pca算法，pca人脸识别算法什么时间提出的

本文目录一览

1，pca人脸识别算法什么时间提出的
2，请问怎么计算影像的PCA变换
3，人脸识别算法的分类
4，python pca怎么得到主成份

1，pca人脸识别算法什么时间提出的

pca具有简单。快速、易行的特点，能从整体上反映人脸图像的灰度相关性，具有一定的实用价值，具体出现时间不明。

pca人脸识别算法什么时间提出的

2，请问怎么计算影像的PCA变换

提出了基于 PCA 变换的遥感影像融合算法。通过 PCA 变换, 在尽可能的保留主要信息的前提下, 除去波段之间的冗余数据, 减少处理的数据量, 来提高融合的效率; 通过 PCA 变换进行波段重采样合成新的彩色图像, 再与滤波处理后的全色图像进行融合。实际数据测试,证明了本文方法的可行性,并达到了预期的融合效果

请问怎么计算影像的PCA变换

3，人脸识别算法的分类

人脸识别法主要集中在二维图像方面，二维人脸识别主要利用分布在人脸上从低到高80个节点或标点，通过测量眼睛、颧骨、下巴等之间的间距来进行身份认证。人脸识别算法主要有：1.基于模板匹配的方法:模板分为二维模板和三维模板，核心思想:利用人的脸部特征规律建立一个立体可调的模型框架,在定位出人的脸部位置后用模型框架定位和调整人的脸部特征部位,解决人脸识别过程中的观察角度、遮挡和表情变化等因素影响。2.基于奇异值特征方法：人脸图像矩阵的奇异值特征反映了图像的本质属性，可以利用它来进行分类识别。3.子空间分析法：因其具有描述性强、计算代价小、易实现及可分性好等特点，被广泛地应用于人脸特征提取，成为了当前人脸识别的主流方法之一。4.局部保持投影(Locality Preserving Projections，LPP)是一种新的子空间分析方法，它是非线性方法Laplacian Eigen map的线性近似，既解决了PCA等传统线性方法难以保持原始数据非线性流形的缺点，又解决了非线性方法难以获得新样本点低维投影的缺点。5.主成分分析(PCA)PCA模式识别领域一种重要的方法，已被广泛地应用于人脸识别算法中，基于PCA人脸识别系统在应用中面临着一个重要障碍：增量学习问题。增量PCA算法由新增样本重构最为重要 PCS，但该方法随着样本的增加，需要不断舍弃一些不重要PC，以维持子空间维数不变，因而该方法精度稍差。6.其他方法：弹性匹配方法、特征脸法(基于KL变换)、人工神经网络法、支持向量机法、基于积分图像特征法(adaboost学习)、基于概率模型法。二维人脸识别方法的最大不足是在面临姿态、光照条件不同、表情变化以及脸部化妆等方面较为脆弱，识别的准确度受到很大限制，而这些都是人脸在自然状态下会随时表现出来的。三维人脸识别可以极大的提高识别精度，真正的三维人脸识别是利用深度图像进行研究，自90年代初期开始，已经有了一定的进展。三维人脸识别方法有：1.基于图像特征的方法：采取了从3D结构中分离出姿态的算法。首先匹配人脸整体的尺寸轮廓和三维空间方向；然后，在保持姿态固定的情况下，去作脸部不同特征点(这些特征点是人工的鉴别出来)的局部匹配。2.基于模型可变参数的方法：使用将通用人脸模型的3D变形和基于距离映射的矩阵迭代最小相结合，去恢复头部姿态和3D人脸。随着模型形变的关联关系的改变不断更新姿态参数，重复此过程直到最小化尺度达到要求。基于模型可变参数的方法与基于图像特征的方法的最大区别在于：后者在人脸姿态每变化一次后，需要重新搜索特征点的坐标，而前者只需调整3D变形模型的参数。

人脸识别算法的分类

4，python pca怎么得到主成份

一般步骤来实现PCA算法（1）零均值化假如原始数据集为矩阵dataMat，dataMat中每一行代表一个样本，每一列代表同一个特征。零均值化就是求每一列的平均值，然后该列上的所有数都减去这个均值。也就是说，这里零均值化是对每一个特征而言的，零均值化都，每个特征的均值变成0。实现代码如下：[python] view plain copydef zeroMean(dataMat): meanVal=np.mean(dataMat,axis=0) #按列求均值，即求各个特征的均值 newData=dataMat-meanVal return newData,meanVal 函数中用numpy中的mean方法来求均值，axis=0表示按列求均值。该函数返回两个变量，newData是零均值化后的数据，meanVal是每个特征的均值，是给后面重构数据用的。（2）求协方差矩阵[python] view plain copynewData,meanVal=zeroMean(dataMat) covMat=np.cov(newData,rowvar=0) numpy中的cov函数用于求协方差矩阵，参数rowvar很重要！若rowvar=0，说明传入的数据一行代表一个样本，若非0，说明传入的数据一列代表一个样本。因为newData每一行代表一个样本，所以将rowvar设置为0。covMat即所求的协方差矩阵。（3）求特征值、特征矩阵调用numpy中的线性代数模块linalg中的eig函数，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，每一列带别一个特征向量。特征值和特征向量是一一对应的（4）保留主要的成分[即保留值比较大的前n个特征]第三步得到了特征值向量eigVals，假设里面有m个特征值，我们可以对其排序，排在前面的n个特征值所对应的特征向量就是我们要保留的，它们组成了新的特征空间的一组基n_eigVect。将零均值化后的数据乘以n_eigVect就可以得到降维后的数据。代码如下：[python] view plain copyeigValIndice=np.argsort(eigVals) #对特征值从小到大排序 n_eigValIndice=eigValIndice[-1:-(n+1):-1] #最大的n个特征值的下标 n_eigVect=eigVects[:,n_eigValIndice] #最大的n个特征值对应的特征向量 lowDDataMat=newData*n_eigVect #低维特征空间的数据 reconMat=(lowDDataMat*n_eigVect.T)+meanVal #重构数据 return lowDDataMat,reconMat 代码中有几点要说明一下，首先argsort对特征值是从小到大排序的，那么最大的n个特征值就排在后面，所以eigValIndice[-1:-(n+1):-1]就取出这个n个特征值对应的下标。【python里面，list[a:b:c]代表从下标a开始到b，步长为c。】