采用PCA方法的人臉識(shí)別系統(tǒng)畢業(yè)論文

1、DSP綜合實(shí)驗(yàn)課程設(shè)計(jì)報(bào)告題目:采用主成分分析方法的人臉識(shí)別系統(tǒng)院系名稱:電子信息學(xué)院類別:雪豪學(xué)生:講師:2020年1月前言信號(hào)處理系列課程是電子信息類專業(yè)的核心課程，包括六門課程:信號(hào)與系統(tǒng)、隨機(jī)信號(hào)分析、數(shù)字信號(hào)處理、DSP原理及應(yīng)用、語(yǔ)音信號(hào)處理、數(shù)字圖像處理。前三門是基礎(chǔ)課，后三門是專業(yè)應(yīng)用課。數(shù)字信號(hào)處理是電子信息工程和通信工程專業(yè)的一門重要的理論和實(shí)踐必修課。其目的是讓學(xué)生了解數(shù)字信號(hào)處理的基本理論、基本分析方法、基本算法和基本實(shí)現(xiàn)方法。包括離散時(shí)間大規(guī)模集成電路系統(tǒng)的理論，其時(shí)域和頻域分析方法，DFT算法，F(xiàn)FT算法，以及IIR和FIR濾波器的結(jié)構(gòu)和設(shè)計(jì)方法，為后續(xù)的課程學(xué)習(xí)和

2、工作實(shí)踐奠定理論基礎(chǔ)。DSP原理及應(yīng)用是一門應(yīng)用性很強(qiáng)的專業(yè)課程，DSP技術(shù)是目前信息技術(shù)行業(yè)廣泛應(yīng)用的先進(jìn)技術(shù)。本課程的目的是使學(xué)生在掌握數(shù)字信號(hào)處理基本理論的前提下，了解DSP的發(fā)展現(xiàn)狀和應(yīng)用領(lǐng)域，掌握DSP的基本硬件結(jié)構(gòu)特點(diǎn)和開發(fā)環(huán)境，學(xué)習(xí)DSP硬件設(shè)計(jì)和軟件編程的基本方法，為今后數(shù)字信號(hào)處理的應(yīng)用和研究打下基礎(chǔ)。語(yǔ)音信號(hào)處理是一門發(fā)展迅速、應(yīng)用廣泛的前沿交叉學(xué)科，也是一門跨學(xué)科的綜合應(yīng)用研究領(lǐng)域和新技術(shù)。它是迅速發(fā)展的情報(bào)學(xué)研究領(lǐng)域之一，其研究涉及一系列前沿課題。本課程的目的是使學(xué)生了解語(yǔ)音信號(hào)處理的原理、方法和應(yīng)用，以及該學(xué)科當(dāng)前的發(fā)展趨勢(shì)和方向。其中一些能反映智能信息處理技術(shù)、現(xiàn)代

3、信號(hào)處理技術(shù)等前沿和新興技術(shù)在語(yǔ)音信號(hào)處理中的應(yīng)用、最新研究成果和進(jìn)展。數(shù)字圖像處理是研究數(shù)字圖像處理的基本理論和方法，系統(tǒng)介紹圖像分析的基本理論和實(shí)際應(yīng)用。目的是使學(xué)生系統(tǒng)地掌握數(shù)字圖像處理的基本概念、基本原理、實(shí)現(xiàn)方法和實(shí)用技術(shù)，了解數(shù)字圖像處理的基本應(yīng)用和目前國(guó)外的發(fā)展方向。是一門涉及多個(gè)領(lǐng)域的專業(yè)應(yīng)用課程，與圖像通信、模式識(shí)別、計(jì)算機(jī)視覺(jué)等學(xué)科交叉，為以后相關(guān)領(lǐng)域的研究和發(fā)展打下堅(jiān)實(shí)的基礎(chǔ)。為了幫助學(xué)生深入理解和消化基礎(chǔ)理論，進(jìn)一步提高學(xué)生的綜合應(yīng)用能力，鍛煉學(xué)生獨(dú)立解決問(wèn)題的能力，我們通過(guò)整合數(shù)字信號(hào)處理、DSP原理及應(yīng)用、語(yǔ)音信號(hào)處理、數(shù)字圖像處理幾門課程，設(shè)計(jì)了一門DSP綜合實(shí)驗(yàn)

4、課。在學(xué)生所學(xué)的基礎(chǔ)上，查閱相關(guān)資料，自主設(shè)計(jì)，并通過(guò)實(shí)驗(yàn)裝置實(shí)施，綜合分析結(jié)果，尋找最佳設(shè)計(jì)方案。目錄導(dǎo)言1目錄22概述33課程設(shè)計(jì)的四個(gè)基本要求設(shè)計(jì)的五種能力和目的46課程設(shè)計(jì)的組織形式4七課程設(shè)計(jì)寬容與原則5八個(gè)設(shè)計(jì)步驟9九。設(shè)計(jì)源程序15十種體驗(yàn)21十一篇參考文獻(xiàn)22一.概述信號(hào)處理系列課程是電子信息類專業(yè)的核心課程，包括六門課程:信號(hào)與系統(tǒng)、隨機(jī)信號(hào)分析、數(shù)字信號(hào)處理、DSP原理及應(yīng)用、語(yǔ)音信號(hào)處理、數(shù)字圖像處理。前三門是基礎(chǔ)課，后三門是專業(yè)應(yīng)用課。為了幫助學(xué)生深入理解和消化基礎(chǔ)理論，進(jìn)一步提高學(xué)生的綜合應(yīng)用能力，鍛煉學(xué)生獨(dú)立解決問(wèn)題的能力，我們通過(guò)整合數(shù)字信號(hào)處理、DSP原理及應(yīng)用

5、、語(yǔ)音信號(hào)處理、數(shù)字圖像處理幾門課程，設(shè)計(jì)了一門DSP綜合實(shí)驗(yàn)課。主要從以下兩個(gè)方面入手:1.設(shè)計(jì)信號(hào)處理理論和技術(shù)的綜合應(yīng)用。比如信號(hào)濾波實(shí)驗(yàn)，語(yǔ)音信號(hào)中混有噪聲，要求學(xué)生濾除語(yǔ)音信號(hào)中的噪聲。學(xué)生首先要分析信號(hào)頻譜，然后選擇濾波器類型，再確定濾波器參數(shù)，最后設(shè)計(jì)和應(yīng)用濾波器。而不是簡(jiǎn)單的給出過(guò)濾器類型和設(shè)計(jì)指標(biāo)。2.如何將DSP原理與應(yīng)用、語(yǔ)音信號(hào)處理、數(shù)字圖像處理三門課程有機(jī)結(jié)合起來(lái)，設(shè)計(jì)一個(gè)實(shí)用的系統(tǒng)。在學(xué)生所學(xué)的基礎(chǔ)上，查閱相關(guān)資料，自主設(shè)計(jì)，并通過(guò)實(shí)驗(yàn)裝置實(shí)施，綜合分析結(jié)果，尋找最佳設(shè)計(jì)方案。希望學(xué)生通過(guò)完成一門與信號(hào)處理相關(guān)學(xué)科的理論設(shè)計(jì)、程序設(shè)計(jì)和實(shí)驗(yàn)調(diào)試任務(wù)，提高分析和解決實(shí)

6、際問(wèn)題的能力。本次設(shè)計(jì)要求將課程中所學(xué)的算法實(shí)現(xiàn)、Matlab仿真、程序設(shè)計(jì)、DSP開發(fā)平臺(tái)調(diào)試等知識(shí)進(jìn)行應(yīng)用，以加深對(duì)信號(hào)處理知識(shí)的理解和應(yīng)用，培養(yǎng)可編程DSP芯片的開發(fā)技能。二，課程設(shè)計(jì)的基本要求1.設(shè)計(jì)過(guò)程以小組為單位，每個(gè)小組有一個(gè)組長(zhǎng)，負(fù)責(zé)組織協(xié)調(diào)本小組的討論和任務(wù)分工；2.設(shè)計(jì)過(guò)程必須在本組內(nèi)獨(dú)立完成，不允許跨組參考或抄襲，避免方案雷同；3.設(shè)計(jì)書應(yīng)打印在B5紙上，并使用統(tǒng)一的封面裝訂；4.課程設(shè)計(jì)原則上應(yīng)在3周內(nèi)完成；5.最后一周的周五進(jìn)行優(yōu)秀設(shè)計(jì)方案評(píng)選，在各組推選代表進(jìn)行方案介紹的基礎(chǔ)上，評(píng)選出2-3個(gè)優(yōu)秀設(shè)計(jì)方案。6.在完成規(guī)定設(shè)計(jì)能力的基礎(chǔ)上，有余力的同學(xué)可以進(jìn)一步設(shè)計(jì)能

7、力，提高綜合應(yīng)用能力，鍛煉獨(dú)立解決問(wèn)題的能力。三。設(shè)計(jì)內(nèi)容和目的1.課程設(shè)計(jì)的主要內(nèi)容題目:采用主成分分析方法的人臉識(shí)別系統(tǒng)利用所學(xué)知識(shí)，設(shè)計(jì)了一個(gè)基于PCA方法的人臉識(shí)別系統(tǒng)。要求系統(tǒng)能夠分析各種文件格式的人臉文件，提取一定長(zhǎng)度的人臉訓(xùn)練集的特征值，顯示特征值和平均臉，由特征向量構(gòu)造訓(xùn)練集內(nèi)或訓(xùn)練集外的任意人臉文件，完成誤差比較和人臉識(shí)別功能。2.課程設(shè)計(jì)的目的1.熟悉人臉檢測(cè)和識(shí)別的基本原理和實(shí)現(xiàn)方法；2.熟悉Matlab的使用和常見的信號(hào)處理功能，能使用Matlab進(jìn)行一般的數(shù)字圖像處理操作。3.掌握基于PCA的人臉識(shí)別的步驟和算法。4.通過(guò)對(duì)實(shí)際人臉圖像的處理，了解通用DSP系統(tǒng)設(shè)計(jì)的

8、開發(fā)過(guò)程；熟悉數(shù)字圖像處理常用功能的使用和通用數(shù)字圖像處理系統(tǒng)的設(shè)計(jì)方法；5.掌握主成分分析、特征值和特征臉的實(shí)現(xiàn)方法，獲得人臉識(shí)別的感性認(rèn)識(shí)；6.培養(yǎng)認(rèn)真的工作作風(fēng)和科學(xué)態(tài)度。通過(guò)課程設(shè)計(jì)的實(shí)踐，幫助學(xué)生逐步樹立正確的生產(chǎn)觀、經(jīng)濟(jì)觀和全局觀。第四，課程設(shè)計(jì)的組織形式課程設(shè)計(jì)過(guò)程以小組為單位進(jìn)行。講師向?qū)W生分發(fā)課程設(shè)計(jì)的相關(guān)背景資料，并告訴他們課程設(shè)計(jì)的方法、步驟和要求。設(shè)計(jì)過(guò)程采用集中課堂指導(dǎo)，分散設(shè)計(jì)的方式進(jìn)行。課程設(shè)計(jì)由23人組成，要求在分工合作、充分討論、相互啟發(fā)的基礎(chǔ)上形成設(shè)計(jì)方案。在課程設(shè)計(jì)結(jié)束時(shí)，需要提交一份課程設(shè)計(jì)報(bào)告。必要時(shí)可要求每個(gè)小組選出一名代表對(duì)課程設(shè)計(jì)方案進(jìn)行論證和答

9、辯，并對(duì)部分優(yōu)秀設(shè)計(jì)成果進(jìn)行評(píng)價(jià)。第五，課程設(shè)計(jì)的容忍度和原則1.為什么要設(shè)計(jì)PCA人臉識(shí)別系統(tǒng)？人臉識(shí)別一直是圖像處理和模式識(shí)別領(lǐng)域的研究熱點(diǎn)和難點(diǎn)。這項(xiàng)技術(shù)有著廣泛的應(yīng)用背景，如身份認(rèn)證、信用卡識(shí)別、駕照和護(hù)照的驗(yàn)證、銀行和海關(guān)的監(jiān)控系統(tǒng)、一些單位的自動(dòng)警衛(wèi)系統(tǒng)等。根據(jù)特征和分類方法的不同，人臉識(shí)別大致可以分為三類:1)提取人臉幾何特征的方法；2)基于特征分析的模板匹配；3)統(tǒng)計(jì)分析方法，如主成分分析(PCA)、彈性圖匹配、隱馬爾可夫模型、神經(jīng)網(wǎng)絡(luò)等。其中，基于主成分分析1的特征臉1方法因其計(jì)算簡(jiǎn)單、概念清晰而受到研究者的青睞。主成分分析(PCA)，也稱為特征臉?lè)椒?，已?jīng)成為人臉識(shí)別的基本

10、方法之一。M. Kirby和L. Sirovich Kkirby，1990使用PCA來(lái)表征人臉圖像。他們認(rèn)為任何圖像都可以通過(guò)一組特征臉的線性加權(quán)和近似重構(gòu)，其權(quán)重系數(shù)可以通過(guò)將人臉圖像投影到特征臉空間中得到。M. Turk和A. Pentland將PCA應(yīng)用于人臉檢測(cè)和識(shí)別Turk，1991a土耳其人，1991年b。2.2的原則。主成分分析算法PCA(主成分分析)算法是人臉識(shí)別中一種比較新的算法。其優(yōu)點(diǎn)是識(shí)別率高，識(shí)別速度快。2.1.主成分分析原理設(shè)x是代表環(huán)境的m維隨機(jī)向量。假設(shè)x的平均值為零，即:Ex=O。設(shè)W表示為M維單位向量，X投影在其上。該投影被定義為矢量x和w的乘積，表示為:主成

11、分分析的目的是找到權(quán)重向量w以最大化表達(dá)式Ey2的值:根據(jù)線性代數(shù)理論可知，最大化滿足公式子值的訓(xùn)練應(yīng)滿足以下公式:即使最大化上式的W是矩陣Cx的最大特征值對(duì)應(yīng)的特征向量。2.2.主成分求解步驟在PCA中，主要要求是找到方差最大化的變換方向，具體求解步驟如下:(1)構(gòu)造關(guān)聯(lián)矩陣:Cx=Ex*xT，CX PN * N .在實(shí)際應(yīng)用中，由于原始數(shù)據(jù)的數(shù)學(xué)期望不易求解，我們可以用下面的公式近似構(gòu)造關(guān)聯(lián)矩陣:(其中x1，x2，.，xN，是每個(gè)原始灰度圖像的所有像素對(duì)應(yīng)的向量，n是原始圖像的個(gè)數(shù))首先，計(jì)算Cx的各個(gè)特征值。(3)將特征值按大小排序。(2)(4)計(jì)算對(duì)應(yīng)于前m個(gè)特征值的正交特征向量以形成

12、W.(5)將原始數(shù)據(jù)投影到特征向量W上，得到原始圖像的主要特征數(shù)據(jù)。2.3主成分的求解方法通過(guò)以上分析可以知道，主成分分析的問(wèn)題最終轉(zhuǎn)化為求協(xié)方差矩陣的特征值和特征向量的問(wèn)題，以及主成分正交分解的算法。3.特征臉?biāo)惴ㄌ卣髂樖抢弥鞒煞址治鲞M(jìn)行特征提取的經(jīng)典算法之一。人臉特征方法是從主成分分析中衍生出來(lái)的一種人臉識(shí)別和描述技術(shù)。人臉特征法將包含人臉的圖像區(qū)域視為一個(gè)隨機(jī)向量，因此可以通過(guò)K-L變換得到正交的K-L基。其中，較大特征值對(duì)應(yīng)的基具有與人臉相似的形狀，所以也稱為特征臉。這些基的線性組合可以用來(lái)描述、表達(dá)和近似人臉圖像，因此可以進(jìn)行人臉識(shí)別和合成。識(shí)別過(guò)程是將人臉圖像映射到特征人臉形成的

13、子空間，并在特征空間中將其位置與已知人臉進(jìn)行比較。具體步驟如下:(1)初始化，獲取人臉圖像的訓(xùn)練集并計(jì)算特征臉，定義為人臉空間，存儲(chǔ)在模板庫(kù)中供系統(tǒng)識(shí)別；(2)輸入新的人臉圖像，將其映射到特征人臉空間，獲得一組關(guān)于人臉的特征數(shù)據(jù)；(3)通過(guò)檢查圖像與人臉空間的距離來(lái)判斷圖像是否是人臉；(4)如果是人臉，根據(jù)權(quán)重模式判斷是否是數(shù)據(jù)庫(kù)中的人，并進(jìn)行具體操作。如何計(jì)算特征臉:設(shè)人臉圖像I(x，y)為二維N*N灰度圖像，用N維向量r表示，人臉圖像的訓(xùn)練集為Ri|i=1，M，其中M為訓(xùn)練集中圖像的總數(shù)，這M幅圖像的平均向量為:每個(gè)面部Ri和平均面部之間的差向量是:訓(xùn)練圖像的協(xié)方差矩陣可以表示為:其中A=

14、1，M。人臉由協(xié)方差矩陣C的正交特征向量組成.對(duì)于N*N張人臉圖像，協(xié)方差矩陣C的大小為N2*N2，因此求解其特征值和特征向量非常困難。另一種方法是:也就是協(xié)方差矩陣的轉(zhuǎn)置矩陣，可以知道這個(gè)矩陣是M*M的一個(gè)較小的矩陣(M是訓(xùn)練的面數(shù))。首先計(jì)算M*M矩陣L的特征向量vi(l=l，M)，然后通過(guò)差分圖像i(i=1，M)和vi(l=l，M)的線性組合得到矩陣C的特征向量ui(l=1，M): U=u1，um實(shí)際上m(m I = imread( test . png )；%將圖像文件test.png讀入變量I尺寸(一)%來(lái)獲取矩陣I的行和列的大小。ans =320 240一(1:10，1:10)%顯

15、示了矩陣I的1-10行和1-10列ans =26 20 20 22 22 20 19 20 22 2226 24 19 22 22 19 21 24 24 2225 24 22 24 21 19 20 22 24 2225 21 21 24 22 20 21 22 24 2024 20 22 25 22 19 20 21 25 2420 19 22 22 24 21 21 24 22 2420 20 21 25 25 24 24 25 20 2020 20 21 24 26 25 25 25 20 2020 19 22 24 24 25 24 24 22 2121 17 21 25 21 22

16、 24 25 22 21 colormap(灰色(256)；%顯示256個(gè)值的灰度。圖像(一)；%將矩陣I顯示為圖片。 da SPECT(1 1 1)；%將x:y設(shè)置為1 1:13.加載待訓(xùn)練的人臉集圖像，存儲(chǔ)在一個(gè)大矩陣中。Matlab適合矩陣運(yùn)算。這里，使用matlab的函數(shù)進(jìn)行矩陣運(yùn)算比使用C編程代碼更簡(jiǎn)單?？梢约虞d的訓(xùn)練集文件存放在同一個(gè)目錄下，文件名存放在一個(gè)文件中，方便閱讀。訓(xùn)練集中的每個(gè)人臉圖像切片被存儲(chǔ)為大矩陣的一列。顯示圖像時(shí)，注意將一維數(shù)據(jù)還原為二維數(shù)據(jù)。運(yùn)行結(jié)果如圖2所示。 L = Imgs(:，10)；%取大矩陣的一列。 L = shape(L，w，h)；% Resha

17、pes函數(shù)將列向量轉(zhuǎn)換為二維矩陣。圖像(L)； colormap(灰色(256)； da SPECT(1 1 1)；圖2由訓(xùn)練集矩陣顯示的集合的每個(gè)圖像4.獲取訓(xùn)練圖像集的主成分特征向量。采用Turk和Pentland提出的算法來(lái)獲得特殊的向量，下面的代碼繪制了特征值和特征向量的圖譜，執(zhí)行結(jié)果如圖3所示。劇情(瓦爾斯)；%畫特征值圖。 CVals = zeros(1，長(zhǎng)度(Vals)；%使向量的長(zhǎng)度等于Vals CVals(1)= Vals(1)； 對(duì)于i = 2:長(zhǎng)度(Vals特征值的累積和CVals(I)= CVals(I-1)+Vals(I)；結(jié)束； CVals = CVals/sum(

18、Vals)；%被設(shè)置為1劇情(CVals)； ylim(0 1)；圖3畫出特征值圖。5.顯示特征面在人臉的相關(guān)研究中，通常在子空間中使用PCA方法來(lái)定義最佳的人臉風(fēng)格表情。一些訓(xùn)練面部圖像集被用于生成特征臉，并且面部空間被擴(kuò)展，使得這些圖像中的面部區(qū)域被投影到圖像的子空間中并被聚類。相同的非人臉區(qū)域的訓(xùn)練圖像將通過(guò)相同的方法被投影到相同的空間并被聚類。然后，比較兩個(gè)投影的子空間，得到人臉區(qū)域和非人臉區(qū)域在子空間投影上的分布。然后，比較兩個(gè)投影的子空間，得到人臉區(qū)域和非人臉區(qū)域在子空間投影上的分布。圖4示出了圖2所示的訓(xùn)練面部圖像集的特征面部顯示。例如，通過(guò)觀察特征臉的顯示結(jié)果，我們可以生動(dòng)地認(rèn)

19、識(shí)到特征臉是粗糙臉。圖4是對(duì)應(yīng)于圖2中的訓(xùn)練臉部圖像集的特征臉部顯示6.平均人臉顯示訓(xùn)練集的平均面，即均值面，是矩陣每一列數(shù)據(jù)的平均值。如圖5所示，是圖2中訓(xùn)練人臉圖像集對(duì)應(yīng)的平均人臉。圖5平均圖像7.從特征人臉重建訓(xùn)練集人臉圖像。這些特征可以重建訓(xùn)練集的人臉圖像。圖6a)是訓(xùn)練集圖像的再現(xiàn)，圖6b)是每個(gè)特征臉的權(quán)重和歐幾里德距離。圖6a圖6 b這些特征還可以在訓(xùn)練集之外重建人臉圖像。圖7a)是訓(xùn)練集之外的圖像的再現(xiàn)，圖7b)是每個(gè)特征臉的權(quán)重和歐幾里德距離。(一)(二)圖7七。設(shè)計(jì)源程序清除%刪除變量關(guān)閉%關(guān)閉窗口。Clc%清除窗口m = 9；經(jīng)過(guò)訓(xùn)練的圖片數(shù)量百分比選擇的標(biāo)準(zhǔn)差和平均值。

20、選定的標(biāo)準(zhǔn)值和平均值它可以是接近大多數(shù)圖像的標(biāo)準(zhǔn)差和平均值的任何數(shù)字。大多數(shù)圖片接近標(biāo)準(zhǔn)值和平均值的百分比如下:um = 100%平均值ustd = 80%標(biāo)準(zhǔn)值%讀取并顯示圖像(BMP)；閱讀和顯示圖片的功能部分:s =；% imgmatrices是一個(gè)圖像矩陣。圖(1)；%打開圖1對(duì)于i=1:M%,打開集合M=9的訓(xùn)練圖像。str=strcat(int2str(i)，。PGM)；%連接構(gòu)成圖像名稱的兩個(gè)字符串當(dāng)前目錄中的% 19.pgmeval( img = im read(str)；);Im (img)%顯示圖像如果i=3標(biāo)題(定型集， fontsize ，18)%標(biāo)題目標(biāo)drawnow

21、%更新數(shù)字1irow icol=大小(img)；temp=reshape(img ，irow*icol，1)；%創(chuàng)建一個(gè)(N1*N2)x1矩陣創(chuàng)建一個(gè)N1N21矩陣。S =S temp；目標(biāo)這里我們改變所有圖像的平均值和標(biāo)準(zhǔn)差。我們將所有圖像標(biāo)準(zhǔn)化。%該部分更改所有圖像的平均值和標(biāo)準(zhǔn)值，并使圖像正?；?。這樣做是為了減少由于光照條件造成的誤差。%這可以減少由光源條件引起的誤差。對(duì)于i=1:size(S，2) %size返回矩陣S的維數(shù)。temp=double(S(:，I)。%雙精度m =平均值(溫度)；平均百分比。st=std(溫度)；%標(biāo)準(zhǔn)偏差s(:，I)=(temp-m)* ustd/ST+

22、um；%這個(gè)公式平均s。目標(biāo)%顯示標(biāo)準(zhǔn)化圖像使用圖2顯示標(biāo)準(zhǔn)化圖像。圖(2)；因?yàn)槲?1:Mstr=strcat(int2str(i)，。BMP)；%讀入19.bmp文件img = shape(S(:，I)，icol，irow)；%重構(gòu)imgimg = img ；%換位eval(imwrite(img，str)；%執(zhí)行字符串plot(cell(sqrt(m)、cell(sqrt(m)、I)%與上述相同，以形成33圖像排列。Im (img)%顯示圖像drawnow%更新數(shù)字2如果i=3標(biāo)題(標(biāo)準(zhǔn)化訓(xùn)練集， fontsize ，18)目標(biāo)目標(biāo)%平均圖像；平均圖像m =均值(S，2)；TMI mg

23、= uint 8(m)；img = shape(tmimg，icol，irow)；%獲取n1 * n2x 1向量并創(chuàng)建一個(gè)n2xn 1矩陣，以創(chuàng)建一個(gè)N2N1矩陣。img = img ；通過(guò)轉(zhuǎn)置圖像創(chuàng)建一個(gè)N1XN2矩陣。找到img的轉(zhuǎn)置矩陣圖(3)；imshow(img)；標(biāo)題(“平均圖像”，“字體大小”，18)用于操作的圖像改變用于處理的圖像。dbx =；% A矩陣A矩陣因?yàn)槲?1:Mtemp=double(S(:，I)。%采用雙精度。dbx =dbx temp；%將兩個(gè)矩陣相加。目標(biāo)協(xié)方差矩陣C=AA，L=AA 協(xié)方差矩陣a = dbx ；%矩陣A是從上面獲得的dbx的轉(zhuǎn)置矩陣獲得的。l

24、 = A * A；%A矩陣和A矩陣的轉(zhuǎn)置矩陣的乘積給出L矩陣。l的特征向量是l的特征向量。dd是L=dbx*dbx和C=dbx*dbx 的特征值；Dd是L=dbx*dbx和C=dbx*dbx 的特征值vv DD= EIG(L)；排序和精英認(rèn)為整八值為零。選擇并消除特征值為0的那個(gè)。v =；%將v留空。d =；%將d留空。對(duì)于i=1:size(vv，2)If(dd(i，i)1e-4)%用這個(gè)表達(dá)式來(lái)度量。v=v vv(:，I)；d=d dd(i，I)；目標(biāo)目標(biāo)排序，將返回一個(gè)升序序列選擇一個(gè)可以返回降序序列。B索引= sort(d)；ind=zeros(大小(索引)；具有與索引一樣大的% ind

25、的零矩陣dt EMP = zeros(size(index)；同理，% dtemp是一個(gè)與index大小相同的零矩陣。vtemp =零(大小(v)；% vtemp是一個(gè)與v大小相同的零矩陣。len =長(zhǎng)度(索引)；% len是索引的最大維度。對(duì)于i=1:len%從1到len循環(huán)dt EMP(I)= B(len+1-I)；% dtemp(i)的值是B(len+1-i)ind(I)= len+1-index(I)；% ind(i)的值是len+1-index(i)vtemp(:，ind(i)=v(:，I)；% vtemp的列ind(i)與v的列I相同。目標(biāo)d = dtemp% dtemp的值被賦給

26、d。v = vtemp% vtemp的值被分配給v。特征向量的規(guī)范化%特征向量的規(guī)范化對(duì)于I = 1: size (v，2)% access，每列訪問(wèn)每一行kk=v(:，I)；%將V的第I行賦給kktemp=sqrt(sum(kk。2);%取一個(gè)名為temp的臨時(shí)變量，對(duì)kk的每個(gè)元素求平方。然后求和，將平方根賦給temp。v(:，i)=v(:，I)。/temp；目標(biāo)C矩陣的特征向量%矩陣C的特征向量。u =；%取U為空矩陣對(duì)于i=1:size(v，2)%訪問(wèn)每一行temp = sqrt(d(I)；u=u (dbx*v(:，I)。/temp；%構(gòu)造矩陣u目標(biāo)特征向量歸一化對(duì)于i=1:size(

27、u，2)kk=u(:，I)；%將U的第I列賦給kktemp=sqrt(sum(kk。2);%取一個(gè)名為temp的臨時(shí)變量，對(duì)kk的每個(gè)元素求平方。然后求和，將平方根賦給temp。u(:，i)=u(:，I)。/temp；%劃分U矩陣和temp矩陣對(duì)應(yīng)的元素，重新生成U。目標(biāo)顯示特征臉；顯示特征面圖(4)；%圖4對(duì)于i=1:size(u，2)img = shape(u(:，I)，icol，irow)；%通過(guò)U矩陣重建圖像img = img ；%轉(zhuǎn)置圖像img=histeq(img，255)；%使用平衡直方圖來(lái)提高對(duì)比度。圖4中的Plot (CEIL (sqrt (m)，CEIL (sqrt (m)

28、，I)%是一個(gè)33的圖像。im show(img)%顯示imgdrawnow%更新圖4如果i=3Title (Eigenfaces ， Fontsize ，18)%顯示 Eigenfaces 目標(biāo)目標(biāo)找出訓(xùn)練集中每張臉的權(quán)重。求訓(xùn)練中每張臉的權(quán)重。omega =；%創(chuàng)建一個(gè)空矩陣對(duì)于h=1:size(dbx，2)WW =；%外部循環(huán)建立一個(gè)空矩陣WW。對(duì)于i=1:size(u，2)t = u(:，I)；%將U的第I列轉(zhuǎn)置賦值給t。weightoimage = dot(t，dbx(:，h)；%被T和dbx的H列轉(zhuǎn)置形成向量點(diǎn)，賦給WeightOfImage。WW =WW；weightoimage

29、；%構(gòu)成WW目標(biāo)omega =omega WW；%構(gòu)成歐米伽。目標(biāo)90%以上的圖像被讀入、歸一化、特征空間的訓(xùn)練和特征臉的形成.%并顯示訓(xùn)練圖像、歸一化圖像、均值圖像和特征臉。%識(shí)別以下零件。獲取新圖像獲取新圖像。%仍然使用orl人臉數(shù)據(jù)庫(kù)中的人臉圖像作為實(shí)驗(yàn)對(duì)象。%保持與訓(xùn)練圖像相同的大小。InputImage = input(請(qǐng)輸入圖像的名稱及其擴(kuò)展名n ， s )；%輸入要讀取的文件作為鑒別。input image = im read(strcat(input image)；%讀取當(dāng)前路徑中的文件。圖(5)%圖5Plot (1，2，1)%顯示了圖5中左側(cè)和右側(cè)的兩個(gè)圖像。im show(

30、input image)；色彩映射表(“灰色”)；Title (Input image ， fontsize ，18)%顯示帶有標(biāo)題 Input image 的輸入圖像in image = shape(double(input image)，irow*icol，1)；%將輸入圖像重建序列分配給圖像。temp = InImage%將圖像分配給tempme =均值(temp)；%取temp的平均值，賦給我。st=std(溫度)；%取temp的標(biāo)準(zhǔn)偏移量，賦給ST。temp =(temp-me)* ustd/ST+um；% temp由輔助表達(dá)式處理。NormImage = temp%將臨時(shí)分配給正常

31、圖像差值= temp-m；%temp和m之間的差異是差異NormImage =差異；%將差異分配給NormImage。p =；%建立一個(gè)空矩陣p。aa=size(u，2)；%從u的緯度得到aa的值。對(duì)于i = 1:aa %aa周期pare = dot(NormImage，u(:，I)；%向量點(diǎn)對(duì)由normimage，u的列I構(gòu)成。p =p；pare；%使用pare構(gòu)造p矩陣。目標(biāo)ReshapedImage = m + u(:，1:aa)* p；% m是均值圖像，u是特征向量m是均值圖像，u是特征向量。取U矩陣的1到aa列，乘以P矩陣，再加上m。ReshapedImage = reshape(R

32、eshapedImage，icol，irow)；ReshapedImage = ReshapedImage ；%轉(zhuǎn)置整形圖像%顯示重建的圖像。逼真的重建圖像Plot (1，2，2)%顯示了圖5右側(cè)的重建圖像。imagesc(ReshapedImage)；色彩映射表(“灰色”)；%測(cè)量并顯示整形圖像。Title(未重構(gòu)的圖像， fontsize ，18)% title:“未重構(gòu)的圖像”最小重量=；%創(chuàng)建最小重量的空矩陣對(duì)于i=1:size(u，2)t = u(:，I)；%轉(zhuǎn)置U的第I列，并將其賦給t。WeightOfInputImage = dot(t，Difference )；%構(gòu)建向量點(diǎn)權(quán)重輸入圖像最小重量=最小重量；WeightOfInputImage；%構(gòu)造圖像權(quán)重目標(biāo)ll = 1:M；%圖(6)Plot (1，2，1)% figure6輸入圖像的權(quán)重顯示在左側(cè)。Stem(ll，InImWeight)%使用Stem函數(shù)劃分離散系列數(shù)據(jù)。Title(輸入面的權(quán)重， fontsize ，14)% title 輸入面的權(quán)重%查找歐幾里得距離查找歐幾里得距離e =；%創(chuàng)建一個(gè)空矩陣e。對(duì)于i=1:大小(，2)q =(:，I)；%閱讀歐米伽的第一列diff weight = in imweight-q；%使用最小重量-q獲得不同重量。mag = n