PCA.zip_PCA 人脸识别_PCA图像_matlab图像识别_人脸识别 matlab_图像识别 PCA

%FaceRec.m allsamples=[]; %存放所有训练图像 for i=1:40 for j=1:5 a=imread(strcat('e:\数据挖掘\PCA\ORL\s',num2str(i),'\',num2str(j),'.jpg')); b=a(1:112*92); %b是行矢量1*N,其中N=10304，提取顺序是先列后行，即从上到下，从左到右 b=double(b); allsamples=[allsamples;b]; %allsamples是一个M*N矩阵，allsamples中每一行数代表一张图片，其中M=200 end end samplemean=mean(allsamples); %平均图片 1*N for i=1:200 xmean(i,:)=allsamples(i,:)-samplemean;%xmean 是一个M*N矩阵，xmean每一行保存的数据是“每个图片数据-平均图片” end %获取特征值及特征向量 sigma=xmean*xmean'; % M*M阶矩阵 [v,d]=eig(sigma); d1=diag(d); %按特征值大小以降序排列 dsort=flipud(d1); % flipud函数实现矩阵的上下翻转，由eig求出的特征值已按照从小到大排列，所以用flipud上下翻转，实现降序 vsort=fliplr(v); % fliplr函数实现矩阵的左右翻转，由eig求出的特征向量以列向量的形式排列，通过fliplr使第一列向量为最大的特征值所对应的特征向量，依次类推。 %以下选择90%的能量 dsum=sum(dsort); dsum_extract=0; p=0; while(dsum_extract/dsum<0.9) p=p+1; dsum_extract=sum(dsort(1:p)); end %(训练阶段)计算特征脸形成的坐标系 base=xmean'*vsort(:,1:p)*diag(dsort(1:p).^(-1/2)); %base是N*p阶矩阵，除以dsort(i)^(1/2)是对人脸图像的标准化(使其方差为1) %xmean'*vsort(:,i)是小矩阵的特征向量向大矩阵的特征向量转换的过程 allcoor=allsamples*base; %allcoor里面是每张训练人脸图片在M*p子空间中的一个点，即在子空间中的组合系数 accu=0; %测试过程 for i=1:40 for j=6:10 a=imread(strcat('e:\数据挖掘\PCA\ORL\s',num2str(i),'\',num2str(j),'.jpg')); b=a(1:112*92); b=double(b); tcoor=b*base; %计算坐标,是1*p阶矩阵 for k=1:200 mdisk(k)=norm(tcoor-allcoor(k,:)); end [dist,index2]=sort(mdisk); class1=floor((index2(1)-1)/5)+1; class2=floor((index2(2)-1)/5)+1; class3=floor((index2(2)-1))+1; if class1~=class2 && class2~=class3 class=class1; elseif class1==class2 class=class1; elseif class2==class3 class=class2; end if class==i; accu=accu+1; end end end accuracy=accu/200; %输出识别率 fprintf('the number of principal components is %d\n',p) fprintf('the face recognition rate is %.2f%%\n',accuracy*100);