基于k-l變換的人臉識(shí)別系統(tǒng)(存儲(chǔ)版)
【正文】 %所有訓(xùn)練圖像for i=1:(pium1)for j=1:5 %構(gòu)造矩陣a=imread(strcat(39。))。 % xmean 是一個(gè)M N 矩陣，xmean每一行保存的數(shù)據(jù)是“每個(gè)圖片數(shù)據(jù)平均圖片”end。p = 0。amp。E:\ face39。b=a(1:10304)。class3=floor((index2(3)1)/5)+1。end。 % 計(jì)算圖像的行數(shù)clo和列數(shù)rowX=zeros(row*clo,pium*Shumu)。.BMP39。 [v d] = eig(pmetrix)。imshow(P)。P = mat2gray(P)。p = U(:,40)。 title([39。 wuchametrix(:,k)=wucha39。.BMP39。end5 設(shè)計(jì)結(jié)果及分析綜合所得到的結(jié)果可以看出，當(dāng)訓(xùn)練集圖像的個(gè)數(shù)增加時(shí)，圖像吻合度越高，當(dāng)測(cè)試集和訓(xùn)練集在同一文件夾中時(shí)，精確度達(dá)到最高的100%。訓(xùn)練39。E: \face\ORL39。zbceshi=A*ceshi。 subplot(2,3,1)。figure(4)。p = U(:,38)。P = mat2gray(P)。end %各圖像減去總體平均圖像向量得到差值圖像向量pmetrix = X39。ORL39。)。end。class1=floor( (index2(1)1)/5 )+1。.BMP39。 % allcoor 里面是每張訓(xùn)練人臉圖片在M*p 子空間中的一個(gè)點(diǎn)，即在子空間中的組合系數(shù)accu = 0。%base 是Np 階矩陣，除以dsort(i)^(1/2)是對(duì)人臉圖像的標(biāo)準(zhǔn)化（使其方差為1） % xmean39。 %矩陣的左右翻轉(zhuǎn)%以下選擇90%的能量dsum = sum(dsort)。 % allsamples 是一個(gè)M * N 矩陣，allsamples 中每一行數(shù)據(jù)代表一張圖片，其中M＝200endendsamplemean=mean(allsamples)。,num2str(fix(i/10)),num2str(mod(i,10)),num2str(j),39。（2）若則輸入圖像為庫(kù)中第k個(gè)人的人臉。 計(jì)算平均臉和相應(yīng)的特征向量計(jì)算公式如下： （式21）則每張人臉與平均臉之間的距離向量可以表示為： （式22） 計(jì)算特征臉設(shè)矩陣,本次試驗(yàn)我們選擇訓(xùn)練樣本集的類間散布矩陣作為KL變換的產(chǎn)生矩陣，即： （式23）計(jì)算特征臉時(shí)要計(jì)算出協(xié)方差矩陣的前Z（ZN）個(gè)較大特征值的特征向量。ORL人臉庫(kù)是由英國(guó)劍橋Olivetti實(shí)驗(yàn)室從1992年4月到1994年4月期間拍攝的一系列人臉圖像組成，共有40個(gè)不同年齡、不同性別和不同種族的對(duì)象。隨機(jī)變量方差越大，包含的信息越多，當(dāng)一個(gè)變量方差為0 時(shí)，該變量為常數(shù)，不含任何信息。下面分別進(jìn)行介紹：一．去除原始數(shù)據(jù)相關(guān)性從統(tǒng)計(jì)學(xué)上講， E{[X ? E(X )][Y ? E(Y)]} 稱為隨機(jī)變量X 與Y 協(xié)方差，記為:Cov(X,Y)。對(duì)于一幅大小的圖像，在某個(gè)通信信道中傳輸M次，因受到各種因素的隨機(jī)干擾，存在隨機(jī)圖像樣本集合：對(duì)其中的第幅圖像，可以將其按列排列得到一個(gè)維向量： （式11）令：，則：。PCA方法由于其在將為和特征提取方面的有效性，在人臉識(shí)別領(lǐng)域得到了廣泛應(yīng)用。關(guān)鍵詞：KL變換，PCA，人臉識(shí)別目錄摘要： 21 PCA方法和理論基礎(chǔ) 3 離散KL變換的基本原理 3 PCA的理論基礎(chǔ) 5
高考資料相關(guān)推薦
鄂ICP備17016276號(hào)-1