基于PCA和SVM的人脸识别以及MATLAB实现

 本章利用matlab实现基于PCA和SVM的人脸识别，此章共分为两部分，第一部分为基础知识讲解，第二部分为代码实现（含有本工程下所有代码）。系统界面如下：                        

                    

一.什么是人脸识别?

     人脸识别技术，就是以计算机为辅助手段，从静态或动态图像中识别人脸。

     本问题中的人脸识别，是给定一幅人物图，利用人脸数据库 来与之进行匹配，判断其是否属于此数据库。若是，给出她所属的类别。

二. 为什么选择人脸作为识别特征来识别？

        因为人脸和指纹一样，具有唯一性，可以用来鉴别一个人的身份。

        也就是说，我们想要识别一个东西，要选它主要的特征，辨识度区分度高的特征，这样识别结果才可靠。 就像我们要识别一个人，为什么不去识别他的身高，体重，肤色，眼睛大小啥的？因为这些没有独特性，作为数据来说，太普通了，两个人身高体重肤色相同的概率还是很大的，所以不能作为唯一辨识特征。而选择DNA、指纹、虹膜等属性来作为识别一个人特征，就是因为这些属性具有唯一性，这世界上，不会有人和你在这些特征上重样。

三.人脸识别是怎么进行的？

     1）找感兴趣区域----从复杂场景中检测并分离出人脸所在的区域；

     2）抓特征---抽取人脸识别特征；

     3）匹配吧---进行匹配和识别；

四. 为了实现人脸识别，你要做什么？

1）人脸数据库ORL

      a) 数据库中的人脸图片一部分用来做训练数据，建立模型。

      b) 另一部分可以用来做测试数据，检验识别率。

2）PCA主成分分析来降维

      a)为什么要降维？

          因为每幅人脸图像包含112*92=10304个像素点，每一行代表一个样本，那维度就是10304维。

          如此巨大的维数使得数据处理工作很是艰难，也打消了我们直接利用像素点作为特征值来识别的念头。

      b)PCA是什么？它怎么来实现降维的？     

          PCA是主成分分析（principal component  analysis）.利用PCA降维去除像素之间的相关性，取出主成分，同时抛弃那些不能为我们提供重要特征信息的分量。

          PCA 通过对样本数据中各成分分量（10304维）进行排序，可选出主要成分，构成主成分分量V(n*k)矩阵（k维）且输出降维后的k维矩阵pcaA。

                   b1) 其中主成分矩阵V 可在 test.m 和 classify.m中直接带入公式求得降维后的矩阵。

                                b11) test.m中，      TestFace = (TestFace-repmat(meanVec, m, 1))*V;           %多个样本数据  经过pca变换降维 

                                b12) classify.m中，xNewFace=(xNewFace-meanVec)*V;                                 %单个样本数据  经过PCA变换降维

                   b2) 其中输出的k维矩阵pcaA将代替 原样本数据 参与后续数据处理，即pcaA成为样本。

3) 数据规格化scaling

     a) 数据规格化是什么？

         数据规格化又称数据尺度归一化，是指将某一属性的取值范围 投射到一个特定范围之内，例如常用的[0,1]或[-1,+1]归一化。

      b) 数据规格化的作用？

         b1)  防止那些处于相对较大的数值范围的特征 压倒那些数值范围小的 特征。例如:几个人具有变化范围大的身高（150cm-180cm）以及 变化范围小的体重（50kg-60kg）， 数据规格化后，两个属性的变化差异就缩小了，很好的保护了 变化范围小的 属性依旧能对目标识别起到重要作用。

         b2)  避免一些数据溢出问题，统一放缩到同一范围，例如，把数据都限定在[-1,+1]区间，让那些大个子也不得不低头。 

4）SVM分类识别 

       a)SVM是什么？

          SVM支持向量机（support vector machine）。SVM是一种分类的方法，通过训练数据来建立分类模型，将分类模型用于对测试数据的分类。就相当于是叠了一个黑盒子，然后你往里扔小球（测试数据），他就能把小球分好类。当然前提是，你得用一堆小球（训练数据）去建立这样一个黑盒。

                  a1) SVMTrain      ---通过训练数据来建立分类模型