人脸识别pca算法matlab实现和详细步骤讲解.docxVIP

人脸识别 % % PCA人脸识别修订版，识别率88% % calc xmean,sigma and its eigen decomposition a 11 samp les=[];%所有训练图像 for i=l：40 for j=l： 5 a=imread(strcat(*e：\ORL\sr.num2str(i)..num2str (j),?jpg))； % i inshow (a)； b=a(1:112*92)； % b是行矢量LXN.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)； al lsamples=[al [samples； b] ； % all samples 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(al 1 samp les): % 平均图片，1 X N for i=l：200 xmean(i. ：) =al 1 samples (i.:) -samplemean； % xmean 是一个 M X 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)； dl=diag(d)； %按特征值大小以降序排列 dsort = flipud(dl)； vsort = fliplr(v): %以下选择90%的能量 dsum = sum(dsort)； dsum_extiact = 0； p = 0； wh i1e( dsum_extract/dsum p = p + I; dsum_extiact = sum (dsort (1 ： p))； end i=l; % (训练阶段)计算特征脸形成的坐标系 base = xmean* * vsort(:,l：p) * diag(dsort(l：p). *(-1/2))； % base是NXp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 % xmeanr ? 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 (i=p dsort(i)0) % base(:, i) = dsort (i) (-1/2) * xmeanr ? vsort (: t i) ； % base 是 NXp 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allcoor al Icoor = al [samples * 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=l：40 for j=6： 10 %读入40 x 5副测试图像 1 a=imread(strcat (*e： \ORL\sr ,num2str (i) ? \ ,num2str (j),, jpg))； b=a(l：10304)； b=double(b)； tcoor= b ? base； %计算坐标，是IXp阶矩阵 for k=l：200 mdist (k)=norm(tcoor-alIcoor(k,：))； end； %三阶近邻 [distt index2]=sort (mdist)； classl=floor( (index2(l)-l)/5 )+1； class2=f loor ((index2 (2) T)/5) +1； class3=f loor ((index2 (3) T)/5) +1 ； if classlv=class2 class2、=class3 class=classl； elseif classl==class2 class=classl； elseif class2==class3 class=class2； end； if class==i accu=accu+l； end； end； end； accuracy=accu/200 %输出识别率 特征人脸 % function [] = eigfaceO % calc xmean,sigma and its eigen