【人脸识别】KL变换人脸识别【含GUI Matlab源码 859期】

✅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、KL变换人脸识别简介

人脸识别是指基于己知的人脸样本集，利用图像处理和模式识别的技术从静态或动态场景中，识别或验证一个或多个人脸。人脸识别技术跨越了图像处理、模式识别、计算机视觉、生物学、神经生理学和神经网络等诸多学科，同指纹识别、虹膜识别等同属于生物特征识别技术范畴，但是人脸识别同这些生物识别技术相比，更具有采集方便，隐蔽性好等特点，所以在安防监控领域、多媒体检索以及人机交互方面有着广泛地应用。
人脸识别的研究内容包括以下三个方面。(1)人脸检测：研究如何从各种不同的背景中检测出人脸的存在并确定其位置，这一任务主要受光照、噪声、头部倾斜度以及各种遮挡的影响。(2)特征提取：确定表示检测出的人脸和数据库中的己知人脸的描述方式。通常的表示方法包括几何特征(如欧式距离，曲率，角度等)，代数特征(如矩阵特征矢量)，固定特征模板，特征脸，云纹图等。(3)人脸识别：将待识别的人脸与数据库中的已知人脸进行比较，得出相关信息，这一过程的核心是选择适当的人脸表示方式和分类策略。一个典型的人脸识别系统一般由数据获取、预处理、特征提取、分类决策及分类器设计五部分组成。本系统采用oRL人脸数据库中已经经过预处理的人脸进行特征提取、分类决策和分类器设计。OR L数据库中有40个人， 每人10张人脸图像，共400个人脸图像，图1为该数据库随机抽取的3个人的部分人脸图像。本系统的特征提取方法采用基于奇异值分解(Singular Value Decomposition) 的KL(Karhunen Lo eve) 变换， 由原始人脸图像中提取特征向量； 分类器设计在训练过程中完成，利用已知人脸图像样本进行训练，确定KL变换的具体参数；分类决策即识别过程，采用最小距离法对未知的人脸样本进行分类决策。
1 基于奇异值分解的KL变换
KL变换又称主成分分析，是图像压缩的一种最优正交变换。高维的图像空间经过KL变换后得到一组新的正交基，保留其中一部分重要的正交基，由这些基可以组成低维线性空间。如果假设人脸图像在这些低维线性空间的投影具有可分离性，就可以将这些投影作为识别的特征向量，该特征向量又称为对“特征脸”的投影。
假设对向量集合{xi}，i=1，2…中的每一个x用确定的完备正交归一向量系展开，可得：

假设我们只用有限项来估计x, 即


相应特征值。
当取与矩阵w的d个最大特征值对应的d个特征向量来展开x时，其截断均方误差和在所有其他正交坐标系情况下用d个坐标展开x时所引起的均方误差相比为最小。这d个特征向量所组成的正交坐标系称作x所在的D维空间的d维KL变换坐标系，x在KL坐标系上的展开系数向量称作x的KL变换。

其中, Xi为第i个训练样本的图像向量, u为训练样本集的平均向量, M为训练样本的总数, 。则由奇异值分解法很容易求出S的特征值及相应的正交归一特征向量ui。

图3 系统训练流程图与识别流程图
将特征值由大到小排序：，其对应的图像的特征向量分别为。这样每一幅人脸图像都可以投影到由这组特征向量张成的子空间中，每一个特征向量所对应的图像也称为图像的“特征脸”。任何一幅图像都可以表示为这组“特征脸”的线性组合，其加权系数即是KL变换的展开系数。

2 人脸分类器的设计
本系统采用最小距离法作为分类器的设计方法。
现有40个类别的待识别人脸问题，每个类别分别用来表示，每个有标明类别的已知样本5个。我们可以规定wi；类的
判别函数为：

也就是说对未知样本x，我们只要比较x与200个已知类别的样本之间的欧氏距离，并决策x与离它最近的样本同类。
整个系统的训练及识别过程流程图，如图3所示。

3 人脸识别结果分析及总结
实验所用的OR L人脸数据库中有40个人， 每人10张人脸图像， 共400个人脸图像。选取每人的5张人脸图像为已知训练样本，而其余的5张人脸为待识别的样本。训练时选取的特征向量数n分别为10、20、30、40、50、60、70和80。则经过KL变换后表示人脸图像的低维子空间Y的大小分别为10×200、20×200、30×200、40×200、50×200、60×200、70×200和80×200，而原来的图像空间大小为10304×200。可见随着特征向量数n的不同，即KL变换系数的维数不同，经KL变换后图像数据得到了有效的降维。根据降维的程度不同，所得到的识别率也有所不同，如表1所示。由表1分析得知，随着特征向量数的增加，变换后的矩阵Y保留原人脸图像的信息也增加，当n小于等于60时，识别率随着n的增加而增加。但是当n大于60后，不管n怎样增加，识别率都不会再增加。可见基于KL变换的人脸识别系统识别率的最大极限值为95%。错误识别的原因可能是由于线性分类器固有的缺陷照成的。
如果想进一步提高人脸识别率，可以考虑改进分类决策的方法。本系统采用的最小距离分类法属于线性的分类器，而利用神经网络这类学习能力更强的非线性分类器对高维人脸识别问题可能会有更好的解决。
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 = renlian(varargin)
% RENLIAN MATLAB code for renlian.fig
% RENLIAN, by itself, creates a new RENLIAN or raises the existing
% singleton*.
%
% H = RENLIAN returns the handle to a new RENLIAN or the handle to
% the existing singleton*.
%
% RENLIAN(‘CALLBACK’,hObject,eventData,handles,…) calls the local
% function named CALLBACK in RENLIAN.M with the given input arguments.
%
% RENLIAN(‘Property’,‘Value’,…) creates a new RENLIAN or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before renlian_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to renlian_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE’s Tools menu. Choose “GUI allows only one
% instance to run (singleton)”.
%
% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help renlian

% L

% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @renlian_OpeningFcn, …
‘gui_OutputFcn’, @renlian_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
% End initialization code - DO NOT EDIT

% — Executes just before renlian is made visible.
function renlian_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to renlian (see VARARGIN)

% Choose default command line output for renlian
handles.output = hObject;

% Update handles structure
guidata(hObject, handles);

% UIWAIT makes renlian wait for user response (see UIRESUME)
% uiwait(handles.figure1);

% — Outputs from this function are returned to the command line.
function varargout = renlian_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure
varargout{1} = handles.output;

% — Executes on selection change in listbox1.
function listbox1_Callback(hObject, eventdata, handles)
str=get(handles.listbox1,‘string’);
v=get(handles.listbox1,‘value’);
a=[str{v} ‘.bmp’];
axes(handles.axes1)
imshow(a);
% hObject handle to listbox1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Hints: contents = cellstr(get(hObject,‘String’)) returns listbox1 contents as cell array
% contents{get(hObject,‘Value’)} returns selected item from listbox1

% — Executes during object creation, after setting all properties.
function listbox1_CreateFcn(hObject, eventdata, handles)
% hObject handle to listbox1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called

% Hint: listbox controls usually have a white background on Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,‘BackgroundColor’), get(0,‘defaultUicontrolBackgroundColor’))
set(hObject,‘BackgroundColor’,‘white’);
end

% — Executes on button press in pushbutton1.
function pushbutton1_Callback(hObject, eventdata, handles)
N=75;
q=5;
x=zeros(10000,15);
for i=1:N
a=[num2str(i) ‘.bmp’];
h=imread(a);
[m n]=size(h);
x(:,i)=reshape(h,m*n,1);
end

pingjun=mean(x,2);
d=repmat(pingjun,1,N);
A=x-d;
y=A’*A;
[v u]=eig(y);
tezhengzhi=sum(u);
[tezhengzhi,xulie]=sort(tezhengzhi,2,‘descend’);

for i=1:q
tezhenglian(:,i)=Av(:,xulie(i))(tezhengzhi(i)^(-0.5));%特征脸
end

for i=1:N
P(:,i)=tezhenglian’A(:,i);
end
str=get(handles.listbox1,‘string’);
v=get(handles.listbox1,‘value’);
a=[str{v} ‘.bmp’];
z=zeros(10000,1);
h=imread(a);
[m n]=size(h);
z(:,1)=reshape(h,mn,1);
shibie=tezhenglian’*(z-pingjun);%投影

chonggou=tezhenglianshibie+pingjun;%重构
fangcha=((z-chonggou)'(z-chonggou))^0.5;
yuzhi=0;
for i=1:N
for j=i:N
zanshiyuzhi=((P(:,i)-P(:,j))'*(P(:,i)-P(:,j)))^0.5;
if zanshiyuzhi>yuzhi
yuzhi=zanshiyuzhi;
end
end
end
yuzhi=yuzhi/2;

juli=9e+009;
for i=1:N
bijiao=((shibie-P(:,i))'*(shibie-P(:,i)))^0.5;
if bijiao<juli;
juli=bijiao;
k=i;
end
end

if fangcha>=yuzhi flag=1;
elseif fangcha<yuzhi&&juli>=yuzhi flag2;
elseif fangcha<yuzhi&&juli<yuzhi flag=3;
end
if flag1
a=[ ‘0.png’];
axes(handles.axes3)
imshow(a);
set(handles.edit1,‘string’,‘未被识别，请重新采集’);
elseif flag2
a=[ ‘0.png’];
axes(handles.axes3)
imshow(a);
set(handles.edit1,‘string’,‘输入图像包含未知人脸’);
elseif flag3
if k>15
ren=rem(k-1,15)+1;
else ren=k;
end
a=[num2str(k) ‘.bmp’];
axes(handles.axes3)
imshow(a);
set(handles.edit1,‘string’,ren)
end

% hObject handle to pushbutton1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]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