基於MATLAB的人臉識別
一、原始碼參考
% FaceRec。m
% PCA 人臉識別修訂版，識別率88％
% calc xmean，sigma and its eigen decomposition
allsamples=［］；%所有訓練影象
for i=1：40
for j=1：5
a=imread（strcat（‘e：\ORL\s’，num2str（i），‘\’，num2str（j），‘。jpg’））；
% imshow（a）；
b=a（1：112*92）； % b 是行向量 1×N，其中N＝10304，提取順序是先列後行，即從上
到下，從左到右
b=double（b）；
allsamples=［allsamples； b］； % allsamples 是一個M * N 矩陣，allsamples 中每一行數
據代表一張圖片，其中M＝200
end
end
samplemean=mean（allsamples）； % 平均圖片，1 × N
for i=1：200 xmean（i，：）=allsamples（i，：）-samplemean； % xmean 是一個M × N 矩陣，xmean
每一行儲存的資料是“每個圖片資料-平均圖片”
end；
% 獲取特徵值及特徵向量
sigma=xmean*xmean‘； % M * M 階矩陣
［v d］=eig（sigma）；
d1=diag（d）；
% 按特徵值大小以降序排列
dsort = flipud（d1）；
vsort = fliplr（v）；
%以下選擇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
i=1；
% （訓練階段）計算特徵臉形成的座標系
base = xmean’ * vsort（：，1：p） * diag（dsort（1：p）。^（-1/2））；
% base 是N×p 階矩陣，除以dsort（i）^（1/2）是對人臉影象的標準化（使其方差為1）
% 詳見《基於PCA 的人臉識別演算法研究》p31
% xmean‘ * vsort（：，i）是小矩陣的特徵向量向大矩陣特徵向量轉換的過程
%while （i<=p && dsort（i）>0）
% base（：，i） = dsort（i）^（-1/2） * xmean’ * vsort（：，i）； % base 是N×p 階矩陣，除以dsort（i）^（1/2）
是對人臉影象的標準化（使其方差為1）
% 詳見《基於PCA 的人臉識別演算法研究》p31
% i = i + 1； % xmean‘ * vsort（：，i）是小矩陣的特徵向量向大矩陣特
徵向量轉換的過程
%end
% 以下兩行add by gongxun 將訓練樣本對座標系上進行投影，得到一個 M*p 階矩陣allcoor
allcoor = allsamples * base； % allcoor 裡面是每張訓練人臉圖片在M*p 子空間中的一個點，
即在子空間中的組合係數，
accu = 0； % 下面的人臉識別過程中就是利用這些組合係數來進行識別
% 測試過程
for i=1：40
for j=6：10 %讀入40 x 5 副測試影象
a=imread（strcat（’e：\ORL\s‘，num2str（i），’\‘，num2str（j），’。jpg‘））；
b=a（1：10304）；
b=double（b）；
tcoor= b * base； %計算座標，是1×p 階矩陣
for k=1：200
mdist（k）=norm（tcoor-allcoor（k，：））；
end；
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 %輸出識別率
特徵人臉
% eigface。m
function ［］ = eigface（）
% calc xmean，sigma and its eigen decomposition
allsamples=［］；%所有訓練影象
for i=1：40
for j=1：5
a=imread（strcat（’e：\ORL\s‘，num2str（i），’\‘，num2str（j），’。jpg‘））；
% imshow（a）；
b=a（1：112*92）； % b 是行向量 1×N，其中N＝10304，提取順序是先列後行，即從上
到下，從左到右
b=double（b）；
allsamples=［allsamples； b］； % allsamples 是一個M * N 矩陣，allsamples 中每一行數
據代表一張圖片，其中M＝200
end
end
samplemean=mean（allsamples）； % 平均圖片，1 × N
% 獲取特徵值及特徵向量
dsort = flipud（d1）；
vsort = fliplr（v）；
%以下選擇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
p = 199；
% （訓練階段）計算特徵臉形成的座標系
%while （i<=p && dsort（i）>0）
% base（：，i） = dsort（i）^（-1/2） * xmean’ * vsort（：，i）； % base 是N×p 階矩陣，除以
dsort（i）^（1/2）是對人臉影象的標準化，詳見《基於PCA 的人臉識別演算法研究》p31
% i = i + 1； % xmean‘ * vsort（：，i）是小矩陣的特徵向量向大矩
陣特徵向量轉換的過程
%end
base = xmean’ * vsort（：，1：p） * diag（dsort（1：p）。^（-1/2））；
% 生成特徵臉
for （k=1：p），
temp = reshape（base（：，k）， 112，92）；
newpath = ［‘d：\test\’ int2str（k） ‘。jpg’］；
imwrite（mat2gray（temp）， newpath）；
end
avg = reshape（samplemean， 112，92）；
imwrite（mat2gray（avg）， ‘d：\test\average。jpg’）；
% 將模型儲存
save（‘e：\ORL\model。mat’， ‘base’， ‘samplemean’）；
人臉重建
% Reconstruct。m
function ［］ = reconstruct（）
load e：\ORL\model。mat；
% 計算新圖片在特徵子空間中的係數
img = ‘D：\test2\10。jpg’
a=imread（img）；
b=a（1：112*92）； % b 是行向量 1×N，其中N＝10304，提取順序是先列後行，即從上到下，
從左到右
% 根據特徵係數及特徵臉重建圖
% 前15 個
t = 15；
temp = base（：，1：t） * c（1：t）‘；
temp = temp + samplemean’；
imwrite（mat2gray（reshape（temp， 112，92）），‘d：\test2\t1。jpg’）；
% 前50 個
t = 50；
temp = base（：，1：t） * c（1：t）‘；
temp = temp + samplemean’；
imwrite（mat2gray（reshape（temp， 112，92）），‘d：\test2\t2。jpg’）；
% 前100 個
t = 100；
temp = base（：，1：t） * c（1：t）‘；
temp = temp + samplemean’；
imwrite（mat2gray（reshape（temp， 112，92）），‘d：\test2\t3。jpg’）；
% 前150 個
t = 150；
temp = base（：，1：t） * c（1：t）‘；
temp = temp + samplemean’；
imwrite（mat2gray（reshape（temp， 112，92）），‘d：\test2\t4。jpg’）；
% 前199 個
t = 199；
temp = base（：，1：t） * c（1：t）‘；
temp = temp + samplemean’；
imwrite（mat2gray（reshape（temp， 112，92）），‘d：\test2\t5。jpg’）；
