【正文】 CA = [ProjectedImages_PCA temp]。196。224。192。%fisher判別法將N維映射到C1維end %%%%%從fisher線性空間中提取圖像%Yi = V_Fisher39。 * V_PCA39。.pgm39。InImage = reshape(temp39。[J_eig_vec, J_eig_val] = eig(Sb,Sw)。208。238。195。end%%%%計(jì)算特征矩陣的協(xié)方差矩陣C%%%%%V_PCA = A * L_eig_vec。,irow*icol,1)。)|strcmp(TrainFiles(i).name,39。若把多維特征空間的點(diǎn)投影到一條直線上，就能把特征空間壓縮成一維。 人臉識(shí)別　　生物特征識(shí)別技術(shù)所研究的生物特征包括臉、指紋、手掌紋、虹膜、視網(wǎng)膜、聲音（語(yǔ)音）、體形、個(gè)人習(xí)慣（例如敲擊鍵盤(pán)的力度和頻率、簽字）等，相應(yīng)的識(shí)別技術(shù)就有人臉識(shí)別、指紋識(shí)別、掌紋識(shí)別、虹膜識(shí)別、視網(wǎng)膜識(shí)別、語(yǔ)音識(shí)別（用語(yǔ)音識(shí)別可以進(jìn)行身份識(shí)別，也可以進(jìn)行語(yǔ)音內(nèi)容的識(shí)別，只有前者屬于生物特征識(shí)別技術(shù)）、體形識(shí)別、鍵盤(pán)敲擊識(shí)別、簽字識(shí)別等。程序框圖如下圖所示。,str,39。%%%%%計(jì)算特征臉的算法%%%%%%L = A39。 %每一類(lèi)的樣本分別求均值 S = zeros(Class_number, Class_number)。199。201。235。 * pca_img。 Euc_dist = [Euc_dist temp]。for i=1 : Class_number dist = mean(Euc_dist(((i1)*Class_population+1):(i*Class_population)))。 * ProjectedImages_PCA。162。182。186。 end Sw = Sw + S。[V D] = eig(L)。)。接著，它把這些一維列向量組合到一行里面構(gòu)造出二維向量T，即每個(gè)單元的信息量是一幅圖片這個(gè)函數(shù)將源圖像提取成特征臉，然后比較它們之間的歐幾里得距離PCA提取特征值Fisher分類(lèi)器設(shè)計(jì)。由于視頻監(jiān)控正在快速普及，眾多的視頻監(jiān)控應(yīng)用迫切需要一種遠(yuǎn)距離、用戶非配合狀態(tài)下的快速身份識(shí)別技術(shù)，以求遠(yuǎn)距離快速確認(rèn)人員身份，實(shí)現(xiàn)智能預(yù)警。fisher分類(lèi)器是一種幾何分類(lèi)器, 包括線性分類(lèi)器和非線性分類(lèi)器。%%%%%%%%統(tǒng)計(jì)文件數(shù)%%%%%%%%%%%%%for i = 1:size(TrainFiles,1) if not(strcmp(TrainFiles(i).name,39。 [irow icol] = size(img)。dig = fliplr(max(D))。計(jì)算fisher判別準(zhǔn)則，目標(biāo)是獲取最大類(lèi)間離散度和最小類(lèi)內(nèi)離散度%%%%%%%%%%%%206。200。205。161。temp = InputImage(:,:,1)。Recognized_index = (Recognized_inde