人臉識別PCA算法matlab實現(xiàn)及詳細步驟

1、人臉識別% FaceRec.m% PCA 人臉識別修訂版，識別率88% calc xmean,sigma and its eigen decompositionallsamples=;%所有訓(xùn)練圖像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 1×N，其中N10304，提取順序是先列后行，即從上到下，從左到右b=double(b);allsamples=all

2、samples; b; % allsamples 是一個M * N 矩陣，allsamples 中每一行數(shù)據(jù)代表一張圖片，其中M200endendsamplemean=mean(allsamples); % 平均圖片，1 × Nfor i=1:200 xmean(i,:)=allsamples(i,:)-samplemean; % xmean 是一個M × N 矩陣，xmean每一行保存的數(shù)據(jù)是“每個圖片數(shù)據(jù)-平均圖片”end;% 獲取特征值及特征向量sigma=xmean*xmean' % M * M 階矩陣v d=eig(sigma);d1=diag(d);%

3、按特征值大小以降序排列dsort = flipud(d1);vsort = fliplr(v);%以下選擇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;% (訓(xùn)練階段)計算特征臉形成的坐標系base = xmean' * vsort(:,1:p) * diag(dsort(1:p).(-1/2);% base 是N×p 階矩陣，除以dsort(i)(1/2)是對人臉圖像

4、的標準化（使其方差為1）% 詳見基于PCA 的人臉識別算法研究p31% xmean' * vsort(:,i)是小矩陣的特征向量向大矩陣特征向量轉(zhuǎn)換的過程%while (i<=p && dsort(i)>0)% base(:,i) = dsort(i)(-1/2) * xmean' * vsort(:,i); % base 是N×p 階矩陣，除以dsort(i)(1/2)是對人臉圖像的標準化（使其方差為1）% 詳見基于PCA 的人臉識別算法研究p31% i = i + 1; % xmean' * vsort(:,i)是小矩陣的特征向

5、量向大矩陣特征向量轉(zhuǎn)換的過程%end% 以下兩行add by gongxun 將訓(xùn)練樣本對坐標系上進行投影,得到一個 M*p 階矩陣allcoorallcoor = allsamples * base; % allcoor 里面是每張訓(xùn)練人臉圖片在M*p 子空間中的一個點，即在子空間中的組合系數(shù)，accu = 0; % 下面的人臉識別過程中就是利用這些組合系數(shù)來進行識別% 測試過程for i=1:40for j=6:10 %讀入40 x 5 副測試圖像a=imread(strcat('e:ORLs',num2str(i),'',num2str(j),'.

6、jpg');b=a(1:10304);b=double(b);tcoor= b * base; %計算坐標，是1×p 階矩陣for k=1:200mdist(k)=norm(tcoor-allcoor(k,:);end;%三階近鄰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;el

7、seif class1=class2class=class1;elseif class2=class3class=class2;end;if class=iaccu=accu+1;end;end;end;accuracy=accu/200 %輸出識別率特征人臉% eigface.mfunction = eigface()% calc xmean,sigma and its eigen decompositionallsamples=;%所有訓(xùn)練圖像for i=1:40for j=1:5a=imread(strcat('e:ORLs',num2str(i),'',

8、num2str(j),'.jpg');% imshow(a);b=a(1:112*92); % b 是行矢量 1×N，其中N10304，提取順序是先列后行，即從上到下，從左到右b=double(b);allsamples=allsamples; b; % allsamples 是一個M * N 矩陣，allsamples 中每一行數(shù)據(jù)代表一張圖片，其中M200endendsamplemean=mean(allsamples); % 平均圖片，1 × Nfor i=1:200 xmean(i,:)=allsamples(i,:)-samplemean; % x

9、mean 是一個M × N 矩陣，xmean每一行保存的數(shù)據(jù)是“每個圖片數(shù)據(jù)-平均圖片”end;% 獲取特征值及特征向量sigma=xmean*xmean' % M * M 階矩陣v d=eig(sigma);d1=diag(d);% 按特征值大小以降序排列dsort = flipud(d1);vsort = fliplr(v);%以下選擇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)

10、;endp = 199;% (訓(xùn)練階段)計算特征臉形成的坐標系%while (i<=p && dsort(i)>0)% base(:,i) = dsort(i)(-1/2) * xmean' * vsort(:,i); % base 是N×p 階矩陣，除以dsort(i)(1/2)是對人臉圖像的標準化，詳見基于PCA 的人臉識別算法研究p31% i = i + 1; % xmean' * vsort(:,i)是小矩陣的特征向量向大矩陣特征向量轉(zhuǎn)換的過程%endbase = xmean' * vsort(:,1:p) * diag(d

11、sort(1:p).(-1/2);% 生成特征臉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');% 將模型保存save('e:ORLmodel.mat', 'base', &#

12、39;samplemean');人臉重建% Reconstruct.mfunction = reconstruct()load e:ORLmodel.mat;% 計算新圖片在特征子空間中的系數(shù)img = 'D:test210.jpg'a=imread(img);b=a(1:112*92); % b 是行矢量 1×N，其中N10304，提取順序是先列后行，即從上到下，從左到右b=double(b);b=b-samplemean;c = b * base; % c 是圖片a 在子空間中的系數(shù), 是1*p 行矢量% 根據(jù)特征系數(shù)及特征臉重建圖% 前15 個t = 1

13、5;temp = base(:,1:t) * c(1:t)'temp = temp + samplemean'imwrite(mat2gray(reshape(temp, 112,92),'d:test2t1.jpg');% 前50 個t = 50;temp = base(:,1:t) * c(1:t)'temp = temp + samplemean'imwrite(mat2gray(reshape(temp, 112,92),'d:test2t2.jpg');% 前100 個t = 100;temp = base(:,1:t) * c(1:t)'temp = temp + samplemean'imwrite(mat2gray(reshape(temp, 112,92),'d:test2t3.jpg');% 前150 個t = 150;temp = base(:,1:t) * c(1:t)'temp = temp + samplemean'imwrite(mat2gray