人脸识别经典算法一：特征脸方法（Eigenface）

最新推荐文章于 2025-02-20 20:02:11 发布

luckyspecter

最新推荐文章于 2025-02-20 20:02:11 发布

阅读量6.2k

点赞数 6

本文链接：https://blog.youkuaiyun.com/luckyspecter/article/details/117965742

版权

本文详细介绍了特征脸（Eigenface）方法在人脸识别中的应用，包括从获取人脸图像集合到计算平均脸，再到找到正交的特征向量，最终实现人脸降维表示和识别的过程。PCA（主成分分析法）作为理论基础，为特征脸的计算提供了方法。通过求解协方差矩阵的特征向量得到的特征脸，可以用于人脸的表示和识别。识别过程中，通过计算新脸与训练集中人脸的欧式距离来判断是否属于同一人。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这篇文章是撸主要介绍人脸识别经典方法的第一篇，后续会有其他方法更新。特征脸方法基本是将人脸识别推向真正可用的第一种方法，了解一下还是很有必要的。特征脸用到的理论基础PCA在另一篇博客里：特征脸(Eigenface)理论基础-PCA(主成分分析法) 。本文的参考资料附在最后了^_

步骤一：获取包含M张人脸图像的集合S。在我们的例子里有25张人脸图像（虽然是25个不同人的人脸的图像，但是看着怎么不像呢，难道我有脸盲症么），如下图所示哦。每张图像可以转换成一个N维的向量（是的，没错，一个像素一个像素的排成一行就好了，至于是横着还是竖着获取原图像的像素，随你自己，只要前后统一就可以），然后把这M个向量放到一个集合S里，如下式所示。

在这里插入图片描述

步骤二：在获取到人脸向量集合S后，计算得到平均图像Ψ ，至于怎么计算平均图像，公式在下面。就是把集合S里面的向量遍历一遍进行累加，然后取平均值。得到的这个Ψ 其实还挺有意思的，Ψ 其实也是一个N维向量，如果再把它还原回图像的形式的话，可以得到如下的“平均脸”，是的没错，还他妈的挺帅啊。那如果你想看一下某计算机学院男生平均下来都长得什么样子，用上面的方法就可以了。

在这里插入图片描述