matlab实现人脸识别---PCA与最近邻法

最新推荐文章于 2022-03-30 18:08:58 发布
最新推荐文章于 2022-03-30 18:08:58 发布
阅读量4.2k 收藏 46
点赞数 4
分类专栏： matlab学习 模式识别
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/Leo_whj/article/details/78734300
版权

目标：已知类别的人脸图像，待检类别图像，从待检测图像中识别与已知类别的图像中相同的图像。

已知类别：3479张

待检测类别：276张

PCA给样本矩阵降维

最近邻法识别

一共包括3个.m文件，train.m，test.m，recognition.m。

train.m文件实现将训练样本矩阵降维，并得到映射矩阵；test.m文件将测试样本矩阵降维；recognition.m文件实现识别过程。

train.m代码：

file_path='F:\课程\模式识别\Dataset\muct人脸图像\已知类别\';% 图像文件夹路径 
img_path_list = dir(strcat(file_path,'*.jpg'));%获取该文件夹中所有jpg格式的图像
img_num = length(img_path_list);%获取图像总数量
imgTrain = [];
Q = [];%列矩阵，一副图像
trainFace = [];%降维后的训练样本的矩阵
% 读取每一幅图像
%转化为灰度图像 并将每一幅图像转化为列向量 然后合并为矩阵T
for j=1:img_num %逐一读取图像
    image_name = img_path_list(j).name;%图像名
    img = imread(strcat(file_path,image_name));              
    img = rgb2gray(img);%转为灰度   
    %img=histeq(img);%直方图均衡化
    img=imadjust(img);%使得图像中 1% 的数据饱和至最低和最高亮度
    img = imresize(img, 0.2, 'nearest');
     [irow,icol] = size(img);%得到图片大小
%     for m=1:irow
%         for n=1:icol
%             img(m,n) = 10*img(m,n);
%         end
%     end
    temp = reshape(img,irow*icol,1);%将二维图片转为一维向量
    Q = [Q,temp]; % 每张图片的信息做为V的一列  

    imgTrain=[imgTrain,temp];
   
end

%  [L_eig_vec，A] = HSCalPCA(imgTrain);%调用PCA降维函数，得到映射矩阵

%得到均值矩阵
%并用T剪去均值矩阵  得到矩阵A
 m = mean(imgTrain,2); % 平均图像/行平均（每一副图像的对应象素求平均）m=(1/P)*sum(Tj's) (j=1 : P)
Train_Number = size(imgTrain,2);%列数
%计算机每一张图片到均值图像的方差
A = [];  
for i = 1 : Train_Number%对每一列
    temp = double(imgTrain(:,i))-m; %每一张图与均值的差异
    A = [A temp]; %差矩阵
end
%得到A的协方差矩阵并转置得到L
L = A'*A; % L是协方差矩阵C=A*A'的转置
%得到特征值与特征向量
[V D] = eig(L); %对角线上的元素是L|C的特征值.V:以特征向量为列的满秩矩阵，D：特征值对角矩阵。即L*V = V*D.
L_eig_vec = [];%特征值向量
max=0;
for i = 1 : size(V,2)%对每个特征向量   
   max=max+D(i,i);
end
sum=0;
for i = size(V,2):-1:size(V,2)-2%对每个特征向量      
    L_eig_vec = [L_eig_vec V(:,i)]*0;%集中对应的特征向量
    sum=sum+D(i,i);
end
for i = size(V,2)-3:-1:size(V,2)-9%对每个特征向量      
    L_eig_vec = [L_eig_vec V(:,i)]*0.05;%集中对应的特征向量
    sum=sum+D(i,i);
end
for i = size(V,2)-10:-1:1%对每个特征向量      
    L_eig_vec = [L_eig_vec V(:,i)];%集中对应的特征向量
    sum=sum+D(i,i);
    if(sum/max>0.99)
        break;
    end
end

% for i = 1:size(V,2)
%      if(D(i,i)>1)
% L_eig_vec = [L_eig_vec V(:,i)];
%     end
% end

Eigenfaces = A * L_eig_vec; % 计算机协方差矩阵C的特征向量，
                            %得到降维了的特征,A为每一张图像与均值图像的方差构成的矩阵，
TrainProjectedImages = [];%映射图像
for i = 1 : img_num%对于每一个训练特征
    temp = Eigenfaces'*double(Q(:,i));
    TrainProjectedImages = [TrainProjectedImages temp];  %得到 L_eig_vec;
end
save('D:\Program Files\MATLAB\R2016a\bin\projects\face1\TrainProjectedImages.mat','TrainProjectedImages');
save('D:\Program Files\MATLAB\R2016a\bin\projects\face1\Eigenfaces.mat','Eigenfaces');


test.m：

TrainProjectedImages=load('D:\Program Files\MATLAB\R2016a\bin\projects\face1\TrainProjectedImages.mat');
TrainProjectedImages=TrainProjectedImages.TrainProjectedImages;%训练数据集（降维后的） 
Eigenfaces=load('D:\Program Files\MATLAB\R2016a\bin\projects\face1\Eigenfaces.mat');
Eigenfaces=Eigenfaces.Eigenfaces;%训练数据集（降维后的） 
% imgTrain=load('D:\Program Files\MATLAB\R2016a\bin\projects\face1\imgTrain.mat');
% imgTrain=imgTrain.imgTrain;%训练数据集（降维后的）
file_path='F:\课程\模式识别\Dataset\muct人脸图像\待分类\';% 图像文件夹路径 
img_path_list = dir(strcat(file_path,'*.jpg'));%获取该文件夹中所有jpg格式的图像
img_num = length(img_path_list);%获取图像总数量
imgTest = [];
Q = [];%列矩阵，一幅图像
testFace = [];%减去训练矩阵均值后的测试图像矩阵
%导入由训练数据集得到的  变换矩阵跟降维后的训练集

% 读取每一幅图像
%转化为灰度图像 并将每一幅图像转化为列向量 然后合并为矩阵T
for j=1:img_num %逐一读取图像
    image_name = img_path_list(j).name;%图像名
    img = imread(strcat(file_path,image_name));              
    img = rgb2gray(img);%转为灰度   
    %img=histeq(img);%直方图均衡化
    img=imadjust(img);%使得图像中 1% 的数据饱和至最低和最高亮度
     img = imresize(img, 0.2, 'nearest');%改变图像的大小，'nearest'（默认值）最近邻插值
    [irow,icol] = size(img);%得到图片大小
%     for m=1:irow
%         for n=1:icol
%             img(m,n) = 10*img(m,n);
%         end
%     end
    temp = reshape(img,irow*icol,1);%将二维图片转为一维向量
    Q = [Q,temp]; % 每张图片的信息做为V的一列  
   
    imgTest = [imgTest,temp];
   
end
%     imgTrain = imgTrain';
%     mMiu = mean(imgTrain,2);%求各行的均值
%     
%     mMiu = repmat(mMiu,1,icol);%复制成原有的行数N列的矩阵
%     testFace =double(imgTest')-mMiu;


TestProjectedImages = [];%测试集降维
for i = 1 : img_num%对于每一个训练特征
    temp = Eigenfaces'*double(Q(:,i));
    TestProjectedImages = [TestProjectedImages temp];  %得到 L_eig_vec;
end
% TsetProjectedImages1=trainFace*double(testFace' );
  save('D:\Program Files\MATLAB\R2016a\bin\projects\face1\TestProjectedImages.mat','TestProjectedImages');
% save('D:\Program Files\MATLAB\R2016a\bin\projects\face\testFace.mat','testFace');


recognition.m： 
clc;
clear;
m=0;
count=0;
% 加载降维后的样本和测试矩阵，进行最近邻法识别
TrainProjectedImages=load('D:\Program Files\MATLAB\R2016a\bin\projects\face1\TrainProjectedImages.mat');
TrainProjectedImages=TrainProjectedImages.TrainProjectedImages;%训练数据集（降维后的） *3479
TestProjectedImages=load('D:\Program Files\MATLAB\R2016a\bin\projects\face1\TestProjectedImages.mat');
TestProjectedImages=TestProjectedImages.TestProjectedImages;%测试数据集（降维后的）    *276
[Trainrows,Traincols] = size(TrainProjectedImages);%得到训练集的大小
[Testrows,Testcols] = size(TestProjectedImages);%得到测试集的大小
%将训练图片的名字存到以为矩阵里
img_name_train = [];
img_name_test = [];
file_path_train= 'F:\课程\模式识别\Dataset\muct人脸图像\已知类别\';
img_path_list_train = dir(strcat(file_path_train,'*.jpg'));
img_num_train = length(img_path_list_train);
% for k=1:img_num_train
% 	name2 = img_path_list_train(k).name;
%     img_name_train = [img_name_train,name2];
% end
%将测试图片的名字存到一维矩阵里
file_path_test= 'F:\课程\模式识别\Dataset\muct人脸图像\待分类\';
img_path_list_test = dir(strcat(file_path_test,'*.jpg'));
img_num_test = length(img_path_list_test);

% for g=1:img_num_test
% 	name1= img_path_list_test(g).name;
%     img_name_test = [img_name_test,name1];
% end
%循环，计算每张测试图片与训练图片的距离，找到距离最小的测试图，判断测试图片与训练图片名字是否一致，一致数量加一
for i=1:Testcols
    mImgTestCur = TestProjectedImages(:,i);
    vDisMin = 9999999999999;
    vClassMin = -1;
    for j=1:Traincols
        mImgTrainCur = TrainProjectedImages(:,j);
        mDis = mImgTestCur-mImgTrainCur;
        mDis = mDis.^2;
        vDis = sqrt(sum(mDis));
        if vDis<vDisMin
            vDisMin = vDis;
		    m=j;
        end
    end
    name1=img_path_list_train(m).name;
   name1 =name1(2:4);%取名字的第2到4位置的字符
   name1=str2num(name1);
    name2=img_path_list_test(i).name;
     name2 =name2(2:4);
      name2=str2num(name2);
    if name2==name1
	count=count+1;
    end
       
end

vRatio = count/Testcols*100;
sprintf('正确率:%.1f%%',vRatio)


Leo_whj
关注
专栏目录
基于Matlab人脸识别(PCA算法)
matlab1998_vx的博客
02-13 1万+
摘要 随着科技的发展，人类社会的进步，传统身份识别由于容易遗失，容易被破解已不能起到身份识别作用。人们需要更加安全可靠的身份识别技术。而生物特征的独一无二，不易丢失和被复制的特性很好满足了身份识别的需要。同时随着计算机科学技术和生物医学的发展使得利用生物特征识别成为了可能。在生物特征识别领域，由于人脸识别的操作快速简单，结果直观，准确可靠，不需要人的配合等优点已成为人们关注的焦点。主成分分...
基于PCA算法的人脸识别matlab程序
10-13
资源给出程序的训练集、测试集以及matlab程序，给出说明文档和程序运行视频。
MATLAB实现人脸识别
11-26
特征脸方法是从主成分分析(PCA)导出的一种人脸识别和描述技术。它将包含人脸的图像区域看作一随机向量，采用K-L变换得到正交K-L基，对应其中较大特征值的基具有与人脸相似的形状，因此又被称为特征脸。利用这些基的线性组合可以描述、表达和逼近人脸图像，所以可进行人脸识别与合成。识别过程就是将人脸图像映射到由特征脸组成的子空间上，并比较其在特征脸空间中的位置，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是选择各种距离函数来进行度量分类实现人脸识别。
基于主成分分析法的PCA人脸识别算法实现
m0_59833680的博客
08-18 2799
目录引言 11 人脸识别技术 21.1人脸识别的研究内容 21.1.1人脸检测(Face Detection) 21.1.2人脸表征(Face Representation) 21.2几种典型的人脸识别方法 31.2.1基于几何特征的人脸识别方法 31.2.2基于K-L变换的特征脸方法 41.2.3神经网络方法 51.2.4基于小波包的识别方法 61.2.5支持向量机的识别方法 62 人脸特征提取...
人脸识别及匹配的matlab实现
12-12
人脸识别包括两部分，一部分是人脸识别并框出来；另一部分就是人脸图像匹配，根据现有的库里的人脸照片来确定新的照片是不是属于数据库里的人，如果是的话找到对应的人。代码为matlab编写
matlab练习程序（KNN，K最邻近分类法）
xfxf996的博客
09-21 4440
K最邻近密度估计技术是一种分类方法，不是聚类方法。 不是最优方法，实践中比较流行。 通俗但不一定易懂的规则是： 1.计算待分类数据和不同类中每一个数据的距离（欧氏或马氏）。 2.选出最小的前K数据个距
Matlab人脸识别程序
10-31
利用主成分分析（PCA），从数据库图像中，分析出测试图像相匹配的图像，具体测试也可参照我的博客
基于MATLAB的PCA人脸识别实现
healingwounds的博客
11-27 3万+
基于MATLAB的PCA人脸识别实现前言其实这个程序早就完成了，而且还要比另一篇基于opencv的博文还要早，这里主要是回顾一下。关于PCA人脸识别的步骤已经在另一篇博文中有讲解，这里就不多说了，直接上程序。目录基于MATLAB的PCA人脸识别实现 前言 目录 函数设计 1 函数调用过程 2 函数介绍 数据准备 主函数 源码1. 函数设计1.1 函数调用过程1.2 函数介绍从整体上分为训练和测试两大
基于ORL库的PCA人脸识别系统matlab实现
weixin_44348260的博客
01-20 1万+
本文利用机器学习领域经典的主成分分析法（PCA法），在ORL人脸数据库的基础上完成人脸识别功能。本文按照完整的流程来实现基于PCA的人脸识别，首先是将准备好的图像库导入，自建图像库背景均较为干净；接下来是人脸图像预处理；接着使用PCA提取人脸特性，使用奇异值分解定理计算协方差矩阵的特征值和特征向量，以及使用最近邻法分类器来进行人脸判别。
人脸识别MATLAB代码
07-25
亲测有效，本人对于人脸识别有所研究，有什么不懂的私聊我
人脸识别 MATLAB代码
08-25
内部包含orl人脸数据库；朴素贝叶斯分类数值型数据、取点测比例距、训练数据集特征向量化、（PCA+adaboost PCA+SVM人脸识别(可用，全面)）四种人脸识别相关的功能，经过测试均可用，4者代码相互之间没有关系，且第四个“测试成功@（PCA+adaboost PCA+SVM(可用，全面)）”可以完整进行人脸识别，下载者根据功能需要选择使用
LDA人脸识别MATLAB（含k近邻算法）
10-29
现在我们回到LDA的原理上，我们在第一节说讲到了LDA希望投影后希望同一种类别数据的投影点尽可能的接近，而不同类别的数据的类别中心之间的距离尽可能的大，但是这只是一个感官的度量。现在我们首先从比较简单的二类LDA入手，严谨的分析LDA的原理。 　　　　假设我们的数据集D={(x1,y1),(x2,y2),...,((xm,ym))}D={(x1,y1),(x2,y2),...,((xm,ym))},其中任意样本xixi为n维向量，yi∈{0,1}yi∈{0,1}。我们定义Nj(j=0,1)Nj(j=0,1)为第j类样本的个数，Xj(j=0,1)Xj(j=0,1)为第j类样本的集合，而μj(j=0,1)μj(j=0,1)为第j类样本的均值向量，定义Σj(j=0,1)Σj(j=0,1)为第j类样本的协方差矩阵（严格说是缺少分母部分的协方差矩阵）。 　　　　μjμj的表达式为： μj=1Nj∑x∈Xjx(j=0,1) μj=1Nj∑x∈Xjx(j=0,1) 　　　　ΣjΣj的表达式为： Σj=∑x∈Xj(x−μj)(x−μj)T(j=0,1) Σj=∑x∈Xj(x−μj)(x−μj)T(j=0,1) 　　　　由于是两类数据，因此我们只需要将数据投影到一条直线上即可。假设我们的投影直线是向量ww,则对任意一个样本本xixi,它在直线ww的投影为wTxiwTxi,对于我们的两个类别的中心点μ0,μ1μ0,μ1,在在直线ww的投影为wTμ0wTμ0和wTμ1wTμ1。由于LDA需要让不同类别的数据的类别中心之间的距离尽可能的大，也就是我们要最大化||wTμ0−wTμ1||22||wTμ0−wTμ1||22,同时我们希望同一种类别数据的投影点尽可能的接近，也就是要同类样本投影点的协方差wTΣ0wwTΣ0w和wTΣ1wwTΣ1w尽可能的小，即最小化wTΣ0w+wTΣ1wwTΣ0w+wTΣ1w。综上所述，我们的优化目标为： argmaxwJ(w)=||wTμ0−wTμ1||22wTΣ0w+wTΣ1w=wT(μ0−μ1)(μ0−μ1)TwwT(Σ0+Σ1)w argmax⏟wJ(w)=||wTμ0−wTμ1||22wTΣ0w+wTΣ1w=wT(μ0−μ1)(μ0−μ1)TwwT(Σ0+Σ1)w 　　　　我们一般定义类内散度矩阵SwSw为： Sw=Σ0+Σ1=∑x∈X0(x−μ0)(x−μ0)T+∑x∈X1(x−μ1)(x−μ1)T Sw=Σ0+Σ1=∑x∈X0(x−μ0)(x−μ0)T+∑x∈X1(x−μ1)(x−μ1)T 　　　　同时定义类间散度矩阵SbSb为： Sb=(μ0−μ1)(μ0−μ1)T Sb=(μ0−μ1)(μ0−μ1)T 　　　　这样我们的优化目标重写为： argmaxwJ(w)=wTSbwwTSww argmax⏟wJ(w)=wTSbwwTSww 　　　　仔细一看上式，这不就是我们的广义瑞利商嘛！这就简单了，利用我们第二节讲到的广义瑞利商的性质，我们知道我们的J(w)J(w)最大值为矩阵S−12wSbS−12wSw−12SbSw−12的最大特征值，而对应的ww为S−12wSbS−12wSw−12SbSw−12的最大特征值对应的特征向量! 而S−1wSbSw−1Sb的特征值和S−12wSbS−12wSw−12SbSw−12的特征值相同,S−1wSbSw−1Sb的特征向量w′w′和S−12wSbS−12wSw−12SbSw−12的特征向量ww满足w′=S−12www′=Sw−12w的关系! 　　　　注意到对于二类的时候，SbwSbw的方向恒为μ0−μ1μ0−μ1,不妨令Sbw=λ(μ0−μ1)Sbw=λ(μ0−μ1)，将其带入：(S−1wSb)w=λw(Sw−1Sb)w=λw，可以得到w=S−1w(μ0−μ1)w=Sw−1(μ0−μ1)， 也就是说我们只要求出原始二类样本的均值和方差就可以确定最佳的投影方向ww了。
人脸识别MATLAB源程序
11-12
选用ORL_92x112人脸数据集，共包含了40张人脸，每张人脸有10张不同姿态图像。代码中人脸矩阵中每一行对应一个人脸，每一列对应一个属性。
机器学习——PCA（主成分分析）与人脸识别
热门推荐
转载请标明出处，完整项目/代码详见github：https://github.com/yiru1225
03-30 3万+
本篇博客主要介绍PCA（主成分分析）算法并将PCA用于人脸的重构、识别、图像降维可视化（内附数据集与matlab代码）
基于MATLAB实现主成分分析算法(PCA)用于人脸识别-源码.zip
最新发布
12-13
本篇文章将深入探讨PCA算法的原理、在MATLAB中的实现以及其在人脸识别中的具体应用。 首先，PCA的目标是找到数据集的新坐标轴，这些新坐标轴（称为主成分）是原始数据方差最大的方向。通过将数据投影到这些新坐标上...
使用 PCA 使用网络摄像头进行实时人脸识别：使用 PCA 使用网络摄像头进行实时人脸识别-matlab开发
05-29
在本项目中，我们将探讨如何利用PCA和MATLAB来实现一个实时的人脸识别系统，该系统将通过网络摄像头捕获图像，并进行人脸识别。 首先，PCA的主要目标是将高维数据转换为一组线性不相关的低维向量，这些向量被称为...
PCA-MATLAB.zip_eitherci9_pca_人脸 pca matlab_人脸识别 matlab_人脸识别matla
07-14
本资源提供了一个基于MATLAB实现的PCA人脸识别代码，旨在简化和优化原始PCA算法，帮助用户更好地理解和应用PCA到实际问题中。 在PCA中，我们首先对数据进行标准化处理，使得数据具有零均值和单位方差，这一步是必要...
评论 4
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