【免费】64.人脸识别经典算法三：Fisherface（LDA）-笔记-CSDN博客1资源-CSDN文库

需积分: 0 25 浏览量 2022-08-03 23:08:08 上传评论收藏 468KB PDF 举报

资源推荐

资源详情

资源评论

Fisherface是由Ronald Fisher发明的，想必这就是Fisherface名字由来。Fisherface所基

于的LDA（Linear Discriminant Analysis，线性判别分析）理论和特征脸里用到的PCA有相

似之处，都是对原有数据进行整体降维映射到低维空间的方法，LDA和PCA都是从数据整体入

手而不同于LBP提取局部纹理特征。如果阅读本文有难度，可以考虑自学斯坦福公开课机器

学习或者补充线代等数学知识。

同时作者要感谢cnblogs上的大牛JerryLead，本篇博文基本摘自他的线性判别分析（Linear

Discriminant Analysis）[1]。

1

、

数

据

集

是

二

类

情

况

通常情况下，待匹配人脸要和人脸库内的多张人脸匹配，所以这是一个多分类的情况。出于

简单考虑，可以先介绍二类的情况然后拓展到多类。假设有二维平面上的两个点集x（x是包

含横纵坐标的二维向量），它们的分布如下图（1）（分别以蓝点和红点表示数据）：

原有数据是散布在平面上的二维数据，如果想用一维的量（比如到圆点的距离）来合理的表

示而且区分开这些数据，该怎么办呢？一种有效的方法是找到一个合适的向量w（和数据相

同维数），将数据投影到w上（会得到一个标量，直观的理解就是投影点到坐标原点的距

离），根据投影点来表示和区分原有数据。以数学公式给出投影点到到原点的距离：

y=wTx。图（1）给出了两种w方案，w以从原点出发的直线来表示，直线上的点是原数据的投

影点。直观判断右侧的w更好些，其上的投影点能够合理的区分原有的两个数据集。但是计

算机不知道这些，所以必须要有确定的方法来计算这个w。

首先计算每类数据的均值（中心点）：

这里的i是数据的分类个数，Ni代表某个分类下的数据点数，比如u1代表红点的中心，u2代

表蓝点的中心。

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余7页未读，立即下载

内容反馈

空城大大叔

粉丝: 21
资源: 313

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip