vault backup: 2025-01-14 17:07:40

.obsidian/workspace.json

@@ -43,12 +43,12 @@
             "state": {
               "type": "markdown",
               "state": {
-                "file": "Biometric Systems/notes/8 Face anti spoofing.md",
+                "file": "Biometric Systems/notes/6. Face recognition 2D.md",
                 "mode": "source",
                 "source": false
               },
               "icon": "lucide-file",
-              "title": "8 Face anti spoofing"
+              "title": "6. Face recognition 2D"
             }
           },
           {
@@ -241,12 +241,12 @@
   },
   "active": "5daa52ac6f774870",
   "lastOpenFiles": [
+    "Biometric Systems/notes/8 Face anti spoofing.md",
     "Biometric Systems/notes/6. Face recognition 2D.md",
     "Biometric Systems/notes/4. Face detection.md",
     "Biometric Systems/notes/7. Face recognition 3D.md",
     "Biometric Systems/frequently asked questions/Biomteric Systems.pdf",
     "Biometric Systems/slides/LEZIONE8_Face antispoofing.pdf",
-    "Biometric Systems/notes/8 Face anti spoofing.md",
     "Biometric Systems/frequently asked questions/BS_oral_questions_16022021.md",
     "Biometric Systems/notes/12. Iris recognition.md",
     "Biometric Systems/slides/LEZIONE6_Face recognition2D.pdf",

Biometric Systems/notes/6. Face recognition 2D.md

@@ -31,7 +31,7 @@ Vengono individuati dei nuovi assi, ortogonali tra loro, su cui proiettare i dat
 Nello spazio delle immagini, i principali componenti sono ortogonali quando sono gli *autovettori della matrice di covarianza*.
 
 L'obiettivo è di eliminare features con varianza molto bassa, che quindi sono comuni tra tutti i sample e poco utili a discriminare classi.
-
+ 
 Calcoliamo l'optimal k
 Dato un training set TS di m sample di n dimensioni, calcoliamo
 - il vettore medio $\hat{x}$ del training set $$\hat{x}=\frac{1}{m}\sum_{i=1}^{m}x_{i}$$