PCA人脸识别算法研究成果.pptVIP

系统功能描述;系统流程;开始;详细过程;CreateDatabase（）流程;CreateDatebase函数;CreateDatebase函数的描述; 第三步 提取特征脸。 函数为EigenfaceCore（）; 这一步中我们要对矩阵T做一些处理,其实就是PCA分解的过程。 A、取得图库矩阵T的行均值矩阵（m） 在上一步中我们得到矩阵T行数为H=M*N=irow*icol，列数为P=Train_number。 获得的行均值矩阵m大小为M*Nx1，其中 B、 则偏差矩阵的计算方法为A=double(T(:,i)) – m,显然矩阵A的大小和矩阵T一样为H=M*N.每一幅图像在矩阵T中体现为一个列向量，如此即可计算出没幅图像相对于均值矩阵m的偏差。下面为具体步骤：;如何取得图像库的偏差矩阵（A）;; 训练库中可能存在某些干扰，为了找出人脸的主元向量，在此阶段设置一定的阈值将干扰隔离。代码如下： L_eig_vec = []; for i = 1 : size(V,2) if( D(i,i)1 ) L_eig_vec = [L_eig_vec V(:,i)]; end End 消除了影响因素，并对原特征向量矩阵V重新排序组成新的L_eig_vec特征向量矩阵。 Eigenfaces = A * L_eig_vec 让偏差矩阵A和特征向量基矩阵相乘，得到特征脸矩阵，该矩阵中每一列表示一副特征脸。L_eig_vec为P行L列的矩阵，其中L小于P，则Eigenfaces矩阵为H行L列的矩阵。 ;第四步 匹配识别;Recognition函数;一： 获取矩阵Eigenfaces矩阵的列数 Train_Number =size(Eigenfaces,2); Train_Number=L。 ProjectedImages= Eigenfaces‘*A(:,i) 。脸域中 的一个列描述了一副图像的主要特征。即在此，我们用一个L维的向量基表示每幅图像。ProjectedImage为L阶方阵。 将测试图像读入矩阵中，并用相同的方法处理测试图像矩阵，然后映射入测试脸域，得到ProjectedTestImage。 ProjectedTestImage为一个含有L个元素的单列矩阵。;二： 利用欧几里得几何距离的算法求解出测试图像和原来经过训练的图像所得参数进行最小距离的计算，此最小距离可以理解为测试图像和标准库中每个图像之间最大的相似度。 设a[i][j]表示脸域中地j列表示的一副图像（即一列数据），b[i]表示映射入脸域的测试图像，都含有L个元素。欧几里得距离： 将对比后的数据存入Euc_dist矩阵中，显然Euc_dist中含有L个元素。; ???到拥有最大相似度的图像，即欧氏距离最小，目标图像找到。 后边是matlab代码。;附注： 完整程序代码： clear all clc close all % You can customize and fix initial directory paths TrainDatabasePath = uigetdir(D:\Program Files\MATLAB\R2006a\work, Select training database_path ); TestDatabasePath = uigetdir(D:\Program Files\MATLAB\R2006a\work, Select test database_path); prompt = {Enter test image name (a number between 1 to 10):}; dlg_title = Input of PCA-Based Face Recognition System; num_lines= 1; def = {1}; TestImage = inputdlg(prompt,dlg_title,num_lines,def); TestImage = strcat(TestDatabasePath,\,char(TestImage),.jpg); im = imread(TestImage); T = CreateDatabase(TrainDatabasePath); [m, A, Eigenfaces] = EigenfaceCore(T); OutputName = Recognition(TestImage, m, A, Eigenfaces); SelectedImage = strcat(Tra