【文章內(nèi)容簡介】 20 19 22 24 24 25 24 24 22 21 21 17 21 25 21 22 24 25 22 21 colormap(gray(256))。 % 顯示256值的灰度圖 image(I)。 %把矩陣I 顯示為圖片 daspect([1 1 1])。 % 把x:y 設(shè)置為1 1:13. 載入要訓(xùn)練的人臉集圖像并將它們存儲(chǔ)在一個(gè)大矩陣中 Matlab適用于矩陣運(yùn)算，此處使用使用matlab的函數(shù)進(jìn)行矩陣運(yùn)算比使用C編程代碼簡單?？梢砸d入的訓(xùn)練集文件存在同一目錄下，并把文件名存在一個(gè)文件中，以便讀入方便。訓(xùn)練集中的每個(gè)人臉圖像片都作為大矩陣的一列來存儲(chǔ)，而顯示圖像的時(shí)候，注意把一維數(shù)據(jù)還原為二維數(shù)據(jù)， 運(yùn)行結(jié)果如圖2所示。L = Imgs(:,10)。% 取大矩陣的一列 L = reshape(L,w,h)39。 % Reshapes 函數(shù)把列向量轉(zhuǎn)換為二維矩陣 image(L)。 colormap(gray(256))。 daspect([1 1 1])。 圖2 由訓(xùn)練集矩陣顯示的集內(nèi)各圖像4. 獲取訓(xùn)練圖像集合的主成分特征向量 采用Turk and Pentland39。s提出的算法，通過 來獲取 的特征向量，以下代碼繪制特征值及特征向量的圖譜，執(zhí)行結(jié)果如圖3所示。 plot(Vals)。 % 繪制特征值圖 CVals = zeros(1,length(Vals))。 % 使一個(gè)向量的長度等于 Vals CVals(1) = Vals(1)。 for i = 2:length(Vals) % 對(duì)特征值累計(jì)求和 CVals(i) = CVals(i1) + Vals(i)。 end。 CVals = CVals / sum(Vals)。 % 設(shè)置為1 plot(CVals)。 ylim([0 1])。 圖3 繪制特征值圖5．顯示特征臉 臉部的相關(guān)研究上，PCA方法常被使用在次空間中用以定義最佳的臉部樣式表現(xiàn)方式。其利用一些訓(xùn)練用的臉部影像集合來產(chǎn)生本征臉，并將臉部空間加以延伸使這些影像中的臉部區(qū)域會(huì)被投影到影像的次空間(subspace)并加以叢集化。 同樣的非臉部區(qū)域的訓(xùn)練影像，亦會(huì)使用相同方法投影到相同的空間并加入?yún)布?之後這兩個(gè)投影的次空間可以經(jīng)由比較的方式，得出臉部區(qū)域與非臉部區(qū)域在次空間投影上的分佈情形。 之后這兩個(gè)投影的次空間可以經(jīng)由比較的方式，得出臉部區(qū)域與非臉部區(qū)域在次空間投影上的分布情形。圖4所示，是圖2所示訓(xùn)練人臉圖像集合的特征臉顯示。通過觀察特征臉的顯示結(jié)果，如，可以形象地體會(huì)到，特征臉即粗糙臉。 圖4 圖2中訓(xùn)練人臉圖像集合對(duì)應(yīng)的特征臉顯示6. 平均臉顯示 訓(xùn)練集合的平均臉即meanface，是矩陣各列數(shù)據(jù)的平均值，如圖5所示，是圖2中訓(xùn)練人臉圖像集合對(duì)應(yīng)的平均臉。 圖5 mean image7. 由特征臉重構(gòu)訓(xùn)練集內(nèi)人臉圖像 特征臉可以重構(gòu)訓(xùn)練集內(nèi)部人臉圖像，圖6a）是訓(xùn)練集內(nèi)部圖像的重現(xiàn)，圖6b）各特征臉的權(quán)重及歐幾里得距離 圖6a 圖6 b 特征臉也可以重構(gòu)訓(xùn)練集外部的人臉圖像，圖7a）是訓(xùn)練集外內(nèi)部圖像的重現(xiàn)，圖7b）各特征臉的權(quán)重及歐幾里得距離（a） （b） 圖7七、設(shè)計(jì)源程序clear all %刪除變量 close all %關(guān)閉窗口 clc %清除窗口 M=9。 % 訓(xùn)練的圖片數(shù)Chosen std and mean. 選用的標(biāo)準(zhǔn)值和均值 It can be any number that it is close to the std and mean of most of the images. %與大多數(shù)圖片的標(biāo)準(zhǔn)值和均值相近的數(shù)字 如下: um=100。 %均值 ustd=80。 %標(biāo)準(zhǔn)值 %read and show images(bmp)。 讀取和顯示圖片的功能部分: S=[]。 %img matrix S為圖像矩陣. figure(1)。 % 打開figue1 for i=1:M % 打開已設(shè)定的M=9的訓(xùn)練圖像 str=strcat(int2str(i),39。.pgm39。)。 %concatenates two strings that form the name of the image %當(dāng)前目錄里面的1~ eval(39。img=imread(str)。39。)。 imshow(img) %顯示圖像 if i==3 title(39。Training set39。,39。fontsize39。,18) %標(biāo)題 end drawnow。 %更新figure1 [irow icol]=size(img)。 temp=reshape(img39。,irow*icol,1)。 %creates a (N1*N2)x1 matrix 創(chuàng)造一個(gè)N1N21的矩陣 S=[S temp]。 end Here we change the mean and std of all images. We normalize all images. %這部分改變所有的圖像的均值和標(biāo)準(zhǔn)值,對(duì)圖像進(jìn)行規(guī)格化 This is done to reduce the error due to lighting conditions. %這樣可以降低由光源條件引起的錯(cuò)誤 for i=1:size(S,2) %size 返回矩陣S的維度 temp=double(S(:,i))。 %雙精度 m=mean(temp)。 %取均值 st=std(temp)。 %標(biāo)準(zhǔn)偏移 S(:,i)=(tempm)*ustd/st+um。 %由此公式對(duì)S進(jìn)行均值化 end %show normalized images 用figue2顯示規(guī)格化的圖像 figure(2)。 for i=1:M str=strcat(int2str(i),39。.bmp39。)。 %讀入1~ img=reshape(S(:,i),icol,irow)。 %重構(gòu)img img=img39。 %轉(zhuǎn)置 eval(39。imwrite(img,str)39。)。 %執(zhí)行字符串 subplot(ceil(sqrt(M)),ceil(sqrt(M)),i) %同上 形成33的圖像排列 imshow(img) %顯示圖像 drawnow。 %更新figure2 if i==3 title(39。Normalized Training Set39。,39。fontsize39。,18) end end %mean image。 均值圖像 m=mean(S,2)。 tmimg=uint8(m)。 img=reshape(tmimg,icol,irow)。 %takes the N1*N2x1 vector and creates a N2xN1 matrix 創(chuàng)建一個(gè)N2N1的矩陣 img=img39。 creates a N1xN2 matrix by transposing the image.