基于pca方法的人臉識(shí)別系統(tǒng)建模與實(shí)現(xiàn)畢業(yè)論文(文件)
【正文】 主要成分），依次類推。最后將每一張人臉D1維矢量投影到這個(gè)空間上去，得到一降維（從D維降到了k維）的特征臉 (k1維)。*.bmp39。 fa=imread(inFilename)。 else k=2。39。class=size(Iv,3)。 % ellsample test sample。 NumTotal=ell*class。pca=30。% Testing sample feature vectorfor classnum=1:class for e=1:ellsample It(:,e,classnum)=Iv(:,e+ell,classnum)。 %求平均向量Q=zeros(dim,ell*class)。*Q。[U,L]=eigs(R,d,39。for p=1:d Wpca(:,p)=(1/(sqrt(L(p,p))))*Q*U(:,p)。*Itr(:,num,classnum)。 endend%%%%%%%%%%dimension=size(Tldalpp,1)。for cl=1:class for img=1:ellsample %循環(huán)體開始% X=Tldalpp(:,img,cl)。 end %進(jìn)行匹配－－－－－－－－－－－－% %此處可以進(jìn)行修改，利用其他simlarity measure% G2=zeros(1,class)。 Sclass=max(G2)。 endendrate5 總結(jié)和討論 PCA技術(shù)的降維PCA的一大好處是對(duì)數(shù)據(jù)進(jìn)行降維的處理?！o參數(shù)化PCA技術(shù)的另一個(gè)很大的優(yōu)點(diǎn)是，它是完全無參數(shù)限制的。如圖3－7所示，PCA找出的主元將是。則在這種情況下，PCA就會(huì)失效。如圖3－8（a）所示，呈明顯的十字星狀，這種情況下，方差最大的方向并不是最優(yōu)主元方向。對(duì)于的矩陣，通過奇異值分解可以直接得到如下形式：。6 參考文獻(xiàn)[1]Jonathon Shlens，A Tutorial on Principal Component Analysis，New York: New York University Publication，2005.[2]張翠平，蘇光大，人臉識(shí)別技術(shù)綜述，中國(guó)圖像圖形學(xué)報(bào)，5(11):885894，2000.[3]何國(guó)輝，甘俊英, PCA類內(nèi)平均臉法在人臉識(shí)別中的應(yīng)用研究，計(jì)算機(jī)應(yīng)用研究，(3):165169, 2006.。形式如下： (3－13)其中，是原矩陣的奇異值。等價(jià)的，保持主元間的正交假設(shè)，尋找的主元同樣要使，這一類方法被稱為獨(dú)立主元分解(independent ponent analysis, ICA)，如圖3－8（b）所示。圖3－7 黑色點(diǎn)表示采樣數(shù)據(jù)，排列成轉(zhuǎn)盤的形狀這類根據(jù)先驗(yàn)知識(shí)對(duì)數(shù)據(jù)預(yù)先進(jìn)行非線性變換的方法就是kernelPCA，它擴(kuò)展了PCA能夠處理的問題范圍，又可以結(jié)合一些先驗(yàn)約束，是比較流行的方法。之間存在著非線性的關(guān)系。但是，這一點(diǎn)同時(shí)也可以看作是缺點(diǎn)。同時(shí)最大程度的保持了原有數(shù)據(jù)的信息。 end end lastresult %進(jìn)行最后結(jié)果的評(píng)估 % if lastresult==cl CorrectMatrix(1,img+(cl1)*ellsample)=1。*Iymean(:,classnum))/(norm(X)*norm(Iymean(:,classnum)))。 for classnum=1:class % Z1 : the mean of Z1 for i=1:ell Iymean(:,classnum)=Iymean(:,classnum)+Iy(:,i,classnum)。 CorrectMatrix=zeros(1,class*ellsample)。for classnum=1:class for num=1:ellsample Tldalpp(:,num,classnum)=Wpca39。 % training feature vector % for classnum=1:class for num=1:ell Y=zeros(d,1)。)。s size is ell * elld=rank(R)。 endendR=zeros(ell*class,ell*class)。for classnum=1:class for i=1:ell Imean=Imean+Itr(:,i,classnum)。 % Training sample feature vectorfor classnum=1:class for e=1:ell Itr(:,e,classnum)=Iv(:,e,classnum)。lda=class1。 % Similarity matrix 的參數(shù)order=1。 % ell training sample。% basic informationdim=size(Iv,1)。endsave StuFaceLab。 i=ceil(j/2)。FileNum=length(filelist)。（4）將測(cè)試人臉同樣投影到空間T上，得到一測(cè)試臉的特征，再和樣本庫中的模式類進(jìn)行相似度量（如歐氏距離）找出最小距離的模式就是識(shí)別的人臉。若取kr, 即只取k個(gè)最大特征根所對(duì)應(yīng)的特征向量（即主要分量）來描述方陣S。（2）將同一人臉的n個(gè)采樣臉，即n個(gè)訓(xùn)練樣本構(gòu)成n個(gè)列向量（這n個(gè)采樣臉數(shù)據(jù)都存在大量的噪聲，我們需要去除噪聲，從中抽取出真正的能代表人臉本質(zhì)特征的主元分量，即特征臉），計(jì)算矢量均值 和去中心化的矩陣。特征臉法是一種基于人臉全局特征的識(shí)別方法。例如彈簧振子例中取出最主要的1個(gè)維度，則數(shù)據(jù)就壓縮了5/6。使用PCA方法進(jìn)行圖
規(guī)章制度相關(guān)推薦
鄂ICP備17016276號(hào)-1