模式识别hw3-------常见模式识别算法用于人脸图片性别识别

仍然感谢助教和队友，本文承接http://blog.csdn.net/bizer_csdn/article/details/54755843

实验平台为Matlab，并需要一些开源工具包

本次作业共采用了5种方法，其对应实验结果如下：

vgg+PCA+LDA+SVM	AdaBoost+LBP+LDA	LBP\Fisherface+KNN	SIFT特征点+PCA+SVM	SIFT特征点+随机森林
91.70%	94.80%	89.80%	69.1%	76.30%

目录

一、vgg网络

（1） 加载vgg网络

（2） PCA降维

（3） LDA降维

（4） 训练SVM分类器。

（5） 检验测试集

二、AdaBoost算法

（1） LBP提取特征

（2） PCA、LDA降维

三、LBP\Fisherface+KNN

（1） Fisher准则函数

（2） Fisherface方法

（3） knnRecognition

（4） 实验结果

四、SIFT特征点

（1） SIFT+PCA+LDA+SVM

（2） SIFT+随机森林

五、总结

一、vgg网络

本方法首先运用vgg网络提取人脸特征（4096维），然后在此基础上，用PCA、LDA和SVM的方法，对人脸图片进行识别。

vgg是一个37层用于人脸识别，并且已经训练好的网络，输出为“softmax”，把第36层输出的4096维向量作为输入人脸图片提取的特征，然后在此基础上运用传统模式对图片进行分类。

计算流程：

（1）加载vgg网络

加载vgg网络，vgg网络输入为 224*224*3的彩色图，而本次作业的图片是 灰度图，所以对于每张训练图片，要通过“imresize”后变为 ，然后减去vgg网络训练数据的均值（RGB每个通道都有），至此，输入格式也变为 ；然后通过“vl_simplenn”计算训练集中每个人脸图片的输出的4096维特征（每张人脸在输入网络前，必须进行去均值操作）。相关神经网络在上次作业中已经阐释，这里不再赘述。

load data\\train_data
train_num = size(tr_data,3);
% 用vgg网络提取特征特征（4096维），把特征存储在train_block（600*4096）中
% 读取vgg网络
net_path=fullfile(vl_rootnn, 'data', 'models','vgg-face.mat') ;
net=load(net_path);
train_block=zeros(train_num,4096);
for i=1:train_num/200
    im=single(tr_data(:,:,i));
    %让输入人脸图片符合vgg网络输入大小
    im=imresize(im, net.meta.normalization.imageSize(1:2));
    %去均值
    im= bsxfun(@minus,im,net.meta.normalization.averageImage) ;
    res = vl_simplenn(net, im) ;
    %提取4096维向量
    train_block(i,:)=res(end-2).x;      
end
save data\\train_block;

（2）PCA降维

通过Matlab内置的“pca”函数对所提取的特征进行降维，当协方差所对应的特征值占据总能量的98%以上时候，将所对应的特征向量组成投影矩阵。简单介绍一下“pca”函数，用法如下所示：

[coeff,score,latent] =pca(train_block);

函数输入train_block对应训练样本集合，是一个 的矩阵，其中 是样本个数， 是样本维数；PCA实际上是求取一个投影变换矩阵，使得样本投影后尽可能地保留最大有用信息。

为求得投影矩阵，首先求取train_block的协方差矩阵，Matlab中是自动进行去均值操作的，而协方差矩阵为：

pca返回值coeff是 的特征向量（相对于特征值latent），score是train_block经过投影的矩阵，即

latent是对于特征值（按从大到小排序）。

%pca降维
[coeff,score,latent] = pca(train_block);
dim = 150;