人脸识别源码分享.docx
《人脸识别源码分享.docx》由会员分享，可在线阅读，更多相关《人脸识别源码分享.docx（8页珍藏版）》请在冰豆网上搜索。
人脸识别源码分享
计划实现了一个基于PCA的人脸识别方法，我称之为“特征点方法”，所有的功能简单而且实用。
下面，我使用一个简单的MATLAB脚本说明它的用法。
一般情况，你应该按照以下这个顺序执行这个方法：
1. 选择实际测试和参照组人脸图像数据库的路径；
2. 选择实际测试人脸图像的路径；
3. 运行“CreateDatabase”函数来创建所有参照组人脸图像的二维矩阵；
4. 运行“eigenfacecore"函数产生基础人脸图像空间；
5. 运行“识别”功能得到参照组人脸图像数据库中等价图像的名称。
为了您的方便，我准备了实际测试和参照组人脸图像数据库，其中部分来自“Face94”埃塞克斯人脸数据库。
你只需要复制上述功能，指定实际测试和参照组人脸图像数据库的路径（比如Matlab工作路径）。
然后按照对话框提示输入图片编号，实例将运行实现。
希望您能喜欢它！
引用：
[1]P.N.Belhumeur,J.Hespanha,andD.J.Kriegman.Eigenfacesvs.Fisherfaces:
Recognition
usingclassspecificlinearprojection.InECCV
（1）,pages45--58,1996.
[2]Availableat:
以下为源代码文件：
----------------------------------------------------------------------------------------------------------------------
CreateDatabase.m
functionT=CreateDatabase（TrainDatabasePath）
%Alignasetoffaceimages（thetrainingsetT1,T2,...,TM）
%
%Description:
Thisfunctionreshapesall2Dimagesofthetrainingdatabase
%into1Dcolumnvectors.Then,itputsthese1Dcolumnvectorsinarowto
%construct2Dmatrix'T'.
%
%Argument:
TrainDatabasePath -Pathofthetrainingdatabase
%
%Returns:
T -A2Dmatrix,containingall1Dimagevectors.
% SupposeallPimagesinthetrainingdatabase
% havethesamesizeofMxN.Sothelengthof1D
% columnvectorsisMNand'T'willbeaMNxP2Dmatrix.
%
%Seealso:
STRCMP,STRCAT,RESHAPE
%OriginalversionbyAmirHosseinOmidvarnia,October2007
% Email:
***************.ac.ir
%%%%%%%%%%%%%%%%%%%%%%%%
TrainFiles=dir（TrainDatabasePath）;
Train_Number=0;
fori=1:
size（Train）
ifnot（strcmp（TrainFiles（i）.name,'.'）|strcmp（TrainFiles（i）.name,'..'）|strcmp（TrainFiles（i）.name,'Thumbs.db'））
Train_Number=Train_Number+1;%Numberofallimagesinthetrainingdatabase
end
end
%%%%%%%%%%%%%%%%%%%%%%%%Constructionof2Dmatrixfrom1Dimagevectors
T=[];
fori=1:
Train_Number
%Ihavechosenthenameofeachimageindatabasesasacorresponding
%number.However,itisnotmandatory!
str=int2str（i）;
str=strcat（'\',str,'.jpg'）;
str=strcat（TrainDatabasePath,str）;
img=imread（str）;
img=rgb2gray（img）;
[irowicol]=size（img）;
temp=reshape（img',irow*icol,1）; %Reshaping2Dimagesinto1Dimagevectors
T=[Ttemp];%'T'growsaftereachturn
end
---------------------------------------------------------------------------------------------------------------------------
EigenfaceCore.m
function[m,A,Eigenfaces]=EigenfaceCore（T）
%UsePrincipleComponentAnalysis（PCA）todeterminethemost
%discriminatingfeaturesbetweenimagesoffaces.
%
%Description:
Thisfunctiongetsa2Dmatrix,containingalltrainingimagevectors
%andreturns3outputswhichareextractedfromtrainingdatabase.
%
%Argument:
T -A2Dmatrix,containingall1Dimagevectors.
% SupposeallPimagesinthetrainingdatabase
% havethesamesizeofMxN.Sothelengthof1D
% columnvectorsisM*Nand'T'willbeaMNxP2Dmatrix.
%
%Returns:
m -（M*Nx1）Meanofthetrainingdatabase
% Eigenfaces -（M*Nx（P-1））Eigenvectorsofthecovariancematrixofthetrainingdatabase
% A -（M*NxP）Matrixofcenteredimagevectors
%
%Seealso:
EIG
%OriginalversionbyAmirHosseinOmidvarnia,October2007
% Email:
***************.ac.ir
%%%%%%%%%%%%%%%%%%%%%%%%Calculatingthemeanimage
m=mean（T,2）;%Computingtheaveragefaceimagem=（1/P）*sum（Tj's） （j=1:
P）
Train_Number=size（T,2）;
%%%%%%%%%%%%%%%%%%%%%%%%Calculatingthedeviationofeachimagefrommeanimage
A=[];
fori=1:
Train_Number
temp=double（T（:
i））-m;%ComputingthedifferenceimageforeachimageinthetrainingsetAi=Ti-m
A=[Atemp];%Mergingallcenteredimages
end
%%%%%%%%%%%%%%%%%%%%%%%%SnapshotmethodofEigenfacemethos
%WeknowfromlinearalgebratheorythatforaPxQmatrix,themaximum
%numberofnon-zeroeigenvaluesthatthematrixcanhaveismin（P-1,Q-1）.
%Sincethenumberoftrainingimages（P）isusuallylessthanthenumber
%ofpixels（M*N）,themostnon-zeroeigenvaluesthatcanbefoundareequal
%toP-1.SowecancalculateeigenvaluesofA'*A（aPxPmatrix）insteadof
%A*A'（aM*NxM*Nmatrix）.ItisclearthatthedimensionsofA*A'ismuch
%largerthatA'*A.Sothedimensionalitywilldecrease.
L=A'*A;%Listhesurrogateof
升级会员 