基于PCA降维的人脸识别算法matlab仿真

最新推荐文章于 2024-03-09 05:28:56 发布

fpga和matlab

最新推荐文章于 2024-03-09 05:28:56 发布

阅读量446

点赞数 6

分类专栏： MATLAB 板块3:AI/神经网络/深度学习文章标签： matlab PCA降维度 PCA人脸识别

本文链接：https://blog.csdn.net/ccsss22/article/details/134428519

版权

MATLAB 同时被 2 个专栏收录

1556 篇文章 1492 订阅

订阅专栏

板块3:AI/神经网络/深度学习

220 篇文章 53 订阅

订阅专栏

在众多的机器学习算法中，主成分分析（PCA）是其中的明星算法之一，被广泛应用于数据降维、特征提取等场景。特别是在人脸识别领域，PCA降维技术起到了至关重要的作用。

1、PCA降维原理

主成分分析（PCA）是一种广泛应用于数据降维、压缩和可视化的技术。它通过线性变换将原始数据转换为一组新的变量（即主成分），其中每个新变量都是原始变量的线性组合，且它们按照重要性进行排序，使得第一个主成分尽量保留原始数据中的信息，而后续主成分则依次捕获剩余的信息。因此，PCA可以将原始数据压缩成更少的维度，从而更容易进行数据分析和可视化。具体来说，假设有m个n维数据样本，将它们表示为一个m x n的矩阵X。在人脸识别领域，PCA可以用于提取人脸图像的主要特征，从而降低数据维度，减少计算量，同时保持较高的识别率。
PCA的目标是通过某种线性投影，将高维的数据映射到低维的空间中，同时保留数据的主要特征。PCA寻找一个投影方向，使得所有数据在投影后所产生的方差最大。这意味着，PCA试图找到数据中的主要趋势，或说“模式”，并将数据投影到这些模式上。对于人脸识别，这意味着PCA可以提取出人脸图像中的关键特征，如眼睛、鼻子、嘴巴等，而忽视掉那些对于识别无关紧要的特征，如光照条件、微小表情变化等。

PCA的处理结果如下图所示：

即给定数据集X，其协方差矩阵可以表示为:

Cov(X) = (1/n) * XXT

其中，n为数据集的大小。

PCA的目标是找到协方差矩阵的特征向量，这些特征向量对应于数据的主要变化方向。这些特征向量即是主成分。投影矩阵P可以由前k个主成分（即协方差矩阵的前k个特征向量）构成。

投影矩阵P = [p1, p2, ..., pk]，其中pi为协方差矩阵的第i个特征向量。将数据投影到低维空间，我们得到降维后的数据Y：

Y = XP

在人脸识别中，每一个人脸图像都可以表示为一个高维向量。通过PCA降维，这些高维向量被映射到低维空间，同时保留了关键的人脸特征。

2、基于PCA的人脸识别流程

预处理：对人脸图像进行标准化处理，如去均值、缩放等。
构建协方差矩阵：利用训练集的人脸图像数据构建协方差矩阵。
计算投影矩阵：求出协方差矩阵的特征向量，构建投影矩阵。
降维：利用投影矩阵，将高维的人脸图像数据映射到低维空间。
识别：采用某种距离度量方法（如欧氏距离）在低维空间中比较测试图像与训练图像的距离，进行人脸识别。PCA降维技术为人脸识别提供了一个有效、简洁的方法。通过提取关键的人脸特征并降低数据的维度，PCA不仅简化了计算的复杂性，还提高了识别的准确性。

3、MATLAB核心程序

.................................................
input_dir = 'att_faces';

for i=1:40
    sub_dir = strcat('s', num2str(i));
    images = cell(10);
    for j=1:10
        filename = fullfile(input_dir, sub_dir, strcat(num2str(j), '.pgm'));
        images{j} = imread(filename); 
    end
   
    images = images(randperm(10));
    
    img = zeros(image_dims);
    
    for j=1:7
        img = img + double(images{j});
    end
    
    img = img / 7;
    train_images(:, i) = img(:);
    
    for j=8:10
        test_images{i,j-7}=images{j};
    end
end

% steps 1: find the mean image and the mean-shifted input images
mean_face = mean(train_images, 2);
shifted_images = train_images - repmat(mean_face, 1, num_images);
 
% steps 2: calculate the ordered eigenvectors and eigenvalues
[full_evectors, score, evalues] = pca(train_images');


% step 3: show eigenfaces
% figure;
% for i = 1:num_eigenfaces
%    subplot(5, ceil(num_eigenfaces/5), i);
%    evector = MinMaxTransform(reshape(evectors(:,i), image_dims));
%    imshow(evector);
%end
 
result = zeros(39, 2);
% step 4: only retain the top 'num_eigenfaces' eigenvectors (i.e. the principal components)
for num_eigenfaces = 1:39
    evectors = full_evectors(:, 1:num_eigenfaces);

    features = evectors' * shifted_images;

    cnt = 0;

    for i=1:40
        for j=1:3
            input_image = double(test_images{i,j});
            % calculate the similarity of the input to each training image
            feature_vec = evectors' * (input_image(:) - mean_face);
            similarity_score = arrayfun(@(n) 1 / (1 + norm(features(:,n) - feature_vec)), 1:num_images);

            % find the image with the highest similarity
            [match_score, match_ix] = max(similarity_score);

            if match_ix == i
                cnt = cnt + 1;
            else
                % display the result
                %figure, imshow([uint8(input_image) uint8(reshape(train_images(:,match_ix), image_dims))]);
                %title(sprintf('test_image %d matches %d %d, score %f', i, match_i, match_ix, match_score));
            end
        end
    end
    result(num_eigenfaces, 1) = cnt;
    result(num_eigenfaces, 2) = cnt / 120;
end

figure, plot(result(:, 2));
xlabel('No. of eigenfaces'), ylabel('Correct rate');
xlim([1 39]), ylim([0 1]), grid on;
up2262