【正文】 自己的畢業(yè)設(shè)計的題目進(jìn)行方案設(shè)計，并制訂程序設(shè)計流程圖，在審查過方案是可行的之后就著手編程，用了兩周的時間基本上把程序編寫完畢，但是進(jìn)行調(diào)試的時候由于程序的設(shè)計方案不夠好，運行的時間很長。然后我及時找甘老師給我指導(dǎo)，討論之后，我重新整理思路設(shè)計一套簡潔的方案出來。接著對程序進(jìn)行調(diào)試，剛開始由于幾個變量設(shè)置錯誤，程序無法運行，修改過之后程序可以運行，但結(jié)果不對，于是又從頭到尾把程序檢查一遍，又對所用到的函數(shù)逐個檢查，還是沒發(fā)現(xiàn)問題，后經(jīng)甘老師的數(shù)次指導(dǎo)才發(fā)現(xiàn)問題所在，把錯誤改正后，程序可以正常運行，而且結(jié)果比較理想。最后，在甘俊英老師的指導(dǎo)和幫助下，經(jīng)過自己堅持不懈地努力和一個一個不眠夜晚的奮斗，終于能如期地完成了本課題的設(shè)計任務(wù)。通過本次畢業(yè)設(shè)計除了使我對圖像處理和模式識別的原理有了更深步的認(rèn)識；掌握了PCA和LDA的概念和特征提取的原理；另外，這次畢業(yè)設(shè)計也是對我四年來所學(xué)各專業(yè)知識的一個綜合運用和檢查。使我的分析與解決實際問題的能力得到很大的提高和認(rèn)識。而且查找和收集資料的能力；及對實驗數(shù)據(jù)的分析處理能力都有一個巨大的進(jìn)步。令我的自學(xué)能力更上了一個臺階，同時也使我明白到理論和實踐是相互聯(lián)系的，學(xué)習(xí)理論的目的就是把它更好的應(yīng)用于實踐當(dāng)中，而實踐又能使自己對理論有更深一層的理解。致謝本人的畢業(yè)設(shè)計題目為PCALDA算法在性別鑒別中的應(yīng)用。本論文是在我的指導(dǎo)老師甘俊英老師的悉心指導(dǎo)下完成的，在此表示衷心的感謝！在畢業(yè)設(shè)計的過程中，從開始查找資料到最后程序的調(diào)試，甘老師都一直從嚴(yán)要求，每星期至少與甘老師匯報一次進(jìn)度，使我在畢業(yè)設(shè)計的過程中遇到的問題都能夠及時得到解決，甘老師對待工作嚴(yán)格要求，一絲不茍；但在遇到問題請教甘老師時又是和藹可親、平易近人，特別是我在調(diào)試程序時，程序運行結(jié)果不正確，檢查了一個多星期也沒查出問題所在，后多次與甘老師討論，才找到問題。每次去請教甘老師，甘老師都會熱情解答我的問題，有時一個小小的問題，甘老師也會認(rèn)真的解答，有些我一時不能理解的問題，甘老師都會耐心的講好幾次，直到我真正明白為止，甘老師這種誨人不倦，認(rèn)真負(fù)責(zé)的教學(xué)精神值得讓人敬佩！在甘老師的悉心指導(dǎo)和幫助下，使我對MTALAB編程及模式識別方面的知識有了更深一步的認(rèn)識，在遇到困難時甘老師給我的鼓勵與支持使我有了克服困難的決心和勇氣！我會緊記甘老師的淳淳教誨和熱心幫助，這次畢業(yè)設(shè)計是我踏進(jìn)社會前的一次很好的演習(xí)，使我學(xué)會了怎樣去完成一個任務(wù)，怎樣去克服困難，這次畢業(yè)設(shè)計真的使我獲益非淺！主要參考文獻(xiàn) 1 邊肇祺,(第二版)[M].北京:清華大學(xué)出版社,2000.2 Alice 39。Toole et al. The Perception of Face Gender: The Role of Stimulus Structure in Recognition and Classification. Memory and Cognition, Vol. 26, pp. 146160,1997.3 B. A. Golomb, D. T. Lawrence, and T. J. Sejnowski. SEXNET: A neural network identifies sex from human faces. In Advances in Neural Information Processing Systems, pp. 572–577, 1991.4 G. W. Cottrell and J. Metcalfe. EMPATH: Face, emotion, and gender recognition using holons. In Advances in Neural Information Processing Systems, pp. 564–571,1991.5 B. Edelman, D. Valentin, H. Abdi. Sex classification of face areas: how well can a linear neural network predict human performance. Journal of Biological System, Vol. 6(3), pp. 241264, 1998.6 Alice 39。Toole, Thomas Vetter, Heinrich amp。 Nikolaus . The role of shape and texture information in sex classification. Technical December 10, 1995.7 甘俊英,張有為,毛士藝. 自適應(yīng)主元提取算法及其在人臉圖象特征提取中的應(yīng)用[J].電子學(xué)報, 2002,30(7):101310168余 冰,金連甫,陳 [J].計算機輔助設(shè)計與圖形學(xué)學(xué)報,2003,15(3):302306附錄1【1】 訓(xùn)練樣本特征矩陣生成源程序 tic%定義訓(xùn)練ORL圖庫路徑ORLPath= [39。E:\db\s0139。39。E:\db\s0239。]。BMPPath=[39。\39。39。\39。39。\39。39。\39。39。\39。39。\39。39。\39。39。\39。39。\39。39。\39。]。%=========================================%相關(guān)變量設(shè)置persons=2。dd=2。 %降維后的維數(shù)pic=20。 %每個人包含的人臉圖像個數(shù)xun=10。 %每個人參加訓(xùn)練樣本個數(shù)ce=picxun。 %每個人參加測試的樣本個數(shù)P=persons*xun。%總訓(xùn)練樣本個數(shù)T=persons*ce。%測試樣本的個數(shù)%Part one 訓(xùn)練A_1=zeros([112,92])。 %計算全體訓(xùn)練樣本的總值 for i=1:persons AA(:,:,i)=zeros([112,92])。 for j=1:xun img_path=[ORLPath(i,:),BMPPath(j,:)]。 img=double(imread(img_path))。 % 讀入圖像并轉(zhuǎn)換為雙精度以便 計算 TR(:,:,(i1)*xun+j)=img。 %載入全體訓(xùn)練樣本 AA(:,:,i)=AA(:,:,i)+img。 %第i類訓(xùn)練樣本的總值 A_1=A_1+img。 %計算總值 end MC(:,:,i)=1/xun*AA(:,:,i)。 %計算第i類訓(xùn)練樣本的均值endMM=1/P*A_1。 %計算全體訓(xùn)練樣本均值save MC MCsave MM MMsave TR TRtocticN = 2。 %輸入是幾類模式識別問題M = 10。 %輸入每一類模式有幾幅圖片load TR %讀取測試圖像load MC %載入每類圖像的均值load MM %載入總均值m=MCtotal_m=MM S = zeros(112,112)。 %計算類內(nèi)離散度矩陣 Sw=zeros(112,112)。 Sb=zeros(112,112) for i = 1:N for j = ((i1)*M+1):i*M S = S + (TR(:,j)m(:,i))*(TR(:,j)m(:,i))39。 end Sw = Sw+S。 %計算類間離散度矩陣 Sb = Sb+(m(:,:,i)total_m)*(m(:,:,i)total_m)39。endw1=inv(Sw)*Sb。 %inv(Sw)對Sw求逆 w1=1010[Wf I]=eig_self(w1)。 %eif_self(x)為自編函數(shù)，功能是對x求特征值并使特征值安降序排列Wfld=Wf(:,1:10)。 %求FLD投影矩陣其中l(wèi)=10save Wfld Wfld。B=Wfld39。*TR。 %獲得最佳分類特征空間MDFssave B B。 %B=104800toc%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%【2】 測試樣本特征矩陣生成源程序 tic%定義測試ORL圖庫路徑ORLPath= [39。E:\db\s0139。39。E:\db\s0239。]。BMPPath=[39。\39。39。\39。39。\39。39。\39。39。\39。39。\39。39。\39。39。\39。39。\39。39。\39。]%=========================================%相關(guān)變量設(shè)置person=2xun=10。 %每個人參加訓(xùn)練樣本個數(shù)ce=10。 %每個人參加測試的樣本個數(shù)P=persons*xun。%總訓(xùn)練樣本個數(shù)T=persons*ce。%測試樣本的個數(shù)A_1=zeros([112,92])。 %計算全體訓(xùn)練樣本的總值X_sum=zeros([10304,1])。 for i=1:persons AA(:,:,i)=zeros([112,92])。 for j=1:ce img_path=[ORLPath(i,:),BMPPath(j,:)]。 img=double(imread(img_path))。 % 讀入圖像并轉(zhuǎn)換為雙精度以便 計算 TT(:,:,(i1)*xun+j)=img。 %載入全體訓(xùn)練樣本 AA(:,:,i)=AA(:,:,i)+img。 %第i訓(xùn)練樣本的總值 A_1=A_1+img。 %計算總值 end MCT(:,:,i)=1/xun*AA(:,:,i)。 %計算第i類訓(xùn)練樣本的均值endMMT=1/P*A_1。 %計算全體訓(xùn)練樣本均值save MCT MCTsave MMT MMTsave TT TTtocticN = 2。 %輸入是幾類模式識別問題M = 10。 %輸入每一類模式有幾幅圖片load TT %讀取測試圖像load MCT %載入每類圖像的均值load MMT %載入總均值m=MCTtotal_m=MMT S = zeros(112,112)。 %計算類內(nèi)離散度矩陣 Sw=zeros(112,112)。 Sb=zeros(112,112) for i = 1:N for j = ((i1)*M+1):i*M S = S + (TR(:,j)m(:,i))*(TR(:,j)m(:,i))39。 end Sw = Sw+S。 %計算類間離散度矩陣 Sb = Sb+(m(:,:,i)total_m)*(m(:,:,i)total_m)39。endw1=inv(Sw)*Sb。 %inv(Sw)對Sw求逆 w1=1010[Wf I]=eig_self(w1)。 %eif_self(x)為自編函數(shù)，功能是對x求特征值并使特征值安降序排列Wfld=Wf(:,1:10)。 %求FLD投影矩陣其中l(wèi)=10save Wfld Wfld。T=Wfld39。*TT。 %獲得最佳分類特征空間MDFssave T T。 %B=104800toc%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%【3】基于最小距離的識別率判定程序 %Part three 識別ticload T。load B。sum=0。 %計數(shù)器Aclass=zeros(40,1)。%訓(xùn)練樣本分類Bclass=zeros(40,1)。%測試樣本本應(yīng)屬于的類別for ac=1:2 Aclass(ac)=ceil(ac/5)。%訓(xùn)練樣本的分類endfor bc=1:2 Bclass(bc)=ceil(bc/2)。%測試樣本的本應(yīng)類別endfor i=1:2 %第i個測試樣本 d=zeros(1,2)。%第i個測試樣本至所有樣本的距離 for j=1:2 e=T(:,i)B(:,j)。 e=norm(e)。 d(1,j)=d(1,j)+e。 % 第i幅測試樣本至第j幅訓(xùn)練樣本的距離 end [Min,IND]