博主简介: 专注、专一于Matlab图像处理学习、交流,matlab图像代码代做/项目合作可以联系(QQ:3249726188)
个人主页:Matlab_ImagePro-CSDN博客
原则:代码均由本人编写完成,非中介,提供有偿Matlab算法代码编程服务,不从事不违反涉及学术原则的事。
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
本次分享的是基于PCA(主成分分析)的人脸识别,用matlab实现。(有疑问或者想交流细节的QQ:3249726188)
一、简述一下这次PCA人脸识别的背景
博主最近被各位同学咨询最多的就是人脸识别和车牌识别相关算法,这次就介绍一下最为经典的PCA人脸识别算法,后续接下来其他博文,再介绍其他的人脸识别和定位相关算法,有兴趣或者需要的同学可以留意一下后续博文。
二、PCA人脸识别算法原理和流程
原理介绍:
主成成 份分析 (Principal Component Analysis,PCA) 方法就是其中的一种。传统主成成份分析方法的基本原理是 ]:利用 K—L 变换抽取人脸的主要成分 ,构成特征脸空间,识别时将测试图 像投影到此空间,得到一组投影系数 ,通过与各个人脸图像比较进行识别 。这种方法使得压缩前后的均方误差最小,且变换后的低维空间有很好的分辨能力。原理如下(详细原理可以阅读附件文献,这里不再细述):
算法流程如下:
1、读取训练集下指定个数的图像,将人脸的像素其保存到到一个二维数组中,将该数组按列排成列向量,即每一列表示一张图像的像素信息。如果有S张人脸图像,则X=[MN,S];
2、每一行取得均值,每行的元素减去均值,得到每张人脸与平均人脸的差值,组成新矩阵X;
3、计算X的协方差矩阵C,大小为MN*MN;
4、计算C的特征值即特征向量,共有MN个特征值及特征向量;
5、选择主成分,把特征值从大到小排序,选择前R个特征值使得R个特征值占所有特征值得90%以上,随后将特征向量按行排列,则P=[R,MN];
6、将训练集投影到特征空间,Y=PX=[R,S]。
7、将测试集也投影到特征空间,假如测试集有K张图像,那么降维后矩阵为[R,K]。
8、每一张图像[R,1]与特征空间[R,S]用欧氏距离法求出与其最相近的一个图像,识别为该类。所有测试集识别完后,最后求出识别率。
三、Matlab实现效果
用matlab实现,打包到GUI上,效果如下:
训练集:
测试集:
Matlab GUI效果:
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
专注、专一于Matlab图像处理学习、交流、代做
QQ:3249726188