where ST denotes the total scatter

where ST denotes the total scatter matrix which contains pixel-wise covariances of the face data. Figure 3.1 shows examples of Eigenfaces generated from the generic training images of FRGC dataset [1] after pre-processing the face images such as normalizing faces for rotation, scale and illumination compensation. PCA is good for data representation but not necessarily for class discrimination as we will discuss next.

Kết quả (Việt) 1:

nơi ST là bắt ma trận tất cả phân tán chứa pixel-wise covariances dữ liệu khuôn mặt. Con số 3.1 cho thấy các ví dụ của Eigenfaces được tạo ra từ chung đào tạo hình ảnh của bộ dữ liệu FRGC [1] sau khi tiền xử lý hình ảnh khuôn mặt như bình thường hóa các khuôn mặt cho xoay, quy mô và chiếu sáng bồi thường. PCA là tốt cho đại diện dữ liệu nhưng không nhất thiết cho lớp phân biệt đối xử như chúng tôi sẽ thảo luận tiếp theo.

Kết quả (Việt) 2:

nơi ST biểu thị tổng số ma trận tán xạ, trong đó có hiệp phương pixel-khôn ngoan của các dữ liệu khuôn mặt. Hình 3.1 cho thấy ví dụ về Eigenfaces tạo ra từ những hình ảnh đào tạo chung của FRGC [1] bộ dữ liệu sau khi tiền xử lý các hình ảnh khuôn mặt như bình thường hóa gương mặt cho vòng quay, quy mô và bồi thường chiếu sáng. PCA là tốt cho biểu diễn dữ liệu, nhưng không nhất thiết phải phân biệt đối xử đối với lớp như chúng ta sẽ thảo luận tiếp theo.