首頁(yè) > 廠商 > 經(jīng)驗(yàn) > pca算法，pca人臉識(shí)別算法什么時(shí)間提出的

pca算法，pca人臉識(shí)別算法什么時(shí)間提出的

來(lái)源：整理時(shí)間：2023-08-17 14:21:51 編輯：智能門(mén)戶(hù) 手機(jī)版

本文目錄一覽

1，pca人臉識(shí)別算法什么時(shí)間提出的
2，請(qǐng)問(wèn)怎么計(jì)算影像的PCA變換
3，人臉識(shí)別算法的分類(lèi)
4，python pca怎么得到主成份

1，pca人臉識(shí)別算法什么時(shí)間提出的

pca具有簡(jiǎn)單?？焖佟⒁仔械奶攸c(diǎn)，能從整體上反映人臉圖像的灰度相關(guān)性，具有一定的實(shí)用價(jià)值，具體出現(xiàn)時(shí)間不明。

pca人臉識(shí)別算法什么時(shí)間提出的

2，請(qǐng)問(wèn)怎么計(jì)算影像的PCA變換

提出了基于 PCA 變換的遙感影像融合算法。通過(guò) PCA 變換, 在盡可能的保留主要信息的前提下, 除去波段之間的冗余數(shù)據(jù), 減少處理的數(shù)據(jù)量, 來(lái)提高融合的效率; 通過(guò) PCA 變換進(jìn)行波段重采樣合成新的彩色圖像, 再與濾波處理后的全色圖像進(jìn)行融合。實(shí)際數(shù)據(jù)測(cè)試,證明了本文方法的可行性,并達(dá)到了預(yù)期的融合效果

請(qǐng)問(wèn)怎么計(jì)算影像的PCA變換

3，人臉識(shí)別算法的分類(lèi)

人臉識(shí)別法主要集中在二維圖像方面，二維人臉識(shí)別主要利用分布在人臉上從低到高80個(gè)節(jié)點(diǎn)或標(biāo)點(diǎn)，通過(guò)測(cè)量眼睛、顴骨、下巴等之間的間距來(lái)進(jìn)行身份認(rèn)證。人臉識(shí)別算法主要有：1.基于模板匹配的方法:模板分為二維模板和三維模板，核心思想:利用人的臉部特征規(guī)律建立一個(gè)立體可調(diào)的模型框架,在定位出人的臉部位置后用模型框架定位和調(diào)整人的臉部特征部位,解決人臉識(shí)別過(guò)程中的觀察角度、遮擋和表情變化等因素影響。2.基于奇異值特征方法：人臉圖像矩陣的奇異值特征反映了圖像的本質(zhì)屬性，可以利用它來(lái)進(jìn)行分類(lèi)識(shí)別。3.子空間分析法：因其具有描述性強(qiáng)、計(jì)算代價(jià)小、易實(shí)現(xiàn)及可分性好等特點(diǎn)，被廣泛地應(yīng)用于人臉特征提取，成為了當(dāng)前人臉識(shí)別的主流方法之一。4.局部保持投影(Locality Preserving Projections，LPP)是一種新的子空間分析方法，它是非線(xiàn)性方法Laplacian Eigen map的線(xiàn)性近似，既解決了PCA等傳統(tǒng)線(xiàn)性方法難以保持原始數(shù)據(jù)非線(xiàn)性流形的缺點(diǎn)，又解決了非線(xiàn)性方法難以獲得新樣本點(diǎn)低維投影的缺點(diǎn)。5.主成分分析(PCA)PCA模式識(shí)別領(lǐng)域一種重要的方法，已被廣泛地應(yīng)用于人臉識(shí)別算法中，基于PCA人臉識(shí)別系統(tǒng)在應(yīng)用中面臨著一個(gè)重要障礙：增量學(xué)習(xí)問(wèn)題。增量PCA算法由新增樣本重構(gòu)最為重要 PCS，但該方法隨著樣本的增加，需要不斷舍棄一些不重要PC，以維持子空間維數(shù)不變，因而該方法精度稍差。6.其他方法：彈性匹配方法、特征臉?lè)?基于KL變換)、人工神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法、基于積分圖像特征法(adaboost學(xué)習(xí))、基于概率模型法。二維人臉識(shí)別方法的最大不足是在面臨姿態(tài)、光照條件不同、表情變化以及臉部化妝等方面較為脆弱，識(shí)別的準(zhǔn)確度受到很大限制，而這些都是人臉在自然狀態(tài)下會(huì)隨時(shí)表現(xiàn)出來(lái)的。三維人臉識(shí)別可以極大的提高識(shí)別精度，真正的三維人臉識(shí)別是利用深度圖像進(jìn)行研究，自90年代初期開(kāi)始，已經(jīng)有了一定的進(jìn)展。三維人臉識(shí)別方法有：1.基于圖像特征的方法：采取了從3D結(jié)構(gòu)中分離出姿態(tài)的算法。首先匹配人臉整體的尺寸輪廓和三維空間方向；然后，在保持姿態(tài)固定的情況下，去作臉部不同特征點(diǎn)(這些特征點(diǎn)是人工的鑒別出來(lái))的局部匹配。2.基于模型可變參數(shù)的方法：使用將通用人臉模型的3D變形和基于距離映射的矩陣迭代最小相結(jié)合，去恢復(fù)頭部姿態(tài)和3D人臉。隨著模型形變的關(guān)聯(lián)關(guān)系的改變不斷更新姿態(tài)參數(shù)，重復(fù)此過(guò)程直到最小化尺度達(dá)到要求?；谀Ｐ涂勺儏?shù)的方法與基于圖像特征的方法的最大區(qū)別在于：后者在人臉姿態(tài)每變化一次后，需要重新搜索特征點(diǎn)的坐標(biāo)，而前者只需調(diào)整3D變形模型的參數(shù)。

人臉識(shí)別算法的分類(lèi)

4，python pca怎么得到主成份

一般步驟來(lái)實(shí)現(xiàn)PCA算法（1）零均值化假如原始數(shù)據(jù)集為矩陣dataMat，dataMat中每一行代表一個(gè)樣本，每一列代表同一個(gè)特征。零均值化就是求每一列的平均值，然后該列上的所有數(shù)都減去這個(gè)均值。也就是說(shuō)，這里零均值化是對(duì)每一個(gè)特征而言的，零均值化都，每個(gè)特征的均值變成0。實(shí)現(xiàn)代碼如下：[python] view plain copydef zeroMean(dataMat): meanVal=np.mean(dataMat,axis=0) #按列求均值，即求各個(gè)特征的均值 newData=dataMat-meanVal return newData,meanVal 函數(shù)中用numpy中的mean方法來(lái)求均值，axis=0表示按列求均值。該函數(shù)返回兩個(gè)變量，newData是零均值化后的數(shù)據(jù)，meanVal是每個(gè)特征的均值，是給后面重構(gòu)數(shù)據(jù)用的。（2）求協(xié)方差矩陣[python] view plain copynewData,meanVal=zeroMean(dataMat) covMat=np.cov(newData,rowvar=0) numpy中的cov函數(shù)用于求協(xié)方差矩陣，參數(shù)rowvar很重要！若rowvar=0，說(shuō)明傳入的數(shù)據(jù)一行代表一個(gè)樣本，若非0，說(shuō)明傳入的數(shù)據(jù)一列代表一個(gè)樣本。因?yàn)閚ewData每一行代表一個(gè)樣本，所以將rowvar設(shè)置為0。covMat即所求的協(xié)方差矩陣。（3）求特征值、特征矩陣調(diào)用numpy中的線(xiàn)性代數(shù)模塊linalg中的eig函數(shù)，可以直接由covMat求得特征值和特征向量：[python] view plain copyeigVals,eigVects=np.linalg.eig(np.mat(covMat)) eigVals存放特征值，行向量。eigVects存放特征向量，每一列帶別一個(gè)特征向量。特征值和特征向量是一一對(duì)應(yīng)的（4）保留主要的成分[即保留值比較大的前n個(gè)特征]第三步得到了特征值向量eigVals，假設(shè)里面有m個(gè)特征值，我們可以對(duì)其排序，排在前面的n個(gè)特征值所對(duì)應(yīng)的特征向量就是我們要保留的，它們組成了新的特征空間的一組基n_eigVect。將零均值化后的數(shù)據(jù)乘以n_eigVect就可以得到降維后的數(shù)據(jù)。代碼如下：[python] view plain copyeigValIndice=np.argsort(eigVals) #對(duì)特征值從小到大排序 n_eigValIndice=eigValIndice[-1:-(n+1):-1] #最大的n個(gè)特征值的下標(biāo) n_eigVect=eigVects[:,n_eigValIndice] #最大的n個(gè)特征值對(duì)應(yīng)的特征向量 lowDDataMat=newData*n_eigVect #低維特征空間的數(shù)據(jù) reconMat=(lowDDataMat*n_eigVect.T)+meanVal #重構(gòu)數(shù)據(jù) return lowDDataMat,reconMat 代碼中有幾點(diǎn)要說(shuō)明一下，首先argsort對(duì)特征值是從小到大排序的，那么最大的n個(gè)特征值就排在后面，所以eigValIndice[-1:-(n+1):-1]就取出這個(gè)n個(gè)特征值對(duì)應(yīng)的下標(biāo)?！緋ython里面，list[a:b:c]代表從下標(biāo)a開(kāi)始到b，步長(zhǎng)為c?！?/section>