1

我不知道这是否是一个相关论坛，但我一直在这里关注本教程：

http://www.openimaj.org/tutorial/eigenfaces.html

出于某种原因，这对我来说还不够清楚。有些事情我不明白。它在某一时刻说，

实现特征脸识别器的第一步是使用训练图像来学习 PCA 基础，我们将使用 PCA 基础将图像投影到可用于识别的特征中。EigenImages 类需要一个图像列表来学习基础（即每个人的所有训练图像），还需要知道我们希望我们的特征是多少维（即对应于最大的特征向量有多少）要保留的特征值）：

它会写下这段代码：

List<FImage> basisImages = DatasetAdaptors.asList(training);
int nEigenvectors = 100;
EigenImages eigen = new EigenImages(nEigenvectors);
eigen.train(basisImages);

所以我不明白。train()方法训练究竟是什么？据我所知，它只是应用 PCA 对吗？在我看来，训练总是与感知器或其他神经网络或带有参数的算法相关联。

我还需要一些帮助来理解练习 13.1.1，

13.1.1. 练习 1：重建面

Eigenfaces 算法（特别是从 PCA 过程中）提取的特征的一个有趣特性是可以从特征重建原始图像的估计。尝试通过如上所述构建 PCA 基础来做到这一点，然后从测试集中随机选择人脸的特征。使用 EigenImages#reconstruct() 将特征转换回图像并显示它。您需要标准化图像 (FImage#normalise()) 以确保它正确显示，因为重建可能会给出大于 1 或小于 0 的像素值。

在示例中，有一些代码已经提取了这些特征：

    Map<String, DoubleFV[]> features = new HashMap<String, DoubleFV[]>();
    for (final String person : training.getGroups()) {
        final DoubleFV[] fvs = new DoubleFV[nTraining];

        for (int i = 0; i < nTraining; i++) {
            final FImage face = training.get(person).get(i);
            fvs[i] = eigen.extractFeature(face);
        }
        features.put(person, fvs);
    }

所以，如果我只是这样称呼：

eigen.reconstruct(fvs[i]).normalise()-> 返回一个我可以显示的图像，它看起来像一张普通的脸，但它的尺寸真的很小（这是正常的吗？）。

应该做吗？

谢谢。

4

1 回答 1

2

对于第一个问题

PCA 有两个阶段：

  1. 学习（“训练”）将数据投影到低维空间的线性变换。这样做的方式是，变换空间中的第一个轴（主轴）位于“训练”数据中方差最大的方向；第二个轴在最大变化的方向上与第一个轴成直角；等等。
  2. 将学习到的变换应用于数据（“投影”数据）以降低其维度。

你会发现大多数关于 PCA 的描述都假设你有一些数据并且你只是想减少它的维度。更具体地说，假设两个步骤中的数据相同。然而，情况不一定如此；您可以对具有代表性的数据样本执行第 1 步来学习转换，然后将第 2 步应用于不同的数据（尽管要使结果有意义，这些数据应该来自同一总体）。

对于特征脸，您可以从部分或全部“训练”人脸数据中学习 PCA 变换，然后使用变换投影所有训练数据并训练监督分类器。当您想测试系统时，您可以使用学习到的 PCA 变换将以前看不见的数据项投影到低维空间中，然后将其传递给分类器。

对于第二个问题

eigen.reconstruct(fvs[i]).normalise()是正确的做法。重建的图像将具有与用于训练/测试的所有图像相同的尺寸（特征脸方法的一个限制是所有输入必须具有相同的尺寸）。在本教程中，AT&T 人脸数据集由分辨率相对较低的图像（92x112 像素）组成。

于 2015-09-19T10:41:46.870 回答