基于PC和SVM的人脸识别方法.docVIP

基于PCA和SVM的人脸识别方法 一、PCA算法 1 计算特征脸 设人脸图像f(x,y)为二维灰度图像,用维向量表示。人脸图像训练集为,其中为训练集中图像总数。这幅图像的平均向量为: 对训练样本规范化,即每个人脸与平均人脸的差值向量: 其中列向量表示一个训练样本。 训练图像由协方差矩阵可表示为: 其中训练样本维矩阵 特征脸由协方差矩阵的正交特征向量组成。对于维人脸图像,协方差矩阵的大小为×,对它求解特征值和特征向量是很困难的,由此引入奇异值分解定理来解决维数过高的问题。 2 奇异值分解定理 奇异值分解定理( Singular Value Decomposition简称SVD定理)原理表述如下: 其中是一个秩为的维矩阵,则存在两个正交矩阵： 以及对角矩阵 且 满足下试: 其中: 为矩阵和的非零特征值, 与分别为和对应于的特征向量。上述分解称为矩阵的奇异值分解（简称SVD），为的奇异值。 由上述定理可以得到一个推论: 由于协方差矩阵,故构造矩阵: ,容易求出其特征值及相应的正交归一特征向量。有上述推论可知，的正交归一特征向量为: 这就是图像的特征向量,它是计算低维矩阵的特征值和特征向量而间接求出来的。实际上个特征值足够用于人脸识别。因此仅取的前个最大特征值的特征向量计算特征脸。 3 特征向量的选取 我们总共得到了（训练样本数目）个特征向量。虽然比小很多。但通常情况下，仍然会太大。根据应用的要求，并不是所有的都有很大的保留意义。 考虑到使用变换做为对人脸图像的压缩手段，可以选取最大的前个特征向量，使得： 在实际中，可以选择，或者自定义的其他值。这说明样本集在前个轴上的能量占到整个能量的90%以上。 4 基于特征脸的人脸识别 基于特征脸的人脸识别过程由训练阶段和识别阶段两个阶段组成。在训练阶段,每个已知规范化后的人脸映射到由特征脸张成的子空间上,得到维向量: 其中，，为人脸数目。 在识别阶段,首先把待识别的图像规范化后的人脸映射到特征脸空间，得到向量： 其中 为降维之后的向量 二、支持向量机的算法 已知训练集，其中，，。 选择核函数和惩罚参数C，构造并求解最优化问题： 得最优解。 计算，可通过满足的样本（支持向量）求得。 解决上述问题后可得最优分类面函数： 一个修改后的PCA+SVM进行人脸识别的Matlab代码 tic; allsamples=[];%所有训练图像 tcoor=[]; for i=1:40 for j=1:5 a=imread(strcat( D:\MATLAB7\work\ORL\s,num2str(i),\,num2str(j),.pgm)); % 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=1:200 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; sigma=xmean*xmean; % M * M 阶矩阵 [v d]=eig(sigma); d1=diag(d); [d2 index]=sort(d1); %以升序排序 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 wh