PCA+Fisher人脸识别

资 源 简 介

PCA+Fisher人脸识别

详 情 说 明

PCA+Fisher人脸识别是一种经典的特征降维与分类结合的方法，在ORL等标准人脸库上表现稳定。其核心分为两个阶段：首先通过PCA（主成分分析）压缩数据维度，消除冗余信息；再运用Fisher线性判别（LDA）进一步优化特征空间，提升类间区分度。

PCA阶段将高维人脸图像投影到特征脸空间，保留主要变化方向的特征向量，大幅减少计算量。Fisher判别则在降维后的子空间中，最大化不同人脸类别间的距离，同时最小化类内样本的离散度，使得投影后的特征更利于分类。

ORL人脸库包含40人不同光照和姿态的400张图像，常被用于验证算法鲁棒性。该方法的优势在于：既能克服原始图像的高维问题，又通过层级特征筛选增强模型判别能力，对小规模数据集尤其有效。实际应用时需注意Fisher判别对样本分布的要求，且PCA保留的主成分数量会显著影响最终识别率。