依据提供的人脸图像库facedatabase和非人脸图像库nonfacedatabase,利用 PCA 降维与欧式距离判断输入的测试图像是否是人脸,要求测试集facetestset 的准确率不低于 65%。提示:由于最高的几个 PCA 向量倾向于捕捉亮度模式而不是人脸特性,可删除前 3~5 个 PCA 向量。可借助提供的readInFaces.m,isFaceTest.m 和 isFace.m 等编写 Matlab 代码完成检测并给出准确率,显示测试集中所有错误检测的图。
答:
1、首先读取数据集中的所有人脸,并得到平均人脸,代码如下:
a=zeros(1,110,'double');
b=zeros(110,12000,'double');
file_path = 'D:\Matlab_R2020b\machine_vision\facedatabase\';
fileExt = '*.png';
img_path_list = dir(strcat(file_path, fileExt));
img_num = length(img_path_list);%获取图像总数量
%读取所有图片,并存储在b矩阵中
for j = 1:img_num %逐一读取图像
image_name = img_path_list(j).name; %获取图像名
%fprintf(image_name);
image = imread(strcat(file_path,image_name)); %读取名为image_name的图片
%fprintf(' %d %s\n',j,strcat(file_path,image_name));% 显示正在处理的图像名
I=rgb2gray(image); %转换为灰度图
%在此处进行图像处理
A=I;
A_mean=A(:)';
%fprintf(A_mean);
C=A(:)';
b(j,:)=C;
end
Avg=mean(b);%平均脸
AvgImg=reshape(Avg,120,100);
AvgImgInt=uint8(AvgImg);
figure(1);
imshow(AvgImgInt)%显示平均脸
title('平均人脸图像');
得到的平均人脸图像如下:
2、使用pca分析上述得到的人脸矩阵数据集b,并得到主成分分析图,并求Pcax的值,x为经过PCA后的前x个特征值。计算使用前x个特征值重构出的人脸与原始人脸的欧式距离,并画出原始人脸与重构人脸的欧氏距离概率密度分布图。
代码如下:
figure(2)