人脸识别PCA算法matlab实现及详细步骤讲解

精品文档---下载后可任意编辑% PCA 人脸识别修订版，识别率 88％% calc xmean,sigma and its eigen decompositionallsamples=[];%所有训练图像for i=1:40for j=1:5a=imread(strcat('e:\ORL\s',num2str(i),'\',num2str(j),'.jpg'));% 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＝200endendsamplemean=mean(allsamples); % 平均图片，1 × Nfor 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;% 猎取特征值及特征向量sigma=xmean*xmean'; % M * M 阶矩阵[v d]=eig(sigma);d1=diag(d);% 按特征值大小以降序排列dsort = flipud(d1);vsort = fliplr(v);%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));endi=1;% (训练阶段)计算特征脸形成的坐标系base = xmean' * vsort(:,1:p) * diag(dsort(1:p).^(-1/2));% base 是 N×p 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 的人脸识别算法讨论》p31% 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%while (i<=p && dsort(i)>0)% 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（使其方差为 1）% 详见《基于 PCA 的人脸识别算法讨论》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 allcoorallcoor = allsamples * 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=1:40for j=6:10 %读入 40 x 5 副测试图像a=imread(strcat('e:\ORL\s',num2str(i),'\',num2str(j),'.jpg'));b=a(1:10304);b=double(b);t...