采用混合核函数的人脸识别方法.docVIP

%一个修改后的PCA+SVM进行人脸识别的Matlab代码 %取每一个人的前3张图片，一共120张图片作为训练集，剩下其余280张为测试集 %SVM的核函数为径向基与多项式相结合的混合核函数 tic;%计时 allsamples=[];%所有训练图像构成的矩阵 tcoor=[];%所有测试图像经过PCA降维后构成的矩阵 for i=1:40 for j=1:3 a=imread(strcat(D:\MATLAB7\work\ORL\s,num2str(i),\,num2str(j),.bmp)); % imshow(a); b=a(1:112*92); % b是行矢量 1×N，其中N＝10304，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 中每一行数据代表一张图片，其中M＝200 end end samplemean=mean(allsamples); % 平均图片，1 × N for i=1:120 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; sigma=xmean*xmean; % M * M 阶矩阵 [v d]=eig(sigma); %计算特征向量和特征值 d1=diag(d); %提取对角元素 [d2 index]=sort(d1); %以特征值升序排序特征向量 cols=size(v,2);% 特征向量矩阵的列数 for i=1:cols vsort(:,i) = v(:, index(cols-i+1) ); % vsort 是一个M*col(注:col一般等于M)阶矩阵，保存的是按降序排列的特征向量,每一列构成一个特征向量 dsort(i) = d1( index(cols-i+1) ); % dsort 保存的是按降序排列的特征值，是一维行向量 end %完成降序排列 %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)); end i=1; % (训练阶段)计算特征脸形成的坐标系 while (i=p dsort(i)0) %不通过比例来选取p的值时，可直接取p为[1,120]之间的值 base(:,i) = dsort(i)^(-1/2) * xmean * vsort(:,i); % base是N×p阶矩阵，除以dsort(i)^(1/2)是对人脸图像的标准化 i = i + 1; end % add by wolfsky 就是下面两行代码，将训练样本对坐标系上进行投影,得到一个 M*p 阶矩阵allcoor allcoor = allsamples * base; % 测试过程 for i=1:40 for j=4:10 %读入40 x 7 副测试图像 a=imread(strcat(D:\MATLAB7\work\ORL\s,num2str(i),\,num2str(j),.bmp)); b=a(1:10304); b=double(b); c= b * base; tcoor=[tcoor;c]; %将测试样本对坐标系上进行投影，得到一个 M*p 阶矩阵tcoor end; end %规范化数据到[-1,1] x=allcoor; [m,n] = size(x); S = zeros(m,n); for i = 1:m mea = mean( x(i,:) ); va = var( x(i,:) ); S(i,:) = ( x(i,:)-mea )/va; end y=tcoor; [m,n] = size(y); T = zeros(m,n); for i = 1:m mea = mean( y(i,:) ); va = var( y(i,:) )