基于PCA的人脸识别

基于PCA的人脸识别

一、算法描述

这次项目人脸识别只要靠PCA算法实现，算法的主要步骤如下：

1.首先，应题目要求，对于所有的Faces集里的40个人，各随机取出其10张图像中的7张用作训练集，剩余3张用作后续的测试。

2.然后，将280张train_imgs都拉伸成列向量并将所有列拼在一起，由于每张图像的总像素数都为10304，这样就得到了10304*280的矩阵X。

3.X的每列再减去均值向量，从而中心化。

4.求出X的转置和X的矩阵乘积，并求出乘积40*40矩阵的特征向量，这里用的是matlab的eig函数。

5.滤出前K大的特征值对应的特征向量W，再将X乘上W映射得到V，将V的每一列向量作为后续映射关系的一组基向量，共有K个基向量，也可以称为K个特征脸。

6.将X每一列都通过基向量矩阵V映射到对应的特征空间中。这样相当于将每张图像train_imgs都在新的空间中找到了对应的位置。

7.对于每个测试图像，也进行类似上述的变换：转成列向量，减去均值向量而中心化，然后用基向量矩阵映射到特征空间中。

8.要判断测试图像和40张train_imgs的哪张最匹配，只需对比测试图像在特征空间的新坐标和40张train_imgs在特征空间的坐标直接的欧几里得距离（或二范数）的大小，找到二范数最小的对应的train_img，就找到了最匹配训练图像了。

9.综上所述，这种算法的主要思想就是，去除部分无关的或者关系较小的向量，保留影响较大的向量作基，这样即减少了基向量的数目从而减少了运算量，同时又减少了图像细节，能避免无关的向量和测试图像主人公的表情、脸朝向和配饰等变化对测试准确性产生不良干扰。

二.Matlab代码

函数Get_Training_Set.m(用来随机读取40*7张图像并分别作平均产生训练集)：

function [ imgs ] = Get_Training_Set( input_path, index, height, width, output_path )     
    imgs = zeros(length(index), height, width);     
    for i = 1 : length(index)         
        imgs(i, :, :) = uint8(imread([input_path '/' num2str(index(i)) '.pgm']