← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9846.o · 生成模型:Hunyuan

特征脸方法与PCA/LDA

理解等级:中级

目前最常用的自动人脸识别仍是特征脸(Eigenfaces)方法,它从整体上识别人脸:把一幅面部图像看成高维图像空间中的一个点,通过映射到低维空间,使分类变得容易。主成分分析(PCA)负责找到低维子空间中方差最大的那些轴,从重建角度看,这种转换甚至不需要类别标签,方差可能来自外部来源,最大方差的轴未必含类别差异信息。若要对特定类别投影做判别,则用线性判别分析(LDA):最小化类内方差、最大化类间方差,让不同类别分得更开。除这种整体方法外,还有 Gabor 小波、离散余弦变换、局部 LBP 等局部特征提取方法,但它们更偏图像处理、通用性较弱,所以这里以整体识别为主。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第9章 人脸识别中的机器学习 · 查看原书依据

      目前最常用的自动人脸识别技术仍旧是特征脸提取方法。特征脸方法是从整体上对人脸识别的方法:一种面部图像可以表示为从高维图像空间映射到低维空间的一个点,这使分类变得更加容易。通过主成分分析就可找到低维子空间具有最大方差的轴。

    参考来源

    - 位置:《机器学习算法原理与编程实践》第9章 人脸识别中的机器学习(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00031.html) - 结论依据:原文说明特征脸是整体识别方法、PCA 找最大方差轴且不需标签、LDA 最小化类内最大化类间,并列举局部特征方法,支撑对两条技术路线的对比。 - 原始内容:目前最常用的自动人脸识别技术仍旧是特征脸提取方法。特征脸方法是从整体上对人脸识别的方法:一种面部图像可以表示为从高维图像空间映射到低维空间的一个点,这使分类变得更加容易。通过主成分分析就可找到低维子空间具有最大方差的轴。