人脸识别PCA算法matlab实现及详细步骤讲解.docx

1、人脸识别PCA算法matlab实现及详细步骤讲解人脸识别PCA算法matlab实现及详细步骤讲解人脸识别% PCA 人脸识别修订版，识别率88% calc xmean,sigma and its eigen decompositionallsamples=;%所有训练图像for i=1:40for j=1:5a=imread(strcat(e:ORLs,num2str(i),num2str(j),.jpg);% imshow(a);b=a(1:112*92); % b 是行矢量 1N，其中N10304，提取顺序是先列后行，即从上到下，从左到右b=double(b);allsamples=all

2、samples; b; % allsamples 是一个M * N 矩阵，allsamples 中每一行数据代表一张图片，其中M200endendsamplemean=mean(allsamples); % 平均图片，1 Nfor i=1:200 xmean(i,:)=allsamples(i,:)-samplemean; % xmean 是一个M N 矩阵，xmean每一行保存的数据是“每个图片数据-平均图片”end;% 获取特征值及特征向量sigma=xmean*xmean; % M * M 阶矩阵v d=eig(sigma);d1=diag(d);% 按特征值大小以降序排列dsort =

3、 flipud(d1);vsort = fliplr(v);%以下选择90%的能量dsum = sum(dsort);dsum_extract = 0;p = 0;while( dsum_extract/dsum 0.9)p = p + 1;dsum_extract = sum(dsort(1:p);endi=1;% (训练阶段)计算特征脸形成的坐标系base = xmean * vsort(:,1:p) * diag(dsort(1:p).(-1/2);% base 是Np 阶矩阵，除以dsort(i)(1/2)是对人脸图像的标准化（使其方差为1）% 详见基于PCA 的人脸识别算法研究p31

4、% xmean * vsort(:,i)是小矩阵的特征向量向大矩阵特征向量转换的过程%while (i0)% base(:,i) = dsort(i)(-1/2) * xmean * vsort(:,i); % base 是Np 阶矩阵，除以dsort(i)(1/2)是对人脸图像的标准化（使其方差为1）% 详见基于PCA 的人脸识别算法研究p31% i = i + 1; % xmean * vsort(:,i)是小矩阵的特征向量向大矩阵特征向量转换的过程%end% 以下两行add by gongxun 将训练样本对坐标系上进行投影,得到一个 M*p 阶矩阵allcoorallcoor = al

5、lsamples * base; % allcoor 里面是每张训练人脸图片在M*p 子空间中的一个点，即在子空间中的组合系数，accu = 0; % 下面的人脸识别过程中就是利用这些组合系数来进行识别% 测试过程for i=1:40for j=6:10 %读入40 x 5 副测试图像a=imread(strcat(e:ORLs,num2str(i),num2str(j),.jpg);b=a(1:10304);b=double(b);tcoor= b * base; %计算坐标，是1p 阶矩阵for k=1:200mdist(k)=norm(tcoor-allcoor(k,:);end;%三阶

6、近邻dist,index2=sort(mdist);class1=floor( (index2(1)-1)/5 )+1;class2=floor(index2(2)-1)/5)+1;class3=floor(index2(3)-1)/5)+1;if class1=class2 & class2=class3class=class1;elseif class1=class2class=class1;elseif class2=class3class=class2;end;if class=iaccu=accu+1;end;end;end;accuracy=accu/200 %输出识别率特征人脸f

7、unction = eigface()% calc xmean,sigma and its eigen decompositionallsamples=;%所有训练图像for i=1:40for j=1:5a=imread(strcat(e:ORLs,num2str(i),num2str(j),.jpg);% imshow(a);b=a(1:112*92); % b 是行矢量 1N，其中N10304，提取顺序是先列后行，即从上到下，从左到右b=double(b);allsamples=allsamples; b; % allsamples 是一个M * N 矩阵，allsamples 中每一行

8、数据代表一张图片，其中M200endendsamplemean=mean(allsamples); % 平均图片，1 Nfor i=1:200 xmean(i,:)=allsamples(i,:)-samplemean; % xmean 是一个M N 矩阵，xmean每一行保存的数据是“每个图片数据-平均图片”end;% 获取特征值及特征向量sigma=xmean*xmean; % M * M 阶矩阵v d=eig(sigma);d1=diag(d);% 按特征值大小以降序排列dsort = flipud(d1);vsort = fliplr(v);%以下选择90%的能量dsum = sum(

9、dsort);dsum_extract = 0;p = 0;while( dsum_extract/dsum 0.9)p = p + 1;dsum_extract = sum(dsort(1:p);endp = 199;% (训练阶段)计算特征脸形成的坐标系%while (i0)% base(:,i) = dsort(i)(-1/2) * xmean * vsort(:,i); % base 是Np 阶矩阵，除以dsort(i)(1/2)是对人脸图像的标准化，详见基于PCA 的人脸识别算法研究p31% i = i + 1; % xmean * vsort(:,i)是小矩阵的特征向量向大矩阵特征

10、向量转换的过程%endbase = xmean * vsort(:,1:p) * diag(dsort(1:p).(-1/2);% 生成特征脸for (k=1:p),temp = reshape(base(:,k), 112,92);newpath = d:test int2str(k) .jpg;imwrite(mat2gray(temp), newpath);endavg = reshape(samplemean, 112,92);imwrite(mat2gray(avg), d:testaverage.jpg);% 将模型保存save(e:ORLmodel.mat, base, samp

11、lemean);人脸重建function = reconstruct()load e:ORLmodel.mat;% 计算新图片在特征子空间中的系数img = D:test210.jpga=imread(img);b=a(1:112*92); % b 是行矢量 1N，其中N10304，提取顺序是先列后行，即从上到下，从左到右b=double(b);b=b-samplemean;c = b * base; % c 是图片a 在子空间中的系数, 是1*p 行矢量% 根据特征系数及特征脸重建图% 前15 个t = 15;temp = base(:,1:t) * c(1:t);temp = temp +

12、 samplemean;imwrite(mat2gray(reshape(temp, 112,92),d:test2t1.jpg);% 前50 个t = 50;temp = base(:,1:t) * c(1:t);temp = temp + samplemean;imwrite(mat2gray(reshape(temp, 112,92),d:test2t2.jpg);% 前100 个t = 100;temp = base(:,1:t) * c(1:t);temp = temp + samplemean;imwrite(mat2gray(reshape(temp, 112,92),d:test2t3.jpg);% 前150 个t = 150;temp = base(:,1:t) * c(1:t);temp = temp + samplemean;imwrite(mat2gray(reshape(temp, 112,92),d:test2t4.jpg);% 前199 个t = 199;temp = base(:,1:t) * c(1:t);temp = temp + samplemean;imwrite(mat2gray(reshape(temp, 112,92),d:test2t5.jpg);