pca+fisher 人脸识别

资 源 简 介

pca+fisher 人脸识别

详 情 说 明

PCA+Fisher人脸识别方法结合了主成分分析（PCA）和Fisher线性判别分析（LDA），是一种经典的人脸识别技术。其核心思想是通过PCA降低数据维度，再利用Fisher准则找到最优分类投影方向，从而提高识别准确率。

方法流程 数据预处理：将人脸图像转换为灰度矩阵，并进行归一化处理，消除光照等干扰因素。 PCA降维：对训练集图像计算协方差矩阵，提取主要特征向量（即“特征脸”），将高维数据投影到低维子空间。 Fisher分类：在PCA降维后的空间中，利用Fisher准则寻找投影方向，使得类内散度最小化、类间散度最大化，从而增强可分性。 分类识别：测试图像经过相同的PCA和Fisher投影后，通过最近邻（KNN）或余弦相似度匹配完成识别。

MATLAB实现要点 图像数据库通常需包含多人多张不同角度/表情的样本，如ORL或Yale人脸库。 PCA步骤调用`eig`或`svd`函数求解特征向量，保留前k个主成分。 Fisher判别可通过计算类间/类内散度矩阵实现，最终投影矩阵为两者的广义特征向量。

适用场景 该方法适合中小规模数据集（如几十人的人脸库），计算效率高且易于实现，但对复杂姿态或遮挡的鲁棒性较弱，可进一步结合深度学习提升性能。