【人脸识别】PCA+SVM人脸识别（准确率）【含GUI Matlab源码 823期】

于 2024-01-18 10:26:11 发布
阅读量557 收藏 12
点赞数 5
分类专栏： Matlab图像处理（进阶版） 文章标签： matlab
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/KeepingMatlab/article/details/135667684
版权

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、简介

1 PCA-SVM原理
1.1 主成分分析PCA
本文处理的所有原始图片都是112x 92大小的pgm格式图片， 每幅图片包含10304个像素点， 每一行代表一个样本，维数就是10304维。维数过大使得数据处理工作十分复杂，同时，图片特征之间的强相关性还会导致“维数灾难”。快速高效的人脸识别，其关键在于提取到精准表征人脸的特征。从人脸图像中找出最能表征人脸的特征空间，是主成分分析(Principal Component Analysis， PC A) [2] 在人脸特征提取中的基本思想。在这个过程中， 不能表征人脸的属性会被剔除(降维的过程)，也就是在一个高维特征空间中利用一组系数对特征加权，来重新表示一张人脸图片。PCA过程的数学描述如下：
在这里插入图片描述
在这里插入图片描述
1.2 支持向量机SVM
给定训练集，在特征空间上找到一个分类超平面，将样本点分到不同的类。存在唯一的分类超平面，使得样本点距离分类超平面的距离最大。其中，距离超平面最近的点为该超平面的支持向量。找到该超平面后，对于待测点，通过计算该点相对于超平面的位置进行分类。其中，一个点距离分类超平面的距离越大，表明分类预测的确信程度越高。
支持向量机(Support Vector Machine， SVM) 需要做的就是找出一个超平面， 使得在两类样本点能完全分离的情况下，尽可能使样本边界的距离最大。
在这里插入图片描述
SVM是一个两类分类器， 而大多数实际分类问题都是多类分类问题， 那么就需要利用SVM这个二分类器去实现一个多类问题的分类。本文人脸识别程序中， 采用的是一对一的投票策略， 即在任意两类样本之间设计一个SVM分类器，分类为得票最多的类。

2 MATLAB工具软件
本文通过MATLAB工具软件， 对PC A-SVM人脸识别方法进行仿真计算。MATLAB人脸识别程序的使用界面上分为三个按钮：“测试准确率”“选择照片”和“图像匹配”，既可以方便操作，又可以使识别结果直观地显示出来。点击“开始运行”按钮调用的是主函数face.m， 对人脸数据进行处理； 点击“选择照片”按钮调用子函数GUl open， 用户可以在相应的文件路径下选择人脸照片； 点击“人脸识别”按钮调用子函数GUI reg， 通过每张图片所对应的标签来进行匹配， 从而得出识别结果。

3 PCA-SⅤM人脸识别模型的建立
3.1人脸库构建
人脸识别模型的建立首先需要适当的人脸库。本文分两步构建人脸库。
(1) 选择OR L人脸数据库加入本文人脸库， 其中包含40个人的每人10张人脸图片， 一共400张图片， 每张大小是112×92像素， 图片格式是pgm。
(2) 作者利用电脑摄像头拍了10张本人的照片， 将这10张图片的格式转化为pgm格式， 同时大小也转化为112×92像素，加入本文人脸库。
3.2训练集数据处理
这里将每个人的前5张人脸图片作为训练集，后5张人脸图片作为测试集。训练集数据处理步骤如下：
(1) 读入训练集数据， 储存在矩阵f_matrix(205*10304) 中。
(2) 对训练集数据进行PC A降维， 本文选择的降维维数是100。
(3)规范化特征数据，将同一个样本中的不同维度归一化，从而对于不同的属性之间也可以进行比较。
这里特别增加了一个显示特征脸的步骤。由于数据降至100维，在低维空间中的基就是100张特征脸，其他所有经过降维的脸都可以通过这100张特征脸线性表示。图1显示了前10个特征脸。
在这里插入图片描述
图1 特征脸显示
3.3 参数选择
在PCA-SVM人脸识别模型建立中， 参数取值如下：
(1) n persons：样本包含41个人的人脸， 将n persons设置为41。
(2)flag：flag为0时子函数ReadFace.m读取训练样本数据， flag为1时读取测试样本数据。
(3) k：表示降维至k维。该参数在子函数fast PC A.m中以输入参数出现， 在后面的SVM训练中也有用处。k值与gamma值有很大关联， 这里经过反复调整将k设置为100。
(4) low vec：经过降维后的图像数据pc a face的最小值， 通过设置low new，即新的边界的下限，对数据进行归一化处理。
(5) up vec：经过降维后的图像数据pc a face的最大值， 通过设置up new， 即新的边界的上限， 对数据进行归一化处理。
(6)核函数：本文选择的是高斯核函数。
(7) gamma：参数gamma是选择高斯核函数RBF作为核函数后该函数自带的一个参数。它隐含地决定了数据映射到新的特征空间后的分布。gamma越大， 支持向量越少， 反之支持向量越多。支持向量的个数直接影响到训练与预测的速度。gamma如果设置得很大， 会使得高斯分布显得高而窄，只作用于支持向量样本附近，对于未知样本的分类效果很差，最终会导致训练准确率很高，而识别准确率很低的结果，即过拟合。而gamma设置过小， 则会造成平滑效应过大， 对于噪声不敏感。本文设置参数gamma时， 在10-3~103的范围依次尝试，最终设置为0.01。
(8)c：参数c可以理解为惩罚参数，类似于正则化中一的作用。c越大，意味着拟合非线性的能力越强，但是容易入出现过拟合的情况，而c过小会导致出现欠拟合的情况，总而言之，c过大或者过小，泛化能力都会变差。本文设置参数c为1。

4 PCA-SⅤＭ人脸识别模型的测试
测试时，首先读取测试数据，类似于处理训练数据，需要对测试数据进行降维和归一化处理，然后利用训练所得的模型对测试数据集进行分类识别。将识别结果与本身自带的标签(即这是第几个人的人脸图片)进行比对，可以获得识别准确率。测试结果表明， 基于PCA-SVM的人脸识别方法准确率为83.9024%。这里选取第8个人的人脸图片作为示例，可以看到在最终的人脸识别阶段可以准确地进行人脸识别。
备注：简介部分仅作为理论参考，与本文程序和运行结果略有出入。

⛄二、部分源代码

function varargout = test(varargin)
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @test_OpeningFcn, …
‘gui_OutputFcn’, @test_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end

function test_OpeningFcn(hObject, eventdata, handles, varargin)
global imgrow imgcol V pcaface accuracy
imgrow=112;
imgcol=92;%读取的图像为112*92
npersons=41;%选取41个人的脸
disp(‘读取训练数据…’);
f_matrix=ReadFace(npersons,0);%读取训练数据
nfaces=size(f_matrix,1);%样本人脸的数量

%低维空间的图像是（npersons*5）k的矩阵，每行代表一个主成分脸，每个脸20维特征
disp(‘训练数据PCA特征提取…’);
mA=mean(f_matrix);%求每个属性的均值
k=20;%降维至20维
[pcaface,V]=fastPCA(f_matrix,k,mA);%主成分分析法特征提取
%pcaface是20020
disp(‘训练特征数据规范化…’)
lowvec=min(pcaface);
upvec=max(pcaface);
scaledface=scaling(pcaface,lowvec,upvec);

disp(‘SVM样本训练…’)
gamma=0.0078;
c=128;
multiSVMstruct=multiSVMtrain(scaledface,npersons,gamma,c);
save(‘recognize.mat’,‘multiSVMstruct’,‘npersons’,‘k’,‘mA’,‘V’,‘lowvec’,‘upvec’);

disp(‘读取测试数据…’)
[testface,realclass]=ReadFace(npersons,1);

disp(‘测试数据降维…’)
m=size(testface,1);
for i=1:m
testface(i,:)=testface(i,:)-mA;
end
pcatestface=testface*V;
disp(‘测试特征数据规范化…’)
scaledtestface=scaling(pcatestface,lowvec,upvec);
disp(‘样本分类…’)
class=multiSVM(scaledtestface,multiSVMstruct,npersons);

disp(‘测试完成！’)
accuracy=sum(classrealclass)/length(class);
set(handles.change_font,‘string’,‘请先选择照片…’)
handles.output = hObject;
guidata(hObject, handles);
function [f_matrix,realclass]=ReadFace(npersons,flag)
%读取ORL人脸库照片里的数据到矩阵
%输入：
% npersons-需要读入的人数，每个人的前五幅图为训练样本，后五幅为验证样本
% imgrow-图像的行像素为全局变量
% imgcol-图像的列像素为全局变量
% flag-标志，0表示读入训练样本，1表示读入测试样本
%输出：
%已知全局变量：imgrow=112;imgcol=92;
global imgrow;
global imgcol;
realclass=zeros(npersons5,1);%zeros 创建全零数组 矩阵创建了一个2001的零矩阵
f_matrix=zeros(npersons5,imgrowimgcol);%创建了一个200*（11292）的零矩阵，把训练集中所有的人脸都放在这个f_matrix中
for i=1:npersons
facepath=‘./orl_faces/s’;%训练样本集的路径
facepath=strcat(facepath,num2str(i));%strcat 字符串拼接 num2str()把数字转为字符串
facepath=strcat(facepath,‘/’);
cachepath=facepath;%得到图片的路径
for j=1:5
unction [ scaledface] = scaling( faceMat,lowvec,upvec )
%特征数据规范化
%输入??faceMat需要进行规范化的图像数据，
% lowvec原来的最小值
% upvec原来的最大值
upnew=1;
lownew=-1;
[m,n]=size(faceMat);
scaledface=zeros(m,n);
for i=1:m
scaledface(i,:)=lownew+(faceMat(i,:)-lowvec)./(upvec-lowvec)(upnew-lownew);
end
end
voting=zeros(m,nclass);
for i=1:nclass-1
for j=i+1:nclass
class=svmclassify(multiSVMstruct{i}{j},testface);
voting(:,i)=voting(:,i)+(class1);
voting(:,j)=voting(:,j)+(class==0);
end
end
[~,class]=max(voting,[],2);
end

⛄三、运行结果

在这里插入图片描述
在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]孟逸凡,柳益君.基于PCA-SVM的人脸识别方法研究[J].科技视界. 2021,(07)
[2]张娜,刘坤,韩美林,陈晨.一种基于PCA和LDA融合的人脸识别算法研究[J].电子测量技术. 2020,43(13)
[3]陈艳.基于BP神经网络的人脸识别方法分析[J].信息与电脑(理论版). 2020,32(23)
[4]戴骊融,陈万米,郭盛.基于肤色模型和SURF算法的人脸识别研究[J].工业控制计算机. 2014,27(02)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合

Matlab武动乾坤
关注
  • 5
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
SVM与PCA结合的面部检测项目详解
gitblog_00059的博客
04-08 249
SVM与PCA结合的面部检测项目详解 项目地址:https://gitcode.com/zhang-can/SVM_PCA_face_detection 在人工智能领域，图像处理和机器学习的应用日益广泛，其中面部检测是其中一个关键任务。今天我们要介绍一个开源项目——SVM_PCA_face_detection，它巧妙地结合了支持向量机（SVM）与主成分分析（PCA），实现高效且准确的面部检测。 项...
人脸识别实战：使用Opencv+SVM实现人脸识别
最新发布
2401_84023920的博客
04-02 993
🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！
pca+svm实现人脸识别
06-30
借助pca算法实现特征降维并提取特征脸 通过支持向量机实现人脸识别。 代码为python代码，需要import sklearn库和matplotlab库。识别的准确率为85%左右。用的是fetch_lfw_people人脸数据集。
基于PCA和SVM的人脸识别
Ricardo的博客
01-07 2万+
svm推广到多类情况一对多的最大响应策略(one against all) 假设有A 、B、C.. D四类样本需要划分。在抽取训练集的时候，分别按照如下4种方式划分。 A. 所对应的样本特征向量作为正集（类标签为+1), B、C、D所对应的样本特征向量作为负集（类标签为-1). B所对应的样本特征向量作为正集，A. C. D所对应的样本特征向量作为负集 C所
PCA+SVM人脸识别
silence2015的专栏
05-10 1万+
本例子来自sklearn的demo，我自己在运行demo时候遇到点麻烦，故阅读了下源码，在此总结一些知识点。首先要说明的是如果自己有先下载好的lfw人脸数据集，那么需要将人脸数据集放在lfw_home路径下，这也是因为datasets.fetch_lfw_people在加载数据集的源码的一个小瑕疵。如下图: PCA+SVM实现人脸识别PCA主要是通过奇异值分解将数据映射到低纬度的空间（正交去相关）
Python实现PCA降维和KNN人脸识别模型(PCA和KNeighborsClassifier算法)项目实战
胖哥真不错的博客
09-27 5824
Python实现PCA降维和KNN人脸识别模型(PCA和KNeighborsClassifier算法)项目实战
Matlab PCA+SVM人脸识别(一)
远方的橄榄树
05-23 3万+
平台：Matlab 数据：ORL人脸库。40人，每人10幅图， 大小为112*92 图像本身已经经过处理，不需要进行归一化和校准等工作
机器学习之性能度量指标
answer3lin的博客
12-06 5991
机器学习的模型性能度量指标 在机器学习中，衡量，评估和选择一个模型好坏是通过一些常见指标实现的，称之为性能指标(Metrics)。 对于一个二分类问题，我们首先给出如下基本指标基于这些指标可以推导出其他指标： ：True Positive(真正, TP)，即模型预测为正的正样本个数（将正类预测为正类数） ：False Positive(假正, FP)，即模型预测为正的负样本个数（本来是负样...
Python ，SVM模型效果的评估指标
bingbangx的博客
08-10 6874
混淆矩阵中： 模型整体效果：准确率： 1. 准确率Accuracy就是所有预测正确的所有样本除以总样本，通常来说越接近1越好 2.捕捉少数类的艺术：精确度，召回率和F1 score： 精确度Precision，又叫查准率，表示所有被我们预测为是少数类的样本中，真正的少数类所占的比例。精确度是”将多数类判错后所需付出成本“的衡量。 #所有判断正确并确实为1的样本 / 所有被判断为1的样本 #对于没有class_weight，没有做样本平衡的灰色决策边界来说： (y[y ..
基于PCA+SVM或者Adaboost方法的人脸识别matlab源码
02-20
文件名“基于PCA+SVM或者Adaboost方法的人脸识别”表明代码可能包含多个部分，分别对应PCA、SVM、Adaboost的实现，以及它们的集成。 具体到MATLAB代码，可能包括以下几个关键部分： 1. 数据预处理：读取人脸图像库...
matlab基于PCA+SVM的人脸识别系统_PCA_SVM_人脸识别_matlab
05-24
资源名：matlab基于PCA+SVM的人脸识别系统_PCA_SVM_人脸识别_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 ...
matlab人脸归一化)_人眼定位，缩放。
10-22
简单的人脸归一化，首先进行人眼定位，然后缩放和旋转
MATLAB实现人脸识别光照归一化算法
11-13
MATLAB 实现 人脸识别 光照归一化 算法 MATLAB 实现 人脸识别 光照归一化 算法 MATLAB 实现 人脸识别 光照归一化 算法 MATLAB 实现 人脸识别 光照归一化 算法
PCA经典人脸识别和PCA+SVM人脸识别方法_matlab
04-14
资源名：PCA经典人脸识别和PCA+SVM人脸识别方法_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：...
【人脸识别】基于PCA+SVM人脸识别（准确率）matlab源码含GUI.md
08-23
【人脸识别】基于PCA+SVM人脸识别（准确率）matlab源码含GUI.md
【人脸识别】基于 Gabor+SV和PCA+SVM实现人脸识别matlab源码含 GUI.md
08-05
【人脸识别】基于 Gabor+SV和PCA+SVM实现人脸识别matlab源码含 GUI.
MATLAB实现图像灰度归一化
热门推荐
越野者的博客
03-11 6万+
在许多图像处理系统中，对图像进行归一化都是必备的预处理过程。一般而言，对于灰度图像（或彩色通道的每个颜色分量）进行灰度归一化就是：使其像素的灰度值分布在0~255之间，避免图像对比度不足（图像像素亮度分布不平衡）从而对后续处理带来干扰。一种常见的图像归一化原理1是y=(x-MinValue)/(MaxValue-MinValue) 其中x、y分别为归一化前、归一化后的值，MaxValue、MinV
图像预处理知识
Embed98
10-31 1万+
        预处理是人脸识别过程中的一个重要环节。输入图像由于图像采集环境的不同，如光照明暗程度以及设备性能的优劣等，往往存在有噪声，对比度不够等缺点。另外，距离远近，焦距大小等又使得人脸在整幅图像中间的大小和位置不确定。为了保证人脸图像中人脸大小，位置以及人脸图像质量的一致性，必须对图像进行预处理。         人脸图像的预处理主要包括人脸扶正，人脸图像的增强，以及归一化等工作。人脸扶正
PCA+SVM的人脸识别程序
05-23
人脸识别是一项典型的模式识别任务，PCA+SVM是其中一种常用的方法，下面是一个简单的PCA+SVM人脸识别程序的示例： 1. 数据集准备 首先需要准备一个人脸数据集，一般包括训练集和测试集，每个样本都是一个人的人脸图像。可以使用公开数据集如AT&T人脸数据集、LFW人脸数据集等。 2. 特征提取 对于每个人脸图像，需要提取出其特征向量。PCA（Principal Component Analysis）是一种常用的特征提取方法，可以将高维的图像数据转换为低维的特征向量。具体步骤如下： （1）将所有训练样本按列组成一个矩阵X； （2）对X进行中心化处理，即将每一列都减去其均值； （3）对中心化后的X求协方差矩阵C； （4）对C进行特征值分解，得到特征值和特征向量； （5）选择前k个特征向量组成投影矩阵W； （6）对每个样本进行投影，得到其k维特征向量。 3. 训练模型 使用SVM（Support Vector Machine）作为分类器，对训练集进行分类器训练。SVM是一种二分类模型，可以将多分类问题转化为多个二分类问题。具体步骤如下： （1）将每个样本的特征向量和标签组成训练数据； （2）使用训练数据训练SVM分类器。 4. 测试模型 使用测试集对训练好的模型进行测试，计算分类准确率。 5. 代码实现 以下是一个简单的PCA+SVM人脸识别程序的Python实现代码： ``` python import numpy as np from sklearn.decomposition import PCA from sklearn.svm import SVC # 加载训练集和测试集 train_data = np.load('train_data.npy') train_label = np.load('train_label.npy') test_data = np.load('test_data.npy') test_label = np.load('test_label.npy') # 特征提取：使用PCA将图像数据转换为特征向量 pca = PCA(n_components=100) train_feature = pca.fit_transform(train_data) test_feature = pca.transform(test_data) # 训练模型：使用SVM进行分类器训练 svm = SVC(kernel='rbf', C=1, gamma='scale') svm.fit(train_feature, train_label) # 测试模型：使用测试集进行预测 predict_label = svm.predict(test_feature) accuracy = np.mean(predict_label == test_label) print('Accuracy:', accuracy) ``` 上述代码中，train_data和test_data分别是训练集和测试集的图像数据，train_label和test_label分别是训练集和测试集的标签，即对应的人脸ID。PCA的n_components参数设为100表示将图像数据转换为100维的特征向量。SVM的kernel设置为rbf表示使用高斯核函数，C为惩罚参数，gamma为核函数参数。最后计算分类准确率并输出。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值