提出了利用小波变换(WT)、非负稀疏矩阵分解(NMFs)和Fisher线性判别(FLD)来进行人脸识别。用小波变换分解人脸图像，选择最低分辨率的子段，既能捕获到人脸的实质特征，又有效地降低了计算复杂性；非负稀疏矩阵分解能显示地控制分解稀疏度和发现人脸图像的局部化表征；Fisher线性判别能在低维子空间中形成良好的分类。实验结果表明，这种方法对光照变化、人脸表情和部分遮挡不敏感，具有良好的健壮性和较高的识别效率。

实验基于ORL标准人脸数据库，包含可视化界面ORL标准人脸识别库包含40个人的人脸数据组，本次实验选取其中4个人的图像。4个人共40张图像，选取每个人的十张图像的前八张图像作为训练集，最后两张作为测试集，以此检验Fisher判别准则函数的实际效果。

模式识别 Fisher线性判别理论及其应用

两种分类方式的matlab程序，对于模式识别课程的课程报告作业，代码.m文件，论文。可以实施运行操作

该程序使用 FLD（Fisher 线性判别法）从人脸数据库中识别人脸。 使用Fisherface方法的图像识别是基于使用主成分分析（PCA）方法缩小人脸区域大小，然后称为Fisher线性判别分析（FDL）方法或线性判别分析（LDA）方法来获取图像特征。

为了使计算机能更好的识别人脸表情，对基于Gabor小波变换的人脸表情识别方法进行了研究。首先对包含表情区域的静态灰度图像进行预处理，包括对确定的人脸表情区域进行尺寸和灰度归一化，然后利用二维Gabor小波变换提取脸部表情特征，使用快速PCA方法对提取的Gabor小波特征初步降维。再在低维的空间中，利用Fisher准则提取那些有利于分类的特征，最后用SVM分类器进行分类。实验结果表明，上述提出的方法比传统的方法识别速度更快，能达到实时性的要求，并且具有很好的鲁棒性，识别率高。

Fisher线性判别式分析，Matlab程序对Iris数据进行分类，经过十次交叉验证计算准确率

【模式识别】实验一：Fisher线性判别

Fisher线性判别在理解Fisher线性分类的参考代码基础上（matlab代码），改用python代码完成Fisher判别的推导。重点理解“群内离散度”（样本类内离散矩阵）、“群间离散度”（总类内离散矩阵）的概念和几何意义。1、Fisher线性判别（1）、W的确定（2）、阈值的确定（3）、Fisher线性判别的决策规则（4）、“群内离散度”与“群间离散度”2、Python代码 在理解Fisher线性分类的参考代码基础上（matlab代码），改用python代码完成Fisher判别的推导。重点理解“群内离散度”（样本类内离散矩阵）、“群间离散度”（总类内离散矩阵）的概念和几何意义。 1、Fis

模式识别里的经典，最简单的模型。 适合新手。 这份报告 也是通俗易懂~~也是曾经入门的学生写的~