基于 PCA 的人脸识别

代码说明：

三个众所周知的外观基于子空间人脸识别算法用于测试压缩的影响： 主成分分析法-PCA （土耳其人和彭特兰，1991年），线性判别分析-LDA （Belhumeur 等，1996年） 和独立成分分析-ICA （巴特莱特等人，2002年）。它是重要的是提及我们用 ICA 建筑 2从 （巴特莱特等人，2002年） 由于 ICA 建筑 1 被证明是次优的脸识别任务 （热身赛等人，2005 年 ；德拉奇等人 2006 年）。LDA 和 PCA 独立分量分析维数约简是作为一个预处理步骤完成的。为了培养 PCA 算法我们使用子集类，有确切地三每个类的图像。我们发现这样的 225 类 （不同人），所以我们的训练集包括3 × 225 = 675 的图像 （M = 675，c = 225)。这一比例的重叠上产生的影响算法性能需要进一步探索和将是我们今后的工作的一部分。主成分分析根据理论，M-1 = 674 得出有意义的特征向量。我们通过FERET 建议并保持最高的 40%的那些人，导致 270 二维 PCA子空间 W (674 = 270 40%)。它被计算中那些保留了 97.85%的能源270 特征向量。这个子空间用于识别作为 PCA 脸空间和输入独立分量分析和线性判别分析 （PCA 是预处理的维数降低一步）。ICA 屈服270 维子空间和 LDA 产生只有 224 维空间，因为它可以通过理论上，产生最大的 c-1 的基向量。所有这些都待在接近PCA 和 ICA 的维度空间，从而使比较尽可能公平。