下载文档原格式
线性代数在人脸识别中的应用人脸识别作为一种生物识别技术，近年来得到了广泛的应用和发展。
它通过对人脸图像进行特征提取和匹配，可以进行身份验证、门禁管理以及安全监控等方面的应用。
而在人脸识别的技术实现中，线性代数扮演着重要的角色。
本文将探讨线性代数在人脸识别中的应用。
一、特征向量与特征值在人脸识别中，对人脸图像进行特征提取是关键的一步。
而特征向量和特征值是线性代数中的重要概念，它们也在人脸识别中发挥着重要作用。
通过将每个人脸图像转化为一个向量，并将所有人脸图像的向量组成一个矩阵，我们可以使用线性代数中的特征向量和特征值的求解方法来获取这个矩阵的主要特征。
通过求解这个矩阵的特征值和特征向量，我们可以得到数据中的主要变化模式，从而进一步提取人脸图像的特征。
二、线性变换和线性映射在人脸识别中，线性变换和线性映射也是常用的方法之一。
线性代数提供了求解线性变换和线性映射的工具和方法。
假设我们有一个人脸图像的矩阵，我们可以通过线性变换来对图像进行处理，例如平移、旋转和缩放等操作。
这些线性变换可以通过矩阵乘法来表示，其中矩阵中的元素代表相应的变换参数。
通过对人脸图像进行线性变换，可以对图像进行修正和调整，从而提高人脸识别的准确度。
线性映射也是人脸识别中常用的方法之一。
它通过将高维特征空间映射到低维特征空间来实现人脸识别。
线性代数中的特征值分解和奇异值分解方法可以帮助我们实现这种线性映射。
三、矩阵运算与矩阵分解在人脸识别中，矩阵运算和矩阵分解是线性代数的常见应用。
通过矩阵运算，可以对人脸图像进行处理和计算。
例如，可以通过矩阵乘法来计算两个人脸图像之间的距离，从而判断它们的相似度。
矩阵分解是将一个矩阵分解为更简单形式的矩阵的过程。
在人脸识别中，常用的矩阵分解方法有奇异值分解（SVD）和特征值分解。
通过矩阵分解，我们可以提取出人脸图像的主要特征，从而对人脸图像进行匹配和识别。
四、线性代数模型的建立线性代数提供了建立人脸识别模型的基础。
矩阵论在像处理中的应用矩阵论在图像处理中的应用随着数字图像处理技术的快速发展，矩阵论在图像处理中的应用也变得越来越重要。
矩阵论为图像处理提供了一种有效的数学工具和方法，能够更好地处理图像数据，提高图像处理的精度和效率。
本文将探讨矩阵论在图像处理中的几个重要应用领域。
一、图像滤波图像滤波是图像处理的基础，其目的是去除图像中的噪声、平滑图像、增强图像的细节。
矩阵论提供了一种有效的滤波方法，即卷积运算。
卷积运算可以通过将图像与卷积核进行点乘和求和的方式来实现。
卷积核可以根据具体的需求来设计，例如，高斯滤波器可以用于平滑图像，锐化滤波器可以用于增强边缘等。
通过矩阵计算，可以高效地实现各种滤波操作。
二、图像压缩图像压缩是图像处理中的重要任务之一，可以减少图像数据的存储空间，提高图像传输的效率。
矩阵论提供了一种重要的压缩方法，即奇异值分解（SVD）。
SVD将一个矩阵分解为三个矩阵的乘积，其中一个矩阵包含了图像的奇异值，可以用于表示图像的重要信息。
通过保留奇异值的前几个较大值，可以实现对图像压缩和还原。
SVD方法在图像压缩中应用广泛，例如JPEG2000图像压缩算法就采用了SVD方法。
三、图像分割图像分割是将图像划分为不同的区域或对象的过程，是图像分析和理解的关键步骤。
矩阵论提供了一种主流的图像分割方法，即谱聚类。
谱聚类通过将图像表示为一个图拉普拉斯矩阵，并对该矩阵进行特征值分解，得到图像的特征向量。
通过对特征向量进行聚类，可以实现对图像的有效分割。
谱聚类方法可以应用于各种图像分割任务，例如目标检测、图像分割等。
四、图像识别图像识别是指通过计算机对输入的图像进行识别和分类。
矩阵论在图像识别中具有重要的应用，例如主成分分析（PCA）。
PCA通过对图像的特征矩阵进行特征值分解，找到图像的主要特征，从而实现对图像进行分类和识别。
PCA方法在图像识别领域广泛应用，例如人脸识别、手写字符识别等。
总结：矩阵论在图像处理中具有广泛的应用，包括图像滤波、图像压缩、图像分割和图像识别等领域。
机器学习知识：机器学习中的矩阵分解方法矩阵分解方法是机器学习中的一种重要算法，它可以将高维数据降维，使得数据更易于处理和理解。
本文将介绍矩阵分解的概念、应用场景和常见方法等相关知识，帮助读者了解机器学习中的矩阵分解技术。
一、什么是矩阵分解矩阵分解是将一个大型稠密矩阵分解成为多个小的稀疏矩阵的过程，可以有效降低数据规模，简化计算复杂度。
矩阵分解在很多领域都得到了广泛的应用，尤其是在推荐系统、自然语言处理和图像处理等领域。
二、矩阵分解的应用场景推荐系统是矩阵分解的一个重要应用场景。
推荐系统的目的是为用户提供他们可能感兴趣的产品或者服务，从而提高用户的购买率和满意度。
在推荐系统中，每个用户和每个产品都可以看作是矩阵中的一个元素，因此可以通过矩阵分解来预测用户对产品的喜好程度，从而进行个性化推荐。
自然语言处理也是另一个重要的应用领域。
人类语言具有很高的复杂性，不同的语言之间也存在着很大的差异。
因此，在自然语言处理中往往需要对单词进行编码，以便机器可以更好地处理它们。
这些编码可以在一个矩阵中进行表示，然后通过矩阵分解来提取文本信息。
三、矩阵分解的常见方法1、SVD分解SVD分解是矩阵分解中最常见的方法之一。
它将一个较大的矩阵分解为三个较小的矩阵，并可以有效降维。
其中，第一个矩阵代表数据的样本，第二个矩阵代表数据的属性，第三个矩阵则是特征值矩阵。
2、PCA分解PCA分解是另一个常见的矩阵分解方法。
它通过协方差矩阵的特征值和特征向量来降维。
在这个过程中，PCA会找到最大的方差并将数据投影到具有最大方差的维度上。
这样可以有效地减少数据的维度，从而简化数据的处理。
3、NMF分解NMF分解是另一种常见的矩阵分解方法，它可以对非负数据进行有效的降维和特征提取。
NMF分解中，矩阵中的每一个元素都必须是非负的。
这样可以更好地处理各种类型的非负数据，例如图像中的像素值和声音中的频率等。
四、矩阵分解的优缺点优点：1、降低数据维度，减少特征数量，提高模型效率和预测准确度。
矩阵分解应用矩阵分解是一种将一个大型矩阵分解成多个小矩阵的数学方法。
它在各个领域都有着广泛的应用，包括图像处理、推荐系统、自然语言处理等。
本文将介绍矩阵分解的一些应用，并从实际案例中探讨其作用和优势。
矩阵分解在图像处理中有着重要的作用。
图像可以看作是由像素点组成的矩阵，每个像素点的数值代表了其在图像中的亮度或颜色。
通过对图像矩阵进行分解，可以提取出图像的特征，如边缘、纹理等。
这些特征对于图像的识别、分类和重建非常重要。
例如，在人脸识别中，可以将人脸图像矩阵进行分解，得到表示人脸特征的小矩阵，再通过比对数据库中的小矩阵，可以实现人脸的识别。
矩阵分解在推荐系统中也有广泛的应用。
推荐系统旨在根据用户的历史行为和偏好，为用户推荐个性化的商品或服务。
矩阵分解可以将用户对商品的评分矩阵分解为用户特征矩阵和商品特征矩阵，通过计算它们的内积来预测用户对未评分商品的评分。
这种方法不仅可以提高推荐准确度，还可以解决数据稀疏性和冷启动等问题。
例如，Netflix就使用了矩阵分解方法来实现其著名的电影推荐系统。
矩阵分解在自然语言处理中也有重要的应用。
自然语言处理是研究如何使计算机能够理解和处理人类语言的一门学科。
在文本分类、情感分析和机器翻译等任务中，矩阵分解可以将文本矩阵分解为词向量矩阵和语义矩阵，从而提取出文本的语义特征。
这些特征可以用于计算文本之间的相似度、进行情感分析和实现机器翻译等任务。
例如，Google的Word2Vec模型就是基于矩阵分解思想实现的，它可以将单词表示为低维向量，并通过向量之间的相似度来计算单词之间的关联性。
矩阵分解作为一种强大的数学工具，在图像处理、推荐系统和自然语言处理等领域都有着广泛的应用。
通过对大型矩阵的分解，可以提取出其潜在的结构和特征，从而实现更高效、更准确的数据处理和分析。
随着技术的不断发展和创新，相信矩阵分解在更多领域会有更多的应用机会。
浅析矩阵分解的原理及其在人脸识别中的应用摘要：矩阵分解方法有多种，本文首先对矩阵的分解方法做了简单的介绍，这些分解在数值代数和最优化问题的解决中都有着十分重要的角色以及在其它领域方面也起着必不可少的作用。
人脸识别是指采用机器对人脸图像进行分析,进而提取有效的识别信息从而达到身份辨认的目的。
近年来因其在安全、认证、人机交互、视频电话等方面的广泛应用前景而越来越成为计算机模式识别领域的热点。
本文在分析矩阵分解的原理后详细针对其在人脸识别中的应用做了一些初步认识的总结。
关键词：矩阵分解QR分解奇异值分解非负矩阵分解人脸识别矩阵是数学中最重要的基本概念之一，是代数学的一个主要研究对象，也是数学研究及应用的一个重要工具。
在近代数学、工程技术、信息处理、经济理论管理科学中，也大量涉及到矩阵理论的知识，矩阵分解是指根据一定的原理用某种算法将一个矩阵分解成若干个矩阵的乘积或者一些矩阵之和。
这些分解式的特殊形式，一是能明显地反映出原矩阵的某些特征；二是分解的方法与过程提供了某些有效的数值计算方法和理论分析依据。
人脸识别是指采用机器对人脸图像进行分析 ,进而提取有效的识别信息从而达到身份辨认的目的。
虽然人类能轻松地识别出人脸,但人脸的自动机器识别却是一个难度极大的课题,它涉及到图像处理、模式识别、计算机视觉和神经网络等学科,也和对人脑的认识程度紧密相关。
现在矩阵分解在人脸识别中应用很广泛，有不同的算法来实现，本文将对现有的算法做总结和比较。
1 矩阵的分解方法矩阵分解 (decomposition, factorization)是将矩阵拆解为数个矩阵的乘积，可分为三角分解、满秩分解、QR分解、Jordan分解和SVD（奇异值）分解等，常见的有三种：1)三角分解法 (Triangular Factorization)，2)QR 分解法 (QR Factorization)，3)奇异值分解法 (Singular Value Decomposition)。
SHANDONGＵＮＩＶＥＲＳＩＴＹＯＦＴＥＣＨＮＯＬＯＧＹ毕业论文矩阵理论在数字图像处理中的应用学院：理学院专业：数学与应用数学〔师范类〕学生姓名：刘小慧学号： 1112124027 指导老师：曹永林2021年6月摘要矩阵作为研究数学问题的一项根底工具，有着自身特有的性质和运算方法，它不仅可以对不同的问题进展针对性简化，还可以快速看到问题的本质并加以解m 决。
计算机对图像进展处理和显示的根底是数字图像，而数字图像的本质是n 〔每行m个像素，总共n行〕的矩阵。
从而，便可以通过像素矩阵把图像处理归结到矩阵分析的方法中来,利用分析矩阵的方式来对图像进展相应的处理,实现图像处理与矩阵分析的交融。
首先，本文介绍了数字图像处理的目的、意义以及在社会生活和科学研究中各方面的应用，其主要涉及航天和航空技术、生物医学、军事公安等方面。
在第二章重点介绍了由连续图像获取数字图像的方法，该方法主要包括采样和量化两个过程。
在数字图像的根底上，本文主要实现了以下几个处理：〔1〕利用图像的滤波理论，实现图像去噪，改善图像的质量；〔2〕利用矩阵的初等变换理论，实现了图像的几何变换，主要包括平移变换、旋转变换和镜像变换；〔3〕先从集合角度介绍了形态学的根本运算，又结合其几何意义加以深化理解。
此外，本文重点讨论了矩阵的非负分解理论，分解矩阵的目的是从图像中提取有效信息。
通过对几种矩阵分解方法的比拟，最终发现，基于最小二乘法的非负矩阵分解法的分解结果更具有实用性。
最后，本文将非负矩阵分解理论应用到人脸识别技术处理中，通过与主成分分析法比拟发现，非负矩阵分解法因有了非负控制，其对人脸特征的提取更具有直观意义上的部分合成整体的效果，物理意义也更加明显。
矩阵的出现不但简化了方程求解的过程，而且对现实生活也有理论指导意义。
通过矩阵理论，我们可以满足计算机处理图像的要求，实现对数字图像的变换和处理，使人脸识别技术原理更直观。
同时，通过这些理论让我们更清楚的知道，科学理论是科学理论的根底，数学作为一门根底学科，为其他应用科学提供了坚实的理论根底。
线性代数在人脸识别中的应用近年来，随着人工智能技术的快速发展，人脸识别技术逐渐渗透到我们的生活中。
无论是手机解锁、身份验证还是安防监控，人脸识别技术的应用已经成为现实。
而在人脸识别技术的背后，线性代数发挥着重要的作用。
在人脸识别中，首先需要将人脸图像转化为计算机能够处理的数字数据。
这一过程称为特征提取。
线性代数中的矩阵运算是实现特征提取的基础。
通过将人脸图像转化为矩阵形式，可以利用矩阵运算来提取人脸的特征信息。
在特征提取的过程中，常用的方法是主成分分析（Principal Component Analysis，PCA）。
PCA通过线性变换将原始的高维数据转化为低维数据，从而实现降维的目的。
在人脸识别中，PCA可以将人脸图像转化为一组特征向量，这些特征向量包含了人脸的主要特征信息。
通过比较不同人脸图像的特征向量，可以判断是否为同一个人。
除了PCA，线性代数中的奇异值分解（Singular Value Decomposition，SVD）也被广泛应用于人脸识别中。
SVD可以将一个矩阵分解为三个矩阵的乘积，其中一个矩阵包含了矩阵的奇异值。
在人脸识别中，SVD可以将人脸图像矩阵分解为一组基础特征图像和对应的奇异值。
通过比较不同人脸图像的基础特征图像和奇异值，可以进行人脸识别。
除了特征提取，线性代数还在人脸识别中发挥着重要的作用。
在人脸识别系统中，需要建立一个人脸数据库，存储不同人脸图像的特征信息。
当系统接收到一个新的人脸图像时，需要与数据库中的人脸进行比对，找到最匹配的人脸。
这一过程涉及到矩阵的相似度计算。
在线性代数中，矩阵的相似度可以通过计算矩阵之间的距离来实现。
常用的距离度量方法包括欧氏距离、曼哈顿距离等。
通过计算新的人脸图像与数据库中人脸图像的距离，可以找到最相似的人脸。
线性代数中的向量运算和矩阵运算为这一过程提供了高效的计算方法。
除了距离计算，线性代数还在人脸识别中用于解决线性方程组。
在人脸识别中，经常需要解决线性方程组来求解人脸图像的特征向量。
矩阵理论在像识别中的应用矩阵理论在图像识别中的应用图像识别是一门涉及计算机视觉和模式识别的领域，旨在将图像转化为可理解和处理的数据。
在图像识别的过程中，矩阵理论扮演着重要的角色。
本文将探讨矩阵理论在图像识别中的应用，并分析其在该领域的重要性。
1. 矩阵表示图像在图像处理中，矩阵被广泛用于表示图像。
图像可以被看作是一个像素矩阵，每个像素都包含了图像在特定位置的颜色信息。
通过将图像分解为像素矩阵，可以更好地理解和处理图像。
2. 矩阵运算在特征提取中的应用特征提取是图像识别的关键步骤，它旨在从图像中提取出具有代表性的特征以进行分类或识别。
矩阵运算在特征提取中起着重要作用。
例如，使用卷积运算，我们可以通过计算图像矩阵与一组滤波器之间的卷积来提取图像的局部特征。
这样的运算可以帮助我们捕捉到图像的纹理、边缘等关键信息。
3. 矩阵相似度测量在图像识别中，我们常常需要计算两个图像之间的相似度。
矩阵相似度测量是其中一种常用的方法。
通过将图像转化为矩阵表示，我们可以计算矩阵之间的距离或相似度来判断其相似程度。
常用的矩阵相似度测量方法包括欧式距离、余弦相似度等。
这些方法使得我们可以比较和分类不同的图像。
4. 矩阵分解与降维图像数据通常是高维的，包含大量的冗余信息。
为了简化图像处理和提高计算效率，矩阵分解与降维方法被广泛应用于图像识别中。
通过将图像矩阵进行主成分分析（PCA）或奇异值分解（SVD）等处理，可以将图像数据映射到低维空间中，同时保留了最重要的特征。
这样做不仅可以简化图像的表示和计算，还可以提高识别的准确性和速度。
5. 矩阵分类与识别矩阵分类与识别是图像识别的关键任务之一。
通过将图像特征表示为矩阵，我们可以使用不同的分类算法（如支持向量机、神经网络等）对其进行训练和分类。
这些算法利用矩阵的数学性质来提取图像的特征并进行分类。
通过不断优化和调整算法，可以提高图像识别的准确性和鲁棒性。
总结起来，矩阵理论在图像识别中具有重要的应用价值。
数学技术在人脸识别中的应用原理解析人脸识别技术是一种基于数学算法的先进技术，通过对人脸图像的处理和分析，实现对人脸的自动识别和辨认。
在现代社会中，人脸识别技术已经广泛应用于各个领域，如安防监控、手机解锁、身份认证等。
本文将从数学技术的角度，对人脸识别技术的应用原理进行解析。
首先，人脸识别技术的核心是对人脸图像进行特征提取。
在数学中，图像可以被表示为一个矩阵，其中每个像素点的亮度值可以用一个数字表示。
人脸图像的特征提取可以通过各种数学方法实现，其中一种常用的方法是主成分分析（PCA）。
PCA是一种统计学方法，通过对数据进行降维，找到数据中最重要的特征，从而实现对人脸图像的特征提取。
具体而言，PCA通过计算协方差矩阵和特征值分解，将高维的人脸图像转化为低维的特征向量，从而实现对人脸图像的描述和比较。
其次，人脸识别技术的关键是建立一个有效的人脸数据库。
在数学中，数据库可以被表示为一个矩阵，其中每一行代表一个人脸图像的特征向量。
为了实现人脸识别，需要对数据库中的人脸图像进行预处理和标准化。
预处理包括对人脸图像进行裁剪、对比度调整等操作，以提高识别的准确性。
标准化则是通过对人脸图像进行归一化处理，使得不同人脸图像之间的差异最小化。
在建立数据库的过程中，数学技术还可以应用于人脸图像的分类和聚类，以提高数据库的效率和可靠性。
最后，人脸识别技术的实现离不开数学模型的建立和训练。
在数学中，模型可以被表示为一个函数，将输入映射到输出。
对于人脸识别技术而言，模型可以是一个分类器，将输入的人脸图像映射到对应的人脸身份。
建立模型的关键是通过大量的训练数据，调整模型的参数，使得模型能够最好地拟合训练数据，并在测试数据上达到较高的准确率。
在训练模型的过程中，数学技术可以应用于模型的优化和参数调整，以提高模型的性能和泛化能力。
综上所述，数学技术在人脸识别中的应用原理主要包括特征提取、数据库建立和模型训练。
通过对人脸图像的处理和分析，数学技术可以实现对人脸的自动识别和辨认。
浅析矩阵分解的原理及其在人脸识别中的应用摘要：矩阵分解方法有多种，本文首先对矩阵的分解方法做了简单的介绍，这些分解在数值代数和最优化问题的解决中都有着十分重要的角色以及在其它领域方面也起着必不可少的作用。
人脸识别是指采用机器对人脸图像进行分析,进而提取有效的识别信息从而达到身份辨认的目的。
近年来因其在安全、认证、人机交互、视频电话等方面的广泛应用前景而越来越成为计算机模式识别领域的热点。
本文在分析矩阵分解的原理后详细针对其在人脸识别中的应用做了一些初步认识的总结。
关键词：矩阵分解QR分解奇异值分解非负矩阵分解人脸识别矩阵是数学中最重要的基本概念之一，是代数学的一个主要研究对象，也是数学研究及应用的一个重要工具。
在近代数学、工程技术、信息处理、经济理论管理科学中，也大量涉及到矩阵理论的知识，矩阵分解是指根据一定的原理用某种算法将一个矩阵分解成若干个矩阵的乘积或者一些矩阵之和。
这些分解式的特殊形式，一是能明显地反映出原矩阵的某些特征；二是分解的方法与过程提供了某些有效的数值计算方法和理论分析依据。
人脸识别是指采用机器对人脸图像进行分析 ,进而提取有效的识别信息从而达到身份辨认的目的。
虽然人类能轻松地识别出人脸,但人脸的自动机器识别却是一个难度极大的课题,它涉及到图像处理、模式识别、计算机视觉和神经网络等学科,也和对人脑的认识程度紧密相关。
现在矩阵分解在人脸识别中应用很广泛，有不同的算法来实现，本文将对现有的算法做总结和比较。
1 矩阵的分解方法矩阵分解 (decomposition, factorization)是将矩阵拆解为数个矩阵的乘积，可分为三角分解、满秩分解、QR分解、Jordan分解和SVD（奇异值）分解等，常见的有三种：1)三角分解法 (Triangular Factorization)，2)QR 分解法 (QR Factorization)，3)奇异值分解法 (Singular Value Decomposition)。
1.1 矩阵的三角（LU）分解LU分解，设A=()是n阶可逆矩阵，如果A的对角线下（上）方的元素全为零，即对i>j，=0（对i<j,=0）,则称矩阵A为上（下）三角矩阵，上三角矩阵和下三角矩阵统称为三角矩阵。
=如果有下三角矩阵L和上三角矩阵U，使得A=LU，则称A能做三角分解，并且称A=LU为A的三角分解或LU分解。
1.2 矩阵的QR分解矩阵的QR分解（正交三角分解）在解决最小二乘问题、特征值计算、广义逆矩阵的计算方面，都是十分重要的。
以下为矩阵的QR分解：设A是n阶可逆实矩阵，则A可惟一分解为A=QR其中，Q为正交矩阵，R是主对角元素都是正数的上三角矩阵。
1.3 矩阵的满秩分解矩阵的满秩分解是将非零矩阵分解为列满秩和行满秩矩阵的乘积。
设A(r>0)如果存在矩阵F和G，使得：A=FG则称其为矩阵A的满秩分解。
1.4 矩阵的奇异值分解奇异值分解在某些方面与对称矩阵或Hermite矩阵基于特征向量的对角化类似。
然而这两种矩阵分解尽管有其相关性，但还是有明显的不同。
对称阵特征向量分解的基础是谱分析，而奇异值分解则是谱分析理论在任意矩阵上的推广。
奇异值分解(SVD)是另一种正交矩阵分解法；SVD是最可靠的分解法，但是它比QR分解法要花上近十倍的计算时间。
[U,S,V]=svd(A)，其中U和V代表二个相互正交矩阵，而S代表一对角矩阵。
和QR分解法相同者，原矩阵A不必为正方矩阵。
使用SVD分解法的用途是解最小平方误差法和数据压缩。
矩阵的奇异值在最优化问题、特针织问题、最小二乘方向题、广义逆矩阵问题及统计学等方面都有重要的作用。
设A，则存在m阶酉矩阵U和n阶酉矩阵V，使得其中E=diag(),而为A的正奇异值，称为A的奇异值分解。
2 矩阵分解在人脸识别中的应用2.1 矩阵分解应用于人脸识别的发展历史人脸识别的研究可以追溯到 20 世纪 60 年代 ,近 20 年来得到了迅速发展 ,涌现出了很多新的方法。
这些方法的有效性很大程度上取决于它们所提取的人脸特征。
目前可利用人脸特征可分为四类:视觉特征 ,统计特征 ,变换系数特征和代数特征等。
其中 ,代数特征被认为是人脸的本质特征 ,表征了人脸图像的内在特性。
目前典型的代数特征主要包括奇异值特征和本征脸( Eigenfaces)特征等。
本征脸( Eigenfaces)技术比较成熟 ,但其计算较为复杂 ,因此国内关于代数特征的研究主要集中于奇异值特征上Hong在文献中首先提出了经典的基于奇异值特征的人脸识别方法 ,把人脸图像视为一个矩阵 ,进行奇异值分解从而提取其奇异值特征 ,并投影到 Foley2Sammon 最佳鉴别平面进行识别 ,但在实验中误识率为42. 67 % ,Hong 认为是小样本对统计方法的影响。
随后许多人提出了消除小样本统计方法的影响的方法，但是这些方法均采用人脸的奇异值特征取代原始的人脸图像。
然而最近的研究表明 ,这是远远不够的，后来的文献中有人发现人脸的奇异值特征只包含了少数有用信息 ,更多的信息则包含在由两个正交矩阵组成的特征矩阵中 ,由此提出了在识别时采用将待识别的人脸向每个已知人脸的特征矩阵投影 ,取投影后得到的系数矢量作为特征同已知人脸的奇异值特征进行比较识别。
该方法在 ORL 人脸库上获得了 92.50 %的识别率。
值得注意的是 ,投影后得到的系数矩阵一般为非对角矩阵 ,且非对角线上的系数包含了许多关键的识别信息。
2.2 QR分解在人脸识别中的应用针对维数压缩中的鉴别信息提取，对一种已有的解决小样本问题的直接线性鉴别分析方法(direct linear discriminate analysis。
DIDA)，利用矩阵的QR分解实现数据的预处理，并且在低维的空间内实现了特征提取，实现算法的实时处理。
最后，在ORI 人脸数据库上的实验结果验证方法的有效性。
维数压缩很重要的一个目的是为了实现样本分类，利用Fisher鉴别准则能在维数压缩过程之中融入样本的鉴别信息，但是小样本问题是在利用Fisher鉴别准则时经常会遇到的问题，直接线性鉴别分析方法是解决此类问题的一个有效鉴别维数压缩方法。
在直接线性鉴别分析方法中引入矩阵QR分解的思想，为高维、小样本的有效鉴别信息提取提供了理论框架。
QR分解的引入，使得无需处理一个高维的原始样本矩阵。
通过分析矩阵的QR分解过程，可以在一个相对低维的空间中实现目标函数的优化．在第一步实现矩阵的目标函数优化之后，可以在一个较小的空间中实现特征提取过程．此时在新的空间之中，最佳鉴别矢量的计算只需在一个最大为C l(C为样本类别数)维空间中计算，有效降低了计算复杂度和对硬件存储性能的要求。
2.3 奇异值分解在人脸识别中的应用所有人脸识别方法的有效性都依赖于两方面：特征提取和特征匹配．特征提取，即寻找有效的特征，是解决识别问题的关键所在．用于识别的图像特征有多种，包括视觉特征、统计特征、变换系数特征以及代数特征等．其中，代数特征是由图像本身的灰度分布所确定的，它描述了图像的内在信息，而这种内在信息对增强图像的识别能力是非常重要的．奇异值就是一种很有效的代数特征，所以奇异值分解在数据压缩、信号处理和模式分析等许多方面都获得广泛应用．在某种程度上，奇异值特征同时拥有代数与几何两方面的不变性。
由于矩阵的奇异值分解可以看作，把一个秩为k的矩阵分解成一组秩为1的矩阵的加权和，则这样一幅图像就可以表示成如下形式：其中是奇异值，uiviT是SVD的正交基(这里也可以称为图像A的基图像)。
尽管对于任何给定的实矩阵A，在，≥≥⋯≥女的限制下，它的奇异值分解式A UΣvr和是唯一的，但相同的奇异值矩阵却可以对应不同的人，也就是说奇异值矩阵与人脸图像并不是一一对应的。
对于人脸的识别，仅仅利用奇异值是远远不够的，还要充分利用携带重要信息的正交矩阵。
根据SVD定理，这些正交矩阵的列，正好是奇异值对应于AAT和ATA的特征向量。
由于每一幅图像都有可能受到光照、姿势、表情等噪声的影响，所以对识别会造成很大干扰。
而原始数据矩阵的所有奇异值和特征向量中包含了该数据矩阵的全部信息(也包含了很多干扰信息)，同时对于那些有用的信息，每个奇异值和特征向量所包含的能量也是不同的，较大的奇异值及其对应的特征向量包含了较多的能量．本文通过保留SVD中前面部分较大的奇异值及其对应的特征向量，以剔除掉图像中由于光照、表隋、姿势等噪声影响所对应的高频信息，来重构图像，并以之作为一类人的一个模板图像来进行识别。
也就是说，首先对奇异值从大到小，进行排列，然后取前m(m<k)个较大的奇异值及其对应的特征向量ui vi，来重构一幅图像：重构得到的图像A’相当于将原图像A模糊化，从而提取出这一类人有别于其他类人的特征并用于识别。
使用人脸数字图像奇异值分解中，前面部分较大的奇异值及其对应的特征向量来重构图像，以剔除原图像中由于光照、表情、姿势等噪声影响对应的高频信息，并将重构图像作为模板进行识别．实验结果表明：一方面，保留奇异值及其对应的特征向量数目越多，对应的识别率越高．随着保留奇异值及其特征向量数目的增加，其对识别的贡献度逐渐降低．另一方面，训练样本的增加，一般可以提高识别率，在训练样本较少时，作用最为明显．但是训练样本过多，有可能会降低识别率。
在使用较少的奇异值和训练样本的情况下，仍然取得了相当高的识别率，高于PCA方法。
因而，不仅降低了工作量，而且提高了识别率，可谓一举两得．值得提出的是，当仅保留第1个或第2个奇异值及其对应特征向量来进行识别时，单幅图像的识别率就已经达到6O％以上，这是其他方法所无法比拟的。
当然，对于奇异值、特征向量在识别中分别所起的具体作用，还有待进一步研究。
2.3 非负矩阵分解及其在人脸识别中的应用常用的传统矩阵分解方法有：主成分分析(PCA)、独立成分分析(ICA)、矢量量化(VQ)、奇异值分解(SVD)等，其共同点是允许分解后结果出现负值，从计算角度看这是正确的，但就应用角度看负值是没有实际意义的。
NMF最成功的一类应用就是用于图像处理领域．图像本身包含大量数据，并在计算机内以矩阵形式存放，而关于图像的识别与处理也均以矩阵形式进行，这就使得NMF方法能够很好的与图像处理相结合，目前它已成为此领域中数据降维和特征提取的一种有效方法。
Lee和Seung首次提出NMF理论时，便将其用于人脸识别．Gui．D等提出了基于NMF的人脸识别方法，实验证明，NMF用于人脸识别方面有利于提高识别率。
但是在处理大规模图像信息时，NMF也存在许多问题，如丢失一些结构信息、加大计算量等，为此许多学者对其进行了不同方面的改进。
高宏娟等将图像矩阵取代传统图像向量表示，提出了一种(2D)‘NMF方法，用来提取二维图像的基本特征，同时还采取了特征正交化和图像变形等措施改善了算法性能，实验验证此法用于人脸识别时精度和速度都得到了提高。
