MATLAB人臉識別源代碼

1、MATLAB人臉識別源代碼% FaceRec. m %CQUPT% PCA識別率88% calc xmean, sigma and its eigen decomposition allsamples=;%所有訓練圖片for i=l:40for j=l:5a=imread (strcat (' e: 0RLs', num2str (i),', num2str (J),'. pgm');b=a(1:112*92); 9加是行矢量1*N, N=10304,提取順序是先列后行，%即從上到下，從左到右b二double(b);allsamples=allsampl

2、es;bj ; %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M=200endendsamplemean=mean(allsamples) ; %平均圖片，1*N for i=l:200xmean(i, :)=allsamples(i, :)-samplemean; %allsamples 是個M*N矩陣,allsamples中每一行保存的數(shù)據(jù)是“每個圖片數(shù)據(jù)一平均圖片”end;%獲取特征植及特征向量sigma:=xmean*xmean, ; % M* M 矩陣 v d=eig(sigma);dl=diag(d);%按特征值大小以降序排列

3、dsort=flipud(dl);vsort=fliplr(v);%以下選擇90%的能量dsum=sum(dsort);dsum_extract=0;p=o；while(dsum_extract/dsum<0. 9) p=p+1;dsum_extract=sum(dsort(1:p); end% （訓練階段）計算特征臉形成的坐標系base = xmean, * vsort(:, 1:p) * diag(dsort(1:p). (l/2);%base是N*p階矩陣,除以dsort（i）1/2）是對人臉圖象的標準化（是其方差為1）% xmean, * vsort（：, 1 ：p）是小矩陣的特

4、征向量向大矩陣特征向量轉換的過程%以下兩行將訓練樣本對坐標系上進行投影，得到一個M*p子空間中的一個%即在子空間中的組合系數(shù)allcoor=allsamples*base;accu=01 %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=l:40for j=6:10 %讀入40 x 5副測試圖像a=imread(strcat (' e:0RLs', num2str (i),' , num2str (j),'. pgm,);b=a (1:10304);b二double(b);tcoor=b*base; %計算坐標,是l*p階矩陣for k=

5、l:200mdist(k)=norm(tcoor-alIcoor(k, :); end;%三階近鄰dist, index2=sort(mdist); classl=floor( (index2(l)-l)/5 )+1;class2=floor(index2(2)-l)/5)+l;class3=floor (index2 (3)-1) /5) +1; if classP=class2 && class2=class3 class=classl;elseif classl=class2class=classl;elseif class2=class3class=class2;end

6、;if class二二iaccu=accu+l;end;end;end;accuracy=accu/200 % 輸出識別率% FaceRec. m %CQUPT% PCA識別率88% calc xmean, sigma and its eigen decompositionallsamPles=; %所有訓練圖片for i=l:40for j=l:5a=imread (strcat (' e: 0RLs', num2str (i),', num2str (j),'. pgm');b=a(1:112*92); %匕是行矢量1*N, N=10304,提取順序

7、是先列后行，%即從上到下，從左到右b二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M=200endendsamplemean=mean(allsamples) ; %平均圖片，1*Nfor i=l：200 xmean(i, ：)=allsamples(i, ：)-samplemean; %allsamples 是一個MQ矩陣，allsamples中每一行保存的數(shù)據(jù)是“每個圖片數(shù)據(jù)一平均圖 片” end;%獲取特征植及特征向量sigma=xmean*xmean，; % M

8、* M 矩陣 v d=eig(sigma) ; dl=diag(d);%按特征值大小以降序排列dsort=flipud(dl); vsort=fliplr (v); %以下選擇 90%的能量dsum=sum(dsort);dsum_extract=O;P二 o；while(dsum-extract/dsum<0. 9) p=p+1; dsum_extract=sum(dsort(1:p); end p二199;% (訓練階段)計算特征臉形成的坐標系base = xmean' * vsort(:, l:p) * diag(dsort(1：p). (-1/2);%生成特征臉for (

9、k=l:p)temp=reshape(base(:, k), 112, 92) ; newpath=e:test? int2str(k) jpg?;imwrite(mat2gray(temp), newpath); end%將模型保存Save(e:0RLmodel. mat? , ?base?, samplemean?);%Reconstruct. m % CQUPTFunction口=reconstruct () Load e:0RLmodel. 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(l: 112*92); %

10、b 是行矢量 1*N,其中 N =10304 b=double (b); b=b-samplemean;c = b * base; % c是圖片a在子空間中的系數(shù)，是l*p行矢量%根據(jù)特征系數(shù)及特征臉重建圖%前15個t = 15;temp = base(：, 1 ：t) * c(l：t), ; temp = temp + samplemean，;imwrite(mat2gray(reshape(temp, 112, 92)d:test2tl. jpg');%前50個t = 50;temp = base(:, 1:t) * c(l:t), ; temp = temp + sampleme

11、an,;imwrite(mat2gray(reshape(temp, 112, 92),5 d:test2t2. jpg');%前100個t 二 100;temp = base(:,1:t) * c(l:t)J ; temp = temp + samplemean,;imwrite(mat2gray(reshape(temp, 112, 92),J d:test2t3. jpg');%前150個t = 150;temp = base(:,1：t) * c(l：t), ; temp = temp + samplemean，;imwrite(mat2gray(reshape(temp, 112, 92), d:test2t4. jpg');%前199個t = 199;temp = base(:,1:t) * c(l:t), ; temp = temp + samplemean,;