基于pca+Fisher+knn准则实现人脸识别-matlab

1.实验目的

本实验采取PCA算法和FSISHER准确的方法，实现人脸识别的得到，最后结合KNN算法达到准确率的统计，设计一个基于pca+Fisher+knn的人脸识别算法。

2.实验原理

对线性判别函数的一般形式可表示

      

 根据Fisher选择投影方向W的原则，即使原样本向量在该方向上的投影能兼顾类间分布尽可能分开，类内样本投影尽可能密集的要求，用以评价投影方向W的函数为：

 

3.2 特征描述

     对待测样本进行特征提取，采用的是模板法，首先找到每个手写样本的起始位置，在此附近搜索该样本的宽度和高度；将每个样本的长度和宽度 N等份，构成一个 N×N 的均匀小区域；这 N×N 的小区域就是模板，对于每一小区域内的黑像素个数进行统计， 除以该小区域的面积总数， 即得特征值。这样做的好处是，针对同一形状、不同大小的样品得到的特征值相差不大，有能力对同一形状、不同大小的样本视为同类。 N 值越大，模板也越大，特征越多，区分不同的物体能力越强，但同时计算量增加，运行等候的时间增长，所需样品库也要成倍增加。 N 值过小，不利于不同物体间的区别。因此本设计的N取5，即采用5*5的模板，将手写数字的特征提取出来。具体的函数调用见程序GetFeature.m。

3.3 Fisher分类器的实现

Fisher分类器主要进行两类问题的分类，而问题中要解决0~9中10个数字的分类识别问题，所以要构建10×（10-1）/2=45次分类，Fisher算法描述如下：

 

上树算法描述中,采用了两类Fisher分类法 ,在实际编程时需要两两分类处理,最后在计算结果对应最大值者位置为对应的类别序号,即为识别结果。

4 试验的结果

 这是代表了原始的数据

 Pca的方法

主要的代码

LDA的方法

图 代表的是lda后的处理数据

KNN的方法 在matlab2018版本上操作

 进行knn的方法

结果 

可以看出真实的数据和测试的数据的结果

如果真实和测试重合在一起 证明预测对了

源程序链接为：基于pca+Fisher+knn准则实现人脸识别-matlab-Matlab文档类资源-CSDN下载

如有侵权，请私信作者删除