一個修改后的PCA進行人臉識別的Matlab代碼，識別率達到88％

% calc xmean,sigma and its eigen

decomposition

allsamples=[];%所有訓練圖像

for i=1:40

for

j=1:5

a=imread(strcat('D:rawdataORLs',num2str(i),'',num2str(j),'.pgm'));

% imshow(a);

b=a(1:112*92);?% b是行矢量

1×N，其中N＝10304，提取順序是先列后行，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每一行保存的數據是“每個圖片數據-平均圖片”

end;

sigma=xmean*xmean';?% M * M

階矩陣

[v d]=eig(sigma);

d1=diag(d);

[d2 index]=sort(d1); %以升序排序

cols=size(v,2);% 特征向量矩陣的列數

for i=1:cols

vsort(:,i) =

v(:, index(cols-i+1) ); % vsort

是一個M*col(注:col一般等于M)階矩陣，保存的是按降序排列的特征向量,每一列構成一個特征向量

dsort(i)?= d1( index(cols-i+1)

);?% dsort 保存的是按降序排列的特征值，是一維行向量

end?%完成降序排列

%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)計算特征臉形成的坐標系

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)是對人臉圖像的標準化，詳見《基于PCA的人臉識別算法研究》p31

i = i +

1;

end

% add by?wolfsky

就是下面兩行代碼，將訓練樣本對坐標系上進行投影,得到一個 M*p 階矩陣allcoor

allcoor = allsamples * base;

accu = 0;

% 測試過程

for i=1:40

for j=6:10 %讀入40 x 5 副測試圖像

a=imread(strcat('e:ORLs',num2str(i),'',num2str(j),'.jpg'));

b=a(1:10304);

b=double(b) - samplemean;

tcoor= b * base;

%計算坐標，是1×p階矩陣

for

k=1:200

mdist(k)=norm(tcoor-allcoor(k,:));

end;

%三階近鄰

[dist,index2]=sort(mdist);

class1=floor( (index2(1)-1)/5

)+1;

class2=floor((index2(2)-1)/5)+1;

class3=floor((index2(3)-1)/5)+1;

if

class1~=class2 &&

class2~=class3?ID

=

class1;

elseif

(class1==class2)?ID =

class2;

elseif

(class2==class3)?ID

= class3;

end;

if?ID==i

accu=accu+1;

end;

end;

end;

accuracy=accu/200 %輸出識別率

總結

以上是生活随笔為你收集整理的matlab做pca人脸识别,[转载]一个修改后的PCA进行人脸识别的Matlab代码，识的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。