各为 200。 由于类别数为 40，Fisherface 与文中方法所能抽取的最大有效特征数为 39，文中抽取投影系 数矩阵左上角的区域参数 k=7。图 3 为采用传统 SVD(方法 1)、cheng[3](方法 2)、Liang(方法 3)、Fisherface(方法 4)和本文方法(方法 5)识别率随特征维数变化的曲线图。从实验结果可以 看出，方法 1 的识别率最低，其最高识别率仅为 63．5％(特征 39 维)。同时看出方法 2 的识 别率也较低，平均识别率维持在 66％左右，可见方法 2 在较大数据库识别率并不高。我们 认为这是由于方法 1、2 采用奇异值分解固有的缺陷造成的。方法 3 的在 ORL 库上的识别率 优于 Fisherface，但低于文中方法，这是由于文中方法较方法 3 有效地增加的类别信息。需 要指出的是方法 3 还可以抽取更高维的特征，但其识别率并没有显著增加，试验显示，当抽 取特征高达 17x17=289 时，方法 3 的识别率为 92％。方法 5 的识别率全面高于其它 4 种方 法，其最高识别率达 94．5％(特征 34 维)，而且当特征维数为 10 时，识别率就达到 92％。
对运用2DPCA技术进行人脸识别的简介
对运用2DPCA技术进行人脸识 别的简介
指导老师：彭进业 报告人：邓楠 时间：2005。5。25
一：导论
PCA技术(基于K_L变换)，即主要成分分 析，是一种经典的特征提取和数据表示 技术，广泛用于模式识别和计算机视觉 的领域中。在基于PCA的人脸识别中， 2D的人脸图象矩阵首先先转变成1D的图 象向量，然后再利用均值图象得到协方 差矩阵，求出此矩阵的特征值和相应的 正交归一化特征向量即特征脸。这样，
二：2DPCA的思想和算法
1：
2:根据图象的类内散步矩阵和类间散布 矩阵，求出图象的最优化投影轴（相当 于PCA方法的最大的第一个本征值）。 具体算法如下：
3:图象的特征提取，求出图象样本的特 征图象或特征矩阵。
4：通过这种特征提取（即广义K_L变 换），对于每付图象都得到一个特征矩 阵。这样，就可以用最近邻分类器来进 行分类
一：导论
4：可以用两种方法求出本征值和本征向 量。1）[V,D]=eig(A*A‘) ；2）奇异值分 解[U,E,V] = svd(A,0) 5：求出主成分矩阵P
eigVals = diag(E) ；P = U(:,1:Mp) 6:生成训练样本空间 train_wt = ：recog_wt = P'*A2 8：利用欧几里得距离进行人脸识别
一：导论
任何一副人脸图像都可以表示成这组 “特征脸”的线性组合，其加权系数即 K_L变换的展开系数，即该图象的代数特 征。 具体算法如下：
1：X = [x1 x2 ... xm]
基于PCA、LDA和DLDA算法的人脸识别
基于PCA、 LDA和DLDA算法的人脸识别武汉理工大学信息工程学院 申俊杰【摘要】近年来，人脸识别的技术越来越成熟，但在复杂环境下准确识别人脸还需要进行研究。
本文由浅入深，分别介绍了PCA 、 LDA 和2LDA 算法的人脸识别。
并通过MATLAB 对LDA 和2LDA 算法进行仿真，比较了它们的成功率和适用条件。
【关键词】人脸识别；LDA ；PCA ；2DLDA ；K-L 变换；GUI1.PCA 算法原理与实现人脸识别中主要分量分析（PCA ）是一个普遍使用的技术，首先它将一张图像的每一列的向量首尾相连，构成一个维列向量，然后转置。
将L个图像的维列向量组成人脸样本矩阵，表示为：（1）训练样本的协方差矩阵为：（2）式中mf 是所有训练样本的平均值向量（所有样本的平均脸）式可进一步化简为：（3）对（3）式中的矩阵进行特征值和特征向量的求解，并SVD 奇异值分解，构造出最终的人脸投影空间：（4）将Vi 化为矩阵，则可以得到特征脸。
2.LDA算法原理及实现LDA 的核心思想之一是在平面内找一个合适的向量，将所有的数据投影到这个向量而且不同类间合理的分开。
因为图片的特征值有很多，相当于是多维的，所以我们需要增加投影向量w 的个数，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即可。
x 在w 上的投影可以表示为：(3-1)所以这里的y 是k 维的列向量。
这样我们就可以把多维空间中的特征值降维到一维空间从投影后的类间散列度和类内散列度来考虑最优的w ，可用μi 代表类别i 的中心，将类间距离定义为Sb 较大，类内距离定义为Sw 。
为了让每个类（相当于每张图片）直接的特征值尽量少的有重叠，需要让类与类之间的距离大，而一个类内部之间的距离紧凑。
因此我们可以定义：（3）可以化简为：（4）因为Sw 要尽量小，而Sb 要尽量大，因此可以找到合适的W 让 J(w)尽可能大。
奇异值矩阵分解算法改进设计与应用效果分析
奇异值矩阵分解算法改进设计与应用效果分析1.引言奇异值矩阵分解（Singular Value Matrix Factorization, SVD）是一种常用的矩阵分解算法，被广泛应用于推荐系统、图像压缩、自然语言处理等领域。
然而，在实际应用中，原始的SVD算法存在一些限制，如计算复杂度较高、容易产生过拟合等问题。
为了克服这些限制，研究者们提出了一系列的改进设计，本文将对这些改进进行分析，并评估其在实际应用中的效果。
2.奇异值矩阵分解算法2.1 基本原理SVD算法通过将矩阵分解为三个矩阵的乘积，实现对原始矩阵的降维和特征提取。
具体而言，对于一个m×n的矩阵A，SVD将其分解为U、S和V三个矩阵的乘积，即A=USV^T，其中U和V是正交矩阵，S是对角矩阵。
S的对角元素称为奇异值，表示矩阵A在对应的特征向量方向上的重要性。
2.2 算法流程传统的SVD算法主要包括以下几个步骤：（1）计算A^TA的特征向量和特征值，得到V；（2）计算AA^T的特征向量和特征值，得到U；（3）将A进行奇异值分解，得到S。
3.算法改进设计3.1 隐式反馈数据处理在许多应用场景中，用户对物品的喜好往往是隐式的，例如用户的点击、观看历史等。
传统的SVD算法无法直接利用这些隐式反馈数据，因此研究者们提出了一系列的改进方法，如隐反馈矩阵分解（Implicit Matrix Factorization, IMF）算法。
IMF算法通过将隐式反馈数据转化为正态分布的隐式评分进行计算，从而提升了推荐系统的性能。
3.2 正则化项引入SVD算法容易受到过拟合的影响，为了解决这个问题，研究者们引入了正则化项。
正则化项可以限制模型的复杂度，防止过拟合的发生。
常用的正则化项有L1正则化和L2正则化，通过最小化正则项与损失函数的和来求解优化问题，达到控制模型复杂度的目的。
3.3 基于深度学习的改进近年来，深度学习在推荐系统领域取得了巨大的成功。
基于奇异值与特征融合矩阵的自适应人脸识别
Computer Engineering and Applications计算机工程与应用2010，46（7）1引言人脸识别是当前模式识别与人工智能领域的研究热点，研究者已经提出了很多用于人脸识别的方法，其中Turk和Pent－land利用重构权向量作为识别用的特征，提出了“特征脸”识别技术[1]，从而人脸识别领域迎来了“基于表征”的子空间分析方法的研究热潮。
其中比较有代表性的有主成分分析（PCA）[1]、线性判别分析（LDA）[2]、独立成分分析（ICA）[3]、基于核技术的Kernel PCA[4]等等。
洪子泉等人首次利用奇异值分解（SVD）进行人脸识别[5]，并与其他方法相结合，在ORL数据库上获得了不错的识别率。
但以上算法都有一个共同特点，即在进行特征提取时，只重视人脸的总体特征，而忽略了眼睛等作为人脸局部的存在。
事实上，人脸关键部位的局部特征也是重要的鉴别特征。
当然，由于人脸的各部位作为鉴别特征的重要性程度是不同的，因此，它们在人脸识别中能起到的作用也不同。
在此之前，Kalocsai等人用统计的方法比较了正面人脸不同的48个特征点在描述整个人脸模式中所起的作用，并据此赋予它们不同的权值[6]。
Pentland等人则提出“特征脸”、“特征鼻”、“特征嘴”的概念[7]，并通过融合各“特征器官”以达到人脸识别的目的。
由于这些方法在赋予各局部特征权值时，并没有针对特定的训练集进行优化，而是采用一种笼统的加权策略，其权值是不会因为训练集的不同而改变的，因此，没有自适应能力无疑会对识别结果产生消极的影响。
正是在以上背景下提出了一种基于特征融合矩阵的人脸识别方法，该算法融合了人脸的全局特征与局部特征，并进行了权值的动态选择，同时在提取特征时采用的是改进的基于SVD的人脸特征提取方法。
该算法不仅解决了LDA的小样本问题和SVD识别率不高问题，而且训练时间短、速度较快、简单易用。
2基于SVD的特征提取奇异值分解为提取图像代数特征提供了新的手段，获得了广泛的应用。
基于主成分分析（PCA）的人脸识别技术
基于主成分分析（PCA）的⼈脸识别技术本科期间做的⼀个课程设计，觉得⽐较好玩，现将之记录下来，实验所⽤。
1、实验⽬的（1）学习主成分分析（PCA）的基础知识；（2）了解PCA在⼈脸识别与重建⽅⾯的应⽤；（3）认识数据降维操作在数据处理中的重要作⽤；（4）学习使⽤MATLAB软件实现PCA算法，进⾏⼈脸识别，加深其在数字图像处理中解决该类问题的应⽤流程。
2、实验简介（背景及理论分析）近年来，由于恐怖分⼦的破坏活动发⽣越发频繁，包括⼈脸识别在内的⽣物特征识别再度成为⼈们关注的热点，各国均纷纷增加了对该领域研究的投⼊。
同其他⽣物特征识别技术，如指纹识别、语⾳识别、虹膜识别、DNA识别等相⽐，⼈脸识别具有被动、友好、⽅便的特点。
该技术在公众场合监控、门禁系统、基于⽬击线索的⼈脸重构、嫌疑犯照⽚的识别匹配等领域均有⼴泛应⽤。
⼈脸识别技术是基于⼈的脸部特征，对输⼊的⼈脸图像或者视频流，⾸先判断其是否存在⼈脸。
如果存在⼈脸，则进⼀步的给出每个脸的位置、⼤⼩和各个主要⾯部器官的位置信息。
其次并依据这些信息，进⼀步提取每个⼈脸中所蕴涵的⾝份特征，并将其与已知的⼈脸进⾏对⽐，从⽽识别每个⼈脸的⾝份。
⼴义的⼈脸识别实际包括构建⼈脸识别系统的⼀系列相关技术，包括⼈脸图像采集、⼈脸定位、⼈脸识别预处理、⾝份确认以及⾝份查找等；⽽狭义的⼈脸识别特指通过⼈脸进⾏⾝份确认或者⾝份查找的技术或系统。
我们在处理有关数字图像处理⽅⾯的问题时，⽐如经常⽤到的图像查询问题：在⼀个⼏万或者⼏百万甚⾄更⼤的数据库中查询⼀幅相近的图像。
其中主成分分析（PCA）是⼀种⽤于数据降维的⽅法，其⽬标是将⾼维数据投影到较低维空间。
PCA形成了K-L变换的基础，主要⽤于数据的紧凑表⽰。
在数据挖掘的应⽤中，它主要应⽤于简化⼤维数的数据集合，减少特征空间维数，可以⽤较⼩的存储代价和计算复杂度获得较⾼的准确性。
PCA法降维分类原理如下图所⽰：如上图所⽰，其中五⾓星表⽰⼀类集合，⼩圆圈表⽰另⼀类集合。
人工智能开发技术的奇异值分解方法
人工智能开发技术的奇异值分解方法人工智能开发技术的奇异值分解（Singular Value Decomposition，SVD）是一种重要的数学方法，被广泛应用于模式识别、推荐系统、数据压缩等多个领域。
SVD的原理简单明了，但其在人工智能领域的应用却非常广泛，对于我们理解和应用人工智能技术具有重要意义。
一、SVD的基本原理和定义奇异值分解是一种线性代数的分解方法，将一个矩阵分解为三个矩阵的乘积。
对于一个m × n的实数或复数矩阵A，可以将其分解为以下形式：A = UΣV^T其中，U是一个m × m的酉矩阵，Σ是一个m × n的矩阵，它的主对角线上的元素称为奇异值，其余元素均为0，V^T是一个n × n的酉矩阵的转置。
SVD的优势在于，它充分利用了矩阵的信息，并且可以选择性地保留重要信息。
通过对原始矩阵进行SVD分解，我们能够更好地理解和处理数据。
二、SVD在模式识别中的应用在模式识别领域，SVD被广泛应用于降维和特征提取。
通过SVD分解，我们可以获得数据的主要特征，从而减少数据的维度和复杂度。
这对于处理大规模数据集和优化机器学习模型的训练速度非常重要。
以人脸识别为例，SVD可以提取人脸图像的主要特征，去除图像中的噪声和冗余信息。
这样一来，就能够更准确地识别人脸，提高人脸识别系统的准确性和鲁棒性。
三、SVD在推荐系统中的应用在推荐系统中，SVD被用于对用户和物品进行特征提取，从而进行个性化推荐。
通过对用户与物品评分矩阵进行SVD分解，可以得到用户和物品的隐含特征向量，进而进行推荐。
以书籍推荐系统为例，通过SVD分解评分矩阵，我们可以得到用户和书籍的特征向量。
当用户对某一本书籍评分时，可以通过特征向量计算出其他用户对该书籍的评分，从而进行个性化的推荐。
这种基于SVD的推荐系统在电商平台和音乐平台上被广泛应用。
四、SVD在数据压缩中的应用SVD还可以用于数据压缩和信号处理。
基于MB_LBP与改进Fast PCA算法的人脸特征提取
Ｆａ ｃ ｉ ａ ｌ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｍ Ｂ Ｌ ＢＰ ａ ｎｄ ｉ ｍ ｐｒ ｏ ｖｅ ｄ Ｆａ ｓｔ ＰＣＡ ｌｇ ａ ｏ ｒ ｉ ｔ ｈ ｍ
—
ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ａ ｌ ｄ ａ ｍａ ｇ ｅ ｔ ｏ ｔ ｈ ｅ ｉ ｍ ａ ｇ ｅ ｏ ｆ ｔ ｈ ｅ ｏ ｉ ｒ ｇ ｉ ｎ ａ ｌ ｓ ｐ ａ ｃ ｅ ａ ｎ ｄ ｌ ａ ｒ ｇ ｅ ｒ ｄ ｉ ｍｅ ｎ ｓ ｉ ｏ ｎ ． Ｓ ｏ ａ ｍ ｕ ｌ ｔ ｉ — ｂ ｌ ｏ ｃ ｋ Ｌ Ｂ Ｐ（ Ｍｕ ｌ ｔ ｉ — ｓ ｃ ａ ｌ ｅ Ｂ ｌ ｏ ｃ ｋ Ｌ ｏ ｃ ａ ｌ Ｂ ｉ ｎ ａ ｒ ｙ Ｐ ａ ｔ ｔ ｅ ｒ ｎ ｓ ，
ｅ ｉ ｇ ｅ ｎ ｖ ｅ ｃ ｔ ｏ ｓ ｆ ｒ ｏ ｒ ｆ ａ ｃ ｉ ｌ ａ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｄ ｉ ｍｅ ｎ ｓ ｉ ｏ ｎ ｌｉ ａ ｔ ｙ ｒ ｅ ｄ ｕ ｃ ｔ ｉ ｏ ｎ ．Ａｎ ｄ ｉ ｆ ｎ ａ ｌ ｌ ｙ ｉ ｔ ｉ ｓ ｖ ｅ ｉ ｒ ｉｅ ｆ ｄ ｉ ｎ ｔ ｈ ｅ ＯＲＬ ｆ ａ ｃ ｅ ｄ ａ ｔ ａ ｂ ａ ｓ ｅ ．Ｅ ｘ ｐ ｅ ｉ ｒ ｍｅ ｎ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｔ ｈ ｅ
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： ＭＢ Ｌ ＢＰ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ｆ ｏ ｒ ｆ ａ ｃ ｉ ａ ｌ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ｗ ｉ ｌ ｌ ｃ ａ ｕ ｓ ｅ ｈ ｉ ｇ ｈ ｅ ｒ ｄ ｉ ｍｅ ｎ ｓ ｉ ｏ ｎ ｓ ａ ｎ ｄ ｕ ｓ ｉ ｎ ｇ ｔ ｈ ｅ Ｐ Ｃ Ａ ｍｅ ｔ ｈ ｏ ｄ ｃ ａ ｎ ｃ ａ ｕ ｓ ｅ
PCA用于人脸特征提取及Matlab实现
随机过程PCA用于人脸识别附Matlab代码于琦2011/10/27学号：2009011149【摘要】人脸识别技术是近来非常活跃的研究领域，它综合多学科知识，且应用非常广泛。
采用主元分析法（PCA）进行人脸识别的经典方法之一。
本文利用Matlab在ORL人脸库上实现PCA初步人脸识别，包括图像特征提取、人脸重构与识别方法设计。
讨论了用奇异值分解等方法简化特征向量求解，并详细阐述其在Matlab中的实现过程。
结合ORL人脸库自身特点，通过对特征值和特征脸的分析进行合理取舍，提高了识别率。
【介绍】“人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。
更好的解决该问题将有助于身份确认和身份查找等应用、促进众多学科的发展。
”“目前，人脸识别的方法可以分为5类，分别为基于特征脸（PCA）的人脸识别方法，神经网络的人脸识别方法，弹性图匹配的人脸识别方法，线段Hausdorff 距离(LHD) 的人脸识别方法支持向量机(SVM) 的人脸识别方法。
其中给予特征脸的人脸识别是传统方法，基于K-L 变换(PCA)的人脸识别方法又叫特征脸方法、本征脸方法（Eigenface），最早由Turk 和Pentland 提出。
它有均方误差最小，降维减少计算量，主分量特性稳定等优点。
”“由于PCA较之于前几种方法相对简单，故本文对PCA算法进行研究并用Matlab 给出实现。
”“本文的结构安排如下：第二章模型（Model）及基本理论和方法（Basic Theory and Method），第三章方法（Method）及方法分析（Analysis of Method），第四章算法（Algorithm）及算法分析（Analysis of Algorithm），第五章数值结果及讨论（Discussion），第六章结论（Conclusion）。
第二章模型及基本理论和方法采用PCA对原始数据的处理，通常有三个方面的作用—降维、相关性去除、概率估计。
PCA人脸识别算法详解
PCA人脸识别算法详解PCA算法的目标是通过提取人脸图像的主要特征来进行人脸识别。
主成分分析的核心思想是将高维数据转换为低维数据，同时保留最大的数据方差。
在人脸识别任务中，PCA将每个人脸图像映射到一个低维的特征空间，然后根据特征空间中的距离来判断人脸图像的身份。
1.数据预处理：首先需要将所有的人脸图像转换为相同的大小，并将所有的图像转换为灰度图像，以降低计算复杂度。
2.构建训练集：从原始图像库中随机选择一定数量的人脸图像，用于构建训练集。
同时，还需要提前知道每个人脸图像所对应的身份信息。
3.计算平均脸：将训练集中的所有人脸图像叠加在一起，然后计算它们的平均图像，得到平均脸。
平均脸代表了人脸图像的共同特征。
4.计算差异脸：将每个人脸图像与平均脸进行相减操作，得到差异脸。
差异脸反映了每个人脸与平均脸之间的差异。
5.计算特征向量：对差异脸进行特征向量分解，得到一组特征向量，每个特征向量对应一个主要的人脸特征。
通过选择特征值较大的特征向量，可以保留最重要的人脸特征。
6.训练分类器：使用训练集中的特征向量来构建一个分类器模型（如SVM、KNN等），用于表示每个人脸图像的特征。
每个人的脸图像在特征向量空间上的表示即为其特征向量的线性组合。
7.人脸识别：对于待识别的人脸图像，通过同样的数据预处理步骤，计算出它的特征向量。
然后将该特征向量与分类器模型进行比较，找到最相似的特征向量及其对应的身份信息，实现人脸识别。
1.PCA能够消除人脸图像中的冗余信息，提取出最主要的特征，提高了人脸识别的准确性。
2.PCA算法计算简单，能够快速处理大量的人脸图像数据。
1.PCA算法对光照、表情等变化较为敏感，当人脸图像间存在较大的变化时，算法的性能可能会降低。
2.当人脸图像库较大时，算法的计算和存储开销较高。
3.PCA算法不适用于非线性的人脸变化。
综上所述，PCA人脸识别算法是一种经典的人脸识别方法，其通过提取主要特征并消除冗余信息来实现人脸识别。
基于PCA的神经网络在人脸识别中的应用
基于PCA的神经网络在人脸识别中的应用摘要：特征提取部分是要从人脸图像中提取可以区分不同类别人脸的特征信息（有效识别信息）。
将图像预处理、二维pca特征提取和神经网络分类器结合提出了一种改进的图像识别方法，和其他方法进行了比较，在matlab环境中的仿真结果表明，该算法降低了系统的运算复杂度，提高了人脸识别率。
关键词：人脸识别 pca 2dpca 神经网络中图分类号：tp391.4 文献标识码：a 文章编号：1672-3791（2012）10（b）-0235-01人脸识别是神经网络应用的一个重要研究方向。
神经网络的学习需要大量的样本，图像维数通常很高。
理论上神经网络可以直接进行识别，但实际操作时，其时间的消耗是无法接受的，也降低了该项技术的实用性。
二维pca是近年来提出的一种有效特征提取方法，已经在人脸识别中获得了成功的应用。
二维pca在保留主要识别信息的前提下，实现了人脸特征的提取和图像的降维。
和传统特征提取方法相比，二维pca在图像特征提取上更加简单和直观，特征提取速度也得到提高。
1 人脸识别流程本文的实验是在英国剑桥大学提供的orl人脸库上进行的，库中共有400幅人脸图像，包括40个人，每人10幅，分辨率为92112。
orl图库比较规范，大多数图像的光照方向和强度都差不多。
但有少许表情，姿态，伸缩的变化，尺度差异在10%左右。
实验环境为matlab7.0。
采用小波工具箱和神经网络工具箱对人脸识别进行了仿真实验。
2 人脸特征提取特征提取是人脸识别的重要组成部分。
特征提取的内容包括两方面。
首先是特征选择，从原始特征向量中确定能充分完整且稳定的表示人脸信息的低维非零特征向量。
然后是特征提取。
对获得的低维特征向量进行最优变换，获取最能反映模式分类本质的特征向量。
目前可以用于人脸识别的特征主要有以下几种。
（1）几何特征。
如人脸的五官尺寸和相对位置。
这些特征的维数较低。
但光照等外界条件对其影响较大，例如：拍摄角度造成的人脸尺寸差异。
人脸识别的特征提取方法简单案例
人脸识别的特征提取方法简单案例人脸识别是一种基于计算机视觉的技术，用于识别和验证人脸的身份。
其中，人脸识别的特征提取是实现人脸识别的关键步骤之一。
本文将列举10个常用的人脸识别特征提取方法，并对每种方法进行简要的介绍。
1. 主成分分析（Principal Component Analysis，PCA）主成分分析是一种常用的特征提取方法，它通过线性变换将原始的高维人脸图像转换为低维的特征向量。
PCA通过对图像协方差矩阵进行特征值分解，得到一组主成分，即特征脸。
每个特征脸都是一个特征向量，可以用来表示人脸图像。
2. 线性判别分析（Linear Discriminant Analysis，LDA）线性判别分析是一种常用的人脸识别方法，它通过最大化类间散布矩阵和最小化类内散布矩阵的比值，来寻找一个投影方向，使得同一类别的人脸图像尽可能接近，不同类别的人脸图像尽可能远离。
这个投影方向可以用来提取人脸的特征。
3. 局部二值模式（Local Binary Patterns，LBP）局部二值模式是一种基于纹理特征的人脸识别方法，它通过比较中心像素与周围像素的灰度值大小，将每个像素点转换为一个二进制数，然后将二进制数串联起来形成一个特征向量。
LBP可以有效地捕捉人脸的纹理信息，对光照变化和表情变化具有较好的鲁棒性。
4. 高斯混合模型（Gaussian Mixture Model，GMM）高斯混合模型是一种常用的概率模型，用于对人脸图像进行建模。
GMM可以将人脸图像表示为一组高斯分布的加权和，每个高斯分布代表一个人脸的特征。
通过对训练样本进行参数估计，可以得到每个人脸的特征向量。
5. 尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）尺度不变特征变换是一种常用的图像特征提取方法，它可以提取出图像中的尺度不变特征点。
SIFT通过在不同尺度和方向上计算图像的梯度信息，然后对梯度信息进行描述，得到每个特征点的特征描述子。
线性代数在人脸识别中的应用研究
线性代数在人脸识别中的应用研究在人脸识别技术的快速发展中，线性代数扮演了重要的角色。
线性代数是一门研究向量、矩阵、线性方程组等数学对象及其代数运算的学科，广泛应用于人脸识别的算法和模型中。
本文将探讨线性代数在人脸识别中的具体应用研究。
一、特征向量与特征值分解特征向量与特征值分解是线性代数中重要的概念，其在人脸识别中的应用被广泛探索和验证。
通过对人脸图像进行特征向量与特征值分解，可以提取出人脸图像的主要特征。
这些特征可以用于比较、匹配和识别人脸图像。
在人脸识别中，常用的特征向量与特征值分解方法是主成分分析（PCA）。
通过PCA，可以将高维的人脸图像转化为低维的特征向量表示。
具体而言，PCA将人脸图像矩阵进行奇异值分解，得到特征向量矩阵和特征值矩阵。
利用特征向量矩阵，我们可以将原始图像进行降维，提取出其中的主要特征，而特征值矩阵则表示了这些主要特征的重要程度。
二、向量空间和投影在人脸识别中，向量空间和投影也是线性代数的重要应用。
通过将人脸图像空间转化为向量空间，可以方便地进行人脸识别算法的设计与实现。
首先，我们将训练集中的人脸图像表示为向量，构建一个人脸图像向量空间。
然后，将待识别的人脸图像投影到该空间中，利用向量空间的计算方法比较待识别人脸图像与训练集中人脸的相似度。
通过计算和比较向量之间的距离或角度，可以实现人脸的快速识别。
三、线性方程组与矩阵运算在人脸识别算法中，线性方程组与矩阵运算也被广泛应用。
例如，通过解线性方程组可以计算出两个向量之间的线性关系，从而判断它们是否具有相似性。
另外，利用矩阵运算的性质，可以对人脸图像进行变换和操作。
例如，利用线性代数的矩阵乘法运算，可以对人脸图像进行旋转、缩放和平移等变换操作。
这些变换可以帮助我们更好地理解和识别人脸图像中的特征。
四、奇异值分解和压缩感知奇异值分解和压缩感知是人脸识别领域中常用的数学方法，也有着深厚的线性代数基础。
通过奇异值分解，我们可以对人脸图像进行降维和重构，获得更加紧凑和表示能力强的特征。
使用奇异值分解进行主成分分析的方法(Ⅰ)
奇异值分解（Singular Value Decomposition，SVD）是一种常用的矩阵分解方法，它在主成分分析（Principal Component Analysis，PCA）中有着广泛的应用。
在本文中，我们将介绍SVD的基本原理以及它在主成分分析中的具体应用方法。
首先，让我们来了解一下SVD的基本原理。
SVD可以将一个任意大小的矩阵分解为三个矩阵的乘积，即A=UΣV^T，其中A是一个m×n的矩阵，U是一个m×m 的正交矩阵，Σ是一个m×n的对角矩阵，V^T是V的转置矩阵。
在这个分解中，U 的列向量是AAT的特征向量，V的列向量是ATA的特征向量，Σ的对角线元素是AAT或ATA的特征值的平方根。
通过SVD分解，我们可以得到矩阵A的特征向量和特征值，从而实现对A进行主成分分析。
那么，SVD是如何应用在主成分分析中的呢？主成分分析是一种用于降维和数据压缩的技术，它可以将高维的数据转化为低维的数据，同时保留原始数据中的主要信息。
在主成分分析中，我们首先计算数据的协方差矩阵，然后对协方差矩阵进行SVD分解，最后选择前k个奇异值对应的特征向量构成投影矩阵，将高维数据投影到低维空间中。
这样就实现了对数据的降维和压缩。
除了在主成分分析中的应用，SVD还有许多其他的应用领域。
例如在推荐系统中，SVD可以用于对用户-物品评分矩阵进行分解，从而实现对用户对物品的评分进行预测；在图像压缩和去噪方面，SVD也有着重要的应用，通过对图像矩阵进行SVD分解，可以将图像数据压缩到较小的空间，同时保留图像的主要特征。
总的来说，奇异值分解是一种十分重要且广泛应用的矩阵分解方法，它在主成分分析中有着重要的作用，可以帮助我们对高维数据进行降维和压缩，从而实现对数据的可视化和分析。
通过对SVD的理解和应用，我们可以更好地理解和利用数据，为我们的研究和工作带来更大的便利和效益。
奇异值分解（SVD）与主成分分析（PCA）
奇异值分解（SVD）与主成分分析（PCA）奇异值分解(SVD)与主成分分析(PCA)1 算法简介奇异值分解（Singular Value Decomposition），简称SVD，是线性代数中矩阵分解的⽅法。
假如有⼀个矩阵A，对它进⾏奇异值分解，可以得到三个矩阵相乘的形式，最左边为m维的正交矩阵，中间为m*n 的对⾓阵，右边为n维的正交矩阵：A = U Σ V T A=U\Sigma V^{T} A=UΣV T这三个矩阵的⼤⼩如下图所⽰：矩阵Σ \Sigma Σ除了对⾓元素其他元素都为0，并且对⾓元素是从⼤到⼩排列的，前⾯的元素⽐较⼤，后⾯的很多元素接近0。
这些对⾓元素就是奇异值。
( u i u_i ui为m维⾏向量， v i v_i vi为n维⾏向量)Σ \Sigma Σ中有n个奇异值，但是由于排在后⾯的很多接近0，所以我们可以仅保留⽐较⼤的前r个奇异值，同时对三个矩阵过滤后⾯的n-r个奇异值，奇异值过滤之后，得到新的矩阵：在新的矩阵中，Σ \Sigma Σ只保留了前r个较⼤的特征值:实际应⽤中，我们仅需保留三个⽐较⼩的矩阵，就能表⽰A，不仅节省存储量，在计算的时候更是减少了计算量。
SVD在信息检索（隐性语义索引）、图像压缩、推荐系统、⾦融等领域都有应⽤。
主成分分析（Principal Components Analysis），简称PCA，是⼀种数据降维技术，⽤于数据预处理。
⼀般我们获取的原始数据维度都很⾼，⽐如1000个特征，在这1000个特征中可能包含了很多⽆⽤的信息或者噪声，真正有⽤的特征才100个，那么我们可以运⽤PCA算法将1000个特征降到100个特征。
这样不仅可以去除⽆⽤的噪声，还能减少很⼤的计算量。
简单来说，就是将数据从原始的空间中转换到新的特征空间中，例如原始的空间是三维的(x,y,z)，x、y、z分别是原始空间的三个基，我们可以通过某种⽅法，⽤新的坐标系(a,b,c)来表⽰原始的数据，那么a、b、c就是新的基，它们组成新的特征空间。
人脸识别中的特征提取算法
人脸识别中的特征提取算法人脸识别技术作为一项重要的生物识别技术，在多个领域得到广泛应用。
而其中的特征提取算法则是人脸识别中关键的一部分。
本文将介绍几种常用的人脸特征提取算法，并分析其原理和应用。
一、主成分分析（Principal Component Analysis）主成分分析（PCA）是一种常用的特征提取算法，其基本思想是通过降维和去除冗余信息，将高维的人脸图像转换为低维的特征向量。
PCA方法通过计算协方差矩阵的特征值和特征向量，选取最大的特征值对应的特征向量作为主成分，将输入图像投影到主成分上得到特征向量。
该方法具有计算简单、处理速度快等特点，广泛应用于人脸识别领域。
二、线性判别分析（Linear Discriminant Analysis）线性判别分析（LDA）是一种经典的特征提取算法，主要用于分类和降维。
与PCA不同的是，LDA是一种有监督的降维方法，它试图将不同类别之间的距离最大化，同类别之间的距离最小化，从而达到更好的分类效果。
LDA通过求解广义瑞利商来求解线性判别坐标。
该方法在人脸识别中取得了较好的效果，并被广泛应用于实际系统中。
三、小波变换（Wavelet Transform）小波变换是一种时频分析方法，它可以将信号分解为不同的频率成分。
在人脸识别中，小波变换被应用于特征提取，通过对人脸图像进行小波分解，提取不同尺度的特征信息。
小波变换具有多尺度分析能力，能够捕捉到人脸图像的局部特征，对表情、光照等变化具有较强的鲁棒性。
四、局部二值模式（Local Binary Patterns）局部二值模式（LBP）是一种基于纹理特征的特征提取算法，在人脸识别领域具有较好的性能。
LBP方法通过将人脸图像分成不同的区域，计算每个区域中像素与周围像素的差异，然后将差异转换为二进制编码进行特征提取。
LBP方法具有计算简单、不受光照变化影响等优点，被广泛用于人脸识别系统中。
五、深度学习方法（Deep Learning）深度学习方法是近年来人脸识别领域取得突破的重要手段。
改进的模块2DPCA与MSD结合的人脸识别
图像 。该方法 不仅 利用 了原始 图像 的局部 特征 和类别信 息， 而且完全避免 了使用 矩阵的奇异值分解 。在 ０ Ｒ Ｌ人脸
库 上 的 实验 结 果验 证 了该 方 法 的有 效性 。
关键 词 ： 模 块二维主成分分析 （ ２ Ｄ Ｐ Ｃ Ａ） ； 最 大散度差鉴别分析 ； 人脸识别 文献标志码 ： Ａ 中图分 类号 ： Ｔ Ｐ ３ ９ １ ． ４ ｄ ｏ ｉ ： １ ０ ． ３ ７ ７ ８ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ２ ． ８ ３ ３ １ ． １ ２ ０ ３ ． ０ ５ ３ ２
ｌ ｅ ｍ ｏ ｆ ｓ ｉ ｎ ｇ ｕ ｌ ａ ｒ ｖ ａ ｌ ｕ ｅ ｄ ｅ ｃ ｏ ｍｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ｏ ｆ ｍａ ｔ ｒ ｉ ｘ ．Ｅｘ ｐ ｅ ｒ ｉ ｍｅ ｎ ｔ ｓ ｐｅ ｒ ｆ ｏ ｒ ｍｅ ｄ ｏ ｎ ＯＲＬ ｆ ａ ｃ ｅ ｄ ａ ｔ ａ ｂａ ｓ ｅ ｖｅ ｒ ｉ ｆ ｙ ｔ ｈ ｅ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｎ ｅ ｓ ｓ ｏ ｆ ｔ ｈｅ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ｍｅ ｔ ｈｏ ｄ ．
（ ＭＳ Ｄ ）ｉ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ． Ｔ ｈ ｅ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ｍｏ ｄ ｕ ｌ ａ ｒ ２ ＤＰ ＣＡ ｉ ｓ ａ ｐ ｐ ｌ ｉ ｅ ｄ ｔ ｏ ｔ ｈ ｅ ｏ ｒ ｉ ｇ ｉ ｎ ａ ｌ ｆ ａ ｃ ｅ ｉ ｍａ ｇ ｅ ｓ ｆ ｏ ｒ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ． Ｔ ｈ ｅ ｎ
ＭＳ Ｄ ｉ ｓ ｕ ｓ ｅ ｄ ｔ ｏ ｔ ｈ ｅ ｓ ｕ ｂ － ｉ ｍａ ｇ ｅ ｓ ｏ ｆ ｔ ｈ ｅ ｓ ｅ ｏ ｂ ｔ ａ ｉ ｎｅ ｄ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｉ ｍａ ｇ ｅ ｓ ｉ ｎ ｗｈ ｉ ｃ ｈ ｗａ ｙ ｔ ｈｅ ｉｎ ｆ ａ ｌ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｉ ｍａ ｇ ｅ ｓ ａ ｒ ｅ ｏ ｂ ｔ ａ ｉ ｎ ｅ ｄ． Ｔｈ ｉ ｓ ｍｅ ｔ ｈｏ ｄ ｃ ａ ｎ ｎ ｏ ｔ ｏ ｎｌ ｙ ｅ ｘ ｐｌ ｏ ｉ ｔ ｌ ｏ ｃ ａ ｌ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ｏ ｆ ｏ ｒ ｉ ｇ ｉ ｎ ａ ｌ ｉ ｍａ ｇ ｅ ａ ｎ ｄ ｄ ｉ ｓ ｃ ｒ ｉ ｍｉ ｎ ａ ｔ ｅ ｉ ｎｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｂ ｕ ｔ ａ ｌ ｓ ｏ ｔ ｏ ｔ ａ ｌ ｌ ｙ ａ ｖｏ ｉ ｄ ｔ ｈ ｅ ｐ ｒ ｏ ｂ －
基于PCA和LDA改进算法的人脸识别技术研究
基于PCA和LDA改进算法的人脸识别技术研究人脸识别技术是一种通过计算机分析人脸图像的方法，来识别和验证特定人物身份。
随着人工智能和计算机视觉技术的发展，人脸识别技术已经成为了一种被广泛应用于各个领域的重要技术。
在人脸识别技术中，基于PCA（Principal Component Analysis，主成分分析）和LDA（Linear Discriminant Analysis，线性判别分析）的改进算法已经成为了当前的主流技术，能够在一定程度上提高人脸识别的准确性和稳定性。
一、 PCA和LDA的基本原理PCA是一种常用的数据降维技术，通过线性变换将原始数据映射到一个新的空间中，使得变换后的数据具有最大的方差。
在人脸识别中，通过对人脸图像进行PCA处理，可以得到一组主成分，这些主成分可以反映出人脸图像的最重要的特征。
通过对人脸图像进行降维处理，可以减少数据的维度，提高计算效率，同时可以有效地去除一些无关特征，减小数据的噪音。
LDA是一种用于特征提取的技术，它是一种监督学习的方法，通过最大化类内距离和最小化类间距离的方式对数据进行线性映射。
在人脸识别中，通过对人脸图像进行LDA处理，可以得到一组线性判别特征，这些特征可以最大程度地区分不同的人脸图像。
通过LDA处理，可以提取出最具有判别能力的特征，提高人脸识别的准确性和稳定性。
在传统的PCA和LDA方法中，存在一些局限性，比如对噪音敏感、对数据分布要求较高等问题。
为了克服这些问题，研究者们提出了一系列基于PCA和LDA的改进算法，通过引入一些新的思想和方法，提高了人脸识别技术的性能和稳定性。
1. 核化PCA（Kernel PCA）传统的PCA方法是采用线性变换的方式进行降维处理，但是在实际应用中，人脸图像的特征通常是非线性分布的。
为了解决这个问题，研究者们引入了核函数的思想，将非线性特征映射到一个高维的空间中，然后在该空间中进行线性变换。
核化PCA方法通过引入核函数，可以更好地处理非线性特征，提高了人脸识别的准确性和稳定性。
人脸识别系统的低质量图像处理与提取优化技术
人脸识别系统的低质量图像处理与提取优化技术人脸识别技术在当今社会中得到了广泛应用，在安全领域、人机交互、智能支付等方面都发挥了重要作用。
然而，在实际应用中，人脸识别系统常常面临低质量图像的挑战，例如光照条件恶劣、图像模糊、低分辨率等问题。
为了提高人脸识别系统的性能，需要开展低质量图像处理与提取的优化工作。
低质量图像处理是指对低质量的人脸图像进行去噪、增亮、增强对比度等操作，以减少光照、模糊等因素对图像质量的干扰，从而提高后续的人脸特征提取和识别的准确性。
根据低质量图像的具体特点，我们可以采取多种方法进行处理。
首先，针对光照条件恶劣的问题，可以采用图像增强技术。
常见的方法包括直方图均衡化、对数变换等。
直方图均衡化通过重新分布图像的像素值来增强图像的对比度，从而改善图像的视觉效果。
对数变换则可以通过减小光照效应的影响来改善图像的质量。
此外，还可以结合图像的颜色信息，采用颜色空间转换等方法，进一步提高人脸图像的质量。
其次，对于模糊图像的处理，可以运用图像恢复和图像增强算法进行优化。
图像恢复技术通过估计和去除图像退化过程中引入的模糊，从而改善图像的清晰度。
传统的图像恢复方法包括基于模型的方法、盲复原方法等。
而图像增强技术可以通过增强图像中的高频信息来提高图像的清晰度。
这些方法包括锐化、边缘增强等。
另外，对于低分辨率图像，可以采用超分辨率技术进行处理。
超分辨率技术通过从多个低分辨率图像中恢复高分辨率图像，从而提高图像的细节和清晰度。
常见的方法包括插值、卷积神经网络等。
这些方法可以有效地提高低分辨率图像的质量，进而提升人脸识别系统的性能。
除了对低质量图像进行处理之外，还可以从特征提取的角度优化人脸识别系统。
传统的人脸识别算法一般采用局部特征或全局特征来表示人脸，例如LBP、PCA等。
然而，当图像质量较低时，这些传统的特征提取方法往往效果不佳。
因此，可以尝试使用深度学习方法进行特征提取。
深度学习方法通过学习大量数据中的复杂特征来提取更加鲁棒和准确的人脸特征，从而提高人脸识别系统在低质量图像下的准确性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ＬＩ ＡＮＧ Ｂｉ ｎ，Ｄ Ｕ Ａ Ｎ Ｆｕ．Ｍ ｅ ｔ ｈｏｄ ｆ ｏｒ ｆ ａｃ ｅ ｒ ｅ ｔ ｒ ｉ ｅ ｖａｌ ｉ ｎ ｖｉ ｄｅ ｏ ｕｓ ｉ ｎｇ ＳＶ Ｄ ａ ｎｄ ｉ ｍ ｐｒ ｏｖｅ ｄ ＰＣＡ ．Ｃ ｏｍ ｐｕｔ ｅｒ Ｅｎｇｉ ｎｅ ｅｒ ｉ ｎｇ ａｎｄ
太 原理 工 大学 汁算机 科 学与技 术 学院 ， 太原 ０ ３ ０ ０ ２ ４
Ｃｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｃｏ ｍｐ ｕ ｔ ｅ ｒ Ｓｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｔ ａ ｉ ｙ ｕ ａ ｎ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｔ ａ ｉ ｙ ｕ ａ ｎ ０ ３ ０ ０ ２ ４ ， Ｃｈ ｉ ｎ ａ
ｔ ａ ｌ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ｅ ｍｅ ｔ ｈ ｏ ｄ ｐ ｅ ｒ ｆ ｏ ｒ ｍｓ ｗｅ ｌ ｌ ｉ ｎ ｓ ｉ ｍｐ ｌ ｅ ｂ ａ ｃ ｋ ｇ ｒ ｏ ｕ ｎ ｄ ｖ ｉ ｄ ｅ ｏ ａ ｃ ｅ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ； ｓ ｉ ｎ ｇ ｌ ｅ ｓ ａ ｍｐ ｌ ｅ ｆ ａ ｃ ｅ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ；Ｓ ｉ ｎ ｇ ｕ ｌ ａ ｒ Ｖａ ｌ ｕ ｅ Ｄｅ ｃ ｏ ｍｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ（ Ｓ ＶＤ ） ： Ｐ ｒ ｉ ｎ ｃ ｉ ｐ ａ ｌ Ｃｏ ｍｐ ｏ ｎ ｅ ｎ ｔ Ａｎ ａ ｌ ｙ ｓ ｉ ｓ
（ ＰＣＡ） ： ｖ ｉ ｄ ｅ ｏ — ｂ ａ ｓ ｅ ｄ ｆ ａ ｃ ｅ ｒ ｅ ｔ ｒ ｉ ｅ ｖ ａ ｌ
摘
要： 针对 视 频 中人脸 检 索 问题 ， 提 出一 种基 于 奇异值 分 解和 改进 Ｐ Ｃ Ａ相结 合 的视 频 中单 样本 人脸 检 索方 法 ， 其 中通 过
融合 局 部 均值 和 标 准差 的 图像 增 强处 理 来 实现 Ｐ Ｃ Ａ算 法 的 改进 ， 从 而克服 光 照 对 目标 的影 响。 通 过 Ａｄ ａ Ｂ ｏ ｏ ｓ ｔ 人 脸 检 测 算 法对 人 脸 图像 和 视频 进 行人 脸检 测 ； 通 过 奇异值 分 解增 加训 练样 本 ， 在 原样 本 和新 样 本 的基础 上 采 用 改进 的 Ｐ ＣＡ人脸
ｄ ｅ ｔ ｅ ｃ ｔ ｈ ｕ ｍａ ｎ ｆ ａ ｃ ｅ ｓ ｉ ｎ ｉ ｍａ ｇ ｅ ａ ｎ ｄ ｖ ｉ ｄ ｅ ｏ ． Ｔｈ ｅ ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇ ｓ ａ ｍｐｌ ｅ ｓ ａ ｒ ｅ ｉ ｎ ｃ ｒ ｅ ａ ｓ ｅ ｄ ｂ ｙ Ｓ ｉ ｎ ｇ ｕ ｌ ａ ｒ Ｖａ ｌ ｕ ｅ Ｄｅ ｃ ｏ ｍｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ（ Ｓ ＶＤ ） ． Ｏｎ ｔ ｈ ｅ
Ｃ ｏ ｍ ｐ ｕ ｔ ｅ ｒ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ａ ｎ ｄＡ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ 计算 机工 程与应 用
奇 异 值 分 解 和 改进 Ｐ ＣＡ的视 频 人 脸检 索 方法
梁 斌， 段 富
ＬＩ ＡＮＧ Ｂｉ ｎ， ＤＵＡＮ Ｆｕ
（ ＰＣＡ） ． Ｔ ｈ ｅ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ａ ｒ ｅ ｃ ｏ ｍｐ ａ ｒ ｅ ｄ ｔ ｈ ｒ ｏ ｕ ｇ ｈ ｎ ｅ ａ ｒ ｅ ｓ ｔ ｎ ｅ ｉ ｇ ｈ ｂ ｏ ｒ ｃ ｌ ａ ｓ ｓ ｉ ｉｅ ｆ ｒ ａ ｎ ｄ ｔ ｈ ｅ ｒ ｅ ｔ ｒ ｉ ｅ ｖ ａ ｌ ｒ ｅ ｓ ｕｌ ｔ ｓ ａ ｒ ｅ ｄ ｉ ｓ ｐ ｌ ａ ｙ ｅ ｄ ｔ ｏ ｕ ｓ ｅ ｒ ｓ ． Ｅ ｘ ｐ ｅ ｒ ｉ ｍｅ ｎ—
Ａｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ ， ２ ０ １ ３ ， ４ ９ （ １ １ ） ： １ ７ ７ — １ ８ ２ ．
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｔｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｓ ａ ｍｅ ｔ ｈ ｏ ｄ ｆ ｏ ｒ ｆ ａ ｃ ｅ ｒ ｅ ｔ ｒ ｉ ｅ ｖ ａ ｌ ｉ ｎ ｖ ｉ ｄ ｅ ｏ ｓ ｔ ｒ ｅ ａ ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ ＳＶＤ ａ ｎ ｄ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ＰＣＡ ． Ｔｈ ｅ ＰＣＡ １ Ｓ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ｔ ｈ ｒ ｏ ｕ ｇ ｈ ｌ ｏ ｃ ａ ｌ ｍｅ ａ ｎ ａ ｎ ｄ ｓ ｔ ａ ｎ ｄ ａ ｒ ｄ ｄ ｅ ｖ ｉ ａ ｔ ｉ ｏ ｎ ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｏ ｖ ｅ ｒ ｃ ｏ ｍｅ ｔ ｈ ｅ ｅ ｆ ｆ ｅ ｃ ｔ ｓ ｏｆ ｉ ｌ ｌ ｕ ｍｉ ｎ ａ ｔ ｉ ｏ ｎ ． Ｔｈ ｅ Ａｄ ａ Ｂｏ ｏ ｓ ｔ ｉ ｓ ｕ ｓ ｅ ｄ ｔ ｏ
ｂ ａ ｓ ｉ ｓ ｏ ｆ ｔ ｈ ｅ ｏ ｒ ｉ ｇ ｉ ｎ ａ ｌ ａ ｎ ｄ ｎ ｅ ｗ ｓ ａ ｍｐ ｌ ｅ ｓ ，ｔ ｈ ｅ ａ ｌ ｇ ｅ ｂ ｒ ａ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ａ ｒ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｅ ｄ ｂ ｙ ｕ ｓ ｉ ｎ ｇ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ Ｐ ｒ ｉ ｎ ｃ ｉ ｐ ａ ｌ Ｃｏ ｍｐ ｏ ｎ ｅ ｎ ｔ Ａｎ ａ ｌ ｙ ｓ ｉ ｓ
识 别 算 法提取 待 检 测人 脸 和视 频 中的人 脸代 数 特 征 ； 采用 最近 邻 分 类 器进 行特 征 匹配 ， 判 断视 频 中检 测 出的人脸 是 否 为