如何结合pca算法和最近邻法进行人脸识别

如何结合pca算法和最近邻法进行人脸识别

%一个修改后的PCA进行人脸识别的Matlab代码
% calc xmean,sigma and its eigen decomposition
allsamples=[];%所有训练图像
for i=1:40
for j=1:5
a=imread(strcat('D:\rawdata\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...%一个修改后的PCA进行人脸识别的Matlab代码
% calc xmean,sigma and its eigen decomposition
allsamples=[];%所有训练图像
for i=1:40
for j=1:5
a=imread(strcat('D:\rawdata\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
while (i0)
base(:,i) = dsort(i)^(-1/2) * xmean' * vsort(:,i); % base是N×p阶矩阵,除以dsort(i)^(1/2)是对人脸图像的标准化,详见《基于PCA的人脸识别算法研究》p31
i = i + 1;
end
% add by wolfsky 就是下面两行代码,将训练样本对坐标系上进行投影,得到一个 M*p 阶矩阵allcoor
allcoor = allsamples * base;
accu = 0;
%
for i=1:40
for j=6:10 %读入40 x 5 副测试图像
a=imread(strcat('D:\rawdata\ORL\s',num2str(i),'\',num2str(j),'.pgm'));
b=a(1:10304);
b=double(b);
tcoor= b * base; %计算坐标,是1×p阶矩阵
for k=1:200
mdist(k)=norm(tcoor-allcoor(k,:));
end;
%三阶近邻
[dist,index2]=sort(mdist);
class1=floor( index2(1)/5 )+1;
class2=floor(index2(2)/5)+1;
class3=floor(index2(3)/5)+1;
if class1~=class2 && class2~=class3
class=class1;
elseif class1==class2
class=class1;
elseif class2==class3
class=class2;
end;
if class==i
accu=accu+1;
end;
end;
end;
accuracy=accu/200 %输出识别率
函数调用是定义函数,然后用函数名进行调用就可以了

a1=imread('a1.jpg'); a2=imread('a2.jpg'); b1=imread('b1.jpg'); b2=imread('b2.jpg'); a1=rgb2gray(a1); a2=rgb2gray(a2); b1=rgb2gray(b1); b2=rgb2gray(b2); figure,imshow(a1) figure,imshow(a2) figure,imshow(b1) figure,imshow(b2) a1=double(a1); a2=double(a2); b1=double(b1); b2=double(b2); a1_lie=a1(:); a2_lie=a2(:); b1_lie=b1(:); b2_lie=b2(:); c=cat(1,a1_lie',a2_lie',b1_lie',b2_lie'); c_mean=mean(c); x=[a1_lie-c_mean',a2_lie-c_mean',b1_lie-c_mean',b2_lie-c_mean']; r=x'*x; % r是4×4的矩阵 [p,q]=eig(r); u=diag(q); % u是4×1的列向量 u=flipud(u); % flipud(u)实现矩阵的上下翻转， u是4×1的列向量 v=fliplr(p); % fliplr(p)实现矩阵的左右翻转，v是4×4的矩阵 e=zeros(36000,4); for m=1:3 e(:,m)=x*v(:,m)./(u(m)^(-0.5)); % 参见《模式识别》p226公式9-18 end p1=zeros(200,180); p2=zeros(200,180); p3=zeros(200,180); for m=1:36000 p1(m)=e(m); p2(m)=e(m+36000); p3(m)=e(m+72000); end p1=mat2gray(p1); p2=mat2gray(p2); p3=mat2gray(p3); figure,imshow(p1) % 显示第1特征脸 figure,imshow(p2) % 显示第2特征脸 figure,imshow(p3) % 显示第3特征脸 new=c*e(:,1:3); %分别计算4个训练样本分别在第1、第2、第3、特征脸上的投影 p1=imread('p_test1.jpg'); %读入一个测试样本 p1=rgb2gray(p1); figure,imshow(p1); p2=double(p1(:)); test=p2'*e(:,1:3);%计算测试样本在3个特征脸上的投影 error=zeros(4,1); for m=1:4 error(m)=norm((new(m,:)-test)); end [distence,index]=sort(error); %将列向量error中的数据按从小到大排列 if index(1)==1 result=1; elseif index(1)==2 result=1; elseif index(1)==3 result=2; elseif index(1)==4 result=2; end result %result为1时表示测试样本属于第1个人，为2时表示测试样本属于第2个人

如以上回答内容为低俗、色情、不良、暴力、侵权、涉及违法等信息，可以点下面链接进行举报！

点此我要举报以上问答信息