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 6

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：