adaboost 人脸检测matlab,[置顶] （12）MATLAB PCA+adaboost人脸识别

function multiAdaboostStruct = multiAdaboostTrain(TrainData, nSampPerClass,nClass) %function multiAdaboostStruct = multiAdaboostTrain(TrainData, nSampPerClass) % 采用1对1投票策略将 Adaboost 推广至多类问题的训练过程，将多类Adaboost训练结果保存至multiAdaboostStruct中 % % 输入:--TrainData:每行是一个样本人脸 % --nClass:人数，即类别数 % --nSampPerClass:nClass*1维的向量，记录每类的样本数目，如 nSampPerClass(iClass) % 给出了第iClass类的样本数目 % % 输出:--multiAdaboostStruct:一个包含多类Adaboost训练结果的结构体 %开始训练，需要计算每两类间的分类超平面，共(nClass-1)*nClass/2个 for ii=1:(nClass-1) for jj=(ii+1):nClass clear X; clear Y; startPosII = sum( nSampPerClass(1:ii-1) ) + 1; endPosII = startPosII + nSampPerClass(ii) - 1; X(1:nSampPerClass(ii), :) = TrainData(startPosII:endPosII, :); startPosJJ = sum( nSampPerClass(1:jj-1) ) + 1; endPosJJ = startPosJJ + nSampPerClass(jj) - 1; X(nSampPerClass(ii)+1:nSampPerClass(ii)+nSampPerClass(jj), :) = TrainData(startPosJJ:endPosJJ, :); % 设定两两分类时的类标签 Y = ones(nSampPerClass(ii) + nSampPerClass(jj), 1)+1; Y(nSampPerClass(ii)+1:nSampPerClass(ii)+nSampPerClass(jj)) = 1; % 第ii个人和第jj个人两两分类时的分类器结构信息 AdaboostStruct{ii}{jj}=ADABOOST_tr(@threshold_tr,@threshold_te, X, Y, 20);%进行20次迭代 end end % 已学得的分类结果 multiAdaboostStruct.AdaboostStruct = AdaboostStruct; multiAdaboostStruct.nClass = nClass;

function class = multiAdaboostClassify(TestFace, multiAdaboostStruct) % 输入:--TestFace:测试样本集。m*n 的2维矩阵，每行一个测试样本 % --multiAdaboostStruct:多类Adaboost的训练结果，由函数 multiAdaboostTrain 返回，默认是从Mat/multiAdaboostTrain.mat文件中读取 % % 输出:--class: m*1 列向量，对应 TestFace 的类标签 % 读入训练结果 if nargin < 2 t = dir('Mat/multiAdaboostTrain.mat'); if length(t) == 0 error('没有找到训练结果文件，请在分类以前首先进行训练！'); end load('Mat/multiAdaboostTrain.mat'); end nClass = multiAdaboostStruct.nClass; % 读入类别数 AdaboostStruct = multiAdaboostStruct.AdaboostStruct; % 读入两两类之间的信息 %%%%%%%%%%%%%%%%%%%%%%%% 投票策略解决多类问题 %%%%%%%%%%%%%%%%%%%%%%%%%%%%% m = size(TestFace, 1); Voting = zeros(m, nClass); % m个测试样本，每个样本nPerson 个类别的投票箱 for iIndex = 1:nClass-1 for jIndex = iIndex+1:nClass classes=ADABOOST_te(AdaboostStruct{iIndex}{jIndex},@threshold_te,TestFace); % 投票 Voting(:, iIndex) = Voting(:, iIndex) + (classes == 2); Voting(:, jIndex) = Voting(:, jIndex) + (classes == 1); end % for jClass end % for iClass % final decision by voting result [vecMaxVal, class] = max( Voting, [], 2 ); %display(sprintf('TestFace对应的类别是:%d',class));

训练样本

function train(C, gamma) % 整个训练过程，包括读入图像，PCA降维以及多类 SVM 训练，各个阶段的处理结果分别保存至文件： % 将 PCA 变换矩阵 W 保存至 Mat/PCA.mat % 将 scaling 的各维上、下界信息保存至 Mat/scaling.mat % 将 PCA 降维并且 scaling 后的数据保存至 Mat/trainData.mat % 将多类 Adaboost 的训练信息保存至 Mat/multiAdaboostTrain.mat global imgRow; global imgCol; global SVM; global Adaboost; display(' '); display(' '); display('训练开始...'); nPerson=40; nFacesPerPerson = 5; display('读入人脸数据...'); [imgRow,imgCol,FaceContainer,faceLabel]=ReadFaces(nFacesPerPerson,nPerson); display('..............................'); nFaces=size(FaceContainer,1);%样本(人脸)数目 display('PCA降维...'); [pcaFaces, W] = fastPCA(FaceContainer, 20); % 主成分分析PCA % pcaFaces是200*20的矩阵, 每一行代表一张主成分脸(共40人，每人5张)，每个脸20个维特征 % W是分离变换矩阵, 10304*20 的矩阵 visualize_pc(W);%显示主成分脸 display('..............................'); X = pcaFaces; display('归一化开始...'); display('.........'); [X,A0,B0] = scaling(X); save('Mat/scaling.mat', 'A0', 'B0'); % 保存 scaling 后的训练数据至 trainData.mat TrainData = X; trainLabel = faceLabel; save('Mat/trainData.mat', 'TrainData', 'trainLabel'); display('归一化完成...'); display('训练分类器开始，这个过程可能会花上几分钟.........................'); for iPerson = 1:nPerson nSplPerClass(iPerson) = sum( (trainLabel == iPerson) ); end multiAdaboostStruct = multiAdaboostTrain(TrainData, nSplPerClass ,nPerson); display('正在保存Adaboost训练结果...'); save('Mat/multiAdaboostTrain.mat', 'multiAdaboostStruct'); display('..............................'); display('训练完成。');

测试过程

function test() % 测试对于整个测试集的识别率 % % 输出：accuracy --- 对于测试集合的识别率 global SVM; global Adaboost; display(' '); display(' '); display('测试开始...'); nFacesPerPerson = 5; nPerson = 40; bTest = 1; % 读入测试集合 display('读入测试集合...'); [imgRow,imgCol,TestFace,testLabel] = ReadFaces(nFacesPerPerson, nPerson, bTest); display('..............................'); % 读入相关训练结果 display('载入训练参数...'); load('Mat/PCA.mat'); load('Mat/scaling.mat'); load('Mat/trainData.mat'); load('Mat/multiAdaboostTrain.mat'); display('..............................'); % PCA降维 display('PCA降维处理...'); [m n] = size(TestFace); TestFace = (TestFace-repmat(meanVec, m, 1))*V; % 经过pca变换降维 TestFace = scaling(TestFace,1,A0,B0); display('..............................'); % 多类 AdaBoost 分类 display('测试集识别中...'); classes = multiAdaboostClassify(TestFace); display('..............................'); % 计算识别率 nError = sum(classes ~= testLabel); accuracy = 1 - nError/length(testLabel); display(['PCA+Adaboost对于测试集200个人脸样本的识别率为', num2str(accuracy*100), '%']);

识别主要代码

function nClass = classify(newFacePath) % 整个分类(识别)过程 global SVM; global Adaboost; display(' '); display(' '); display('识别开始...'); % 读入相关训练结果 display('载入训练参数...'); load('Mat/PCA.mat'); load('Mat/scaling.mat'); load('Mat/trainData.mat'); load('Mat/multiAdaboostTrain.mat'); display('..............................'); xNewFace = ReadAFace(newFacePath); % 读入一个测试样本 xNewFace = double(xNewFace); xNewFace = (xNewFace-meanVec)*V;% 经过pca变换降维 xNewFace = scaling(xNewFace,1,A0,B0); display('身份识别中...'); nClass = multiAdaboostClassify(xNewFace); display('..............................'); display(['身份识别结束，类别为：' num2str(nClass), '。']);