基于PCA的人脸识别系统和基于FLD的人脸识别系统

资 源 简 介

基于PCA的人脸识别系统和基于FLD的人脸识别系统

详 情 说 明

PCA与FLD是两种经典的人脸识别特征提取方法。PCA（主成分分析）通过正交变换将原始高维数据投影到低维空间，保留最大方差方向的特征，适用于无监督的降维场景。其核心思想是找到数据分布的主要方向，用少数特征向量表示人脸图像。

FLD（Fisher线性判别）则是一种有监督的线性分类方法，通过最大化类间散度与类内散度的比值来寻找最优投影方向。相比PCA，FLD能更好地区分不同个体的人脸特征，特别适合处理具有明确类别标签的数据集。

在实际系统实现中，两种方法通常遵循相似的处理流程：首先对输入图像进行灰度化和归一化预处理，然后计算特征子空间（PCA求协方差矩阵特征向量/FLD求最优投影矩阵），最后采用最近邻分类器等算法进行身份匹配。文献中提到的Eigenfaces对应PCA方法，Fisherfaces则对应FLD方法。

这两种技术各有优势：PCA计算效率高且对光照变化有一定鲁棒性，而FLD在类别可分性方面表现更优。现代人脸识别系统常采用两者结合的混合方法，或进一步与深度学习特征相结合。