【導(dǎo)讀】識別方式相比，具有實時、準(zhǔn)確和非侵?jǐn)_等特性。因此人臉識別技術(shù)。在諸多領(lǐng)域都有廣泛的應(yīng)用。識別是近年來基于生物特征研究的熱點之一。技術(shù)，對各環(huán)節(jié)所需的算法作了介紹和研究。在預(yù)處理環(huán)節(jié)中，對圖。像進行大小歸一化及灰度歸一化等處理。的特征子空間方法提取本征臉。進行比較，重點討論采用歐氏距離分類器的識別法。息系統(tǒng)要首先考慮的問題。目前廣泛采用的身份驗證形式主要有標(biāo)識

　　

【正文】 S=[S temp]。 %由讀入的圖像的行 (N1)和列 (N2)來定義圖像矩陣S的大小 end %這部分改變所有的圖像的均值和標(biāo)準(zhǔn)值 ,對圖像進行規(guī)格化 %這樣可以降低由光源條件引起的錯誤 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 S進行均值化 end %用 figue2顯示規(guī)格化的圖像 34 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 % 均值圖像 m=mean(S,2)。 %獲得行的均值 tmimg=uint8(m)。 % 轉(zhuǎn)換成 8位的無符號整數(shù) 0~255 img=reshape(tmimg,icol,irow)。 %創(chuàng)建一個 N2N1的矩陣 img=img39。 %對 img求轉(zhuǎn)置矩陣 figure(3)。 %顯示均值圖像 imshow(img)。 title(39。Mean Image39。,39。fontsize39。,18) %為處理改變圖像 dbx=[]。 %A矩陣 for i=1:M temp=double(S(:,i))。 %取雙精度 dbx=[dbx temp]。 %將兩個矩陣和在一起 end % C=A39。A, L=AA39。 協(xié)方差矩陣 A=dbx39。 %由上面得到的 dbx 的轉(zhuǎn)置矩陣得到矩陣 A L=A*A39。 %A矩陣和 A矩陣的轉(zhuǎn)置矩陣的乘積得到 L矩陣 % vv是 L的特征向量 % dd是 L=dbx39。*dbx和 C=dbx*dbx39。的特征值 [vv dd]=eig(L)。 %eig函數(shù) ,用來找到 L矩陣的特征值 (vv)和特征向量 (dd) %選出并且剔除特征值為 0的 v=[]。 %將 v置空 d=[]。 %將 d置空 for i=1:size(vv,2) if(dd(i,i)1e4) %由此表 達(dá)式作為衡量標(biāo)準(zhǔn) v=[v vv(:,i)]。 d=[d dd(i,i)]。 35 end end %選出可以返回降序列的 [B index]=sort(d)。 %sort函數(shù) ,用來選出上升序列的元素 得到 index矩陣 ,因為 d為一個矩陣 ,所以選出 d的每一行的升序列 ind=zeros(size(index))。 % ind 與 index同樣大的零矩陣 dtemp=zeros(size(index))。 % dtemp 同理 ,也是與 index同樣大小的零矩陣 vtemp=zeros(size(v))。 % vtemp 與 v同樣大小的零矩陣 len=length(index)。 % len為 index的最大的維數(shù) for i=1:len % 從 1到 len次的循環(huán) dtemp(i)=B(len+1i)。 % dtemp(i)的值為 B(len+1i) ind(i)=len+1index(i)。 % ind(i)的值為 len+1index(i) vtemp(:,ind(i))=v(:,i)。 % vtemp的 ind(i)列與 v的 i列相同 end d=dtemp。 % dtemp 值賦給 d v=vtemp。 % vtemp 值賦給 v %Normalization of eigenvectors % 特征矢量的規(guī)格化 for i=1:size(v,2) % 訪問每一行 kk=v(:,i)。 %將 v的第 i行賦給 kk temp=sqrt(sum(kk.^2))。 %取一個臨時變量 ,命名為 temp 將 kk每一項元素進行平方 運算 .然后求和 ,再取平方根 賦給 temp v(:,i)=v(:,i)./temp。 %把 v矩陣與 temp矩陣對應(yīng)的元素進行相除 再重新生成 v end %Eigenvectors of C matrix %矩陣 C 的特征向量 u=[]。 %取 u為空矩陣 for i=1:size(v,2) %訪問每一行 temp=sqrt(d(i))。 %建立一個中間量 temp d(i)為 d數(shù)組中的第 i個元素 ,將其取 平 方根 ,賦給 temp u=[u (dbx*v(:,i))./temp]。 %構(gòu)造矩陣 u end % 特征向量的規(guī)格化 for i=1:size(u,2) kk=u(:,i)。 %將 u的第 i列賦 給 kk temp=sqrt(sum(kk.^2))。 %取一個臨時變量 ,命名為 temp 將 kk每一項元素進行平方運算 .然后求和 ,再取平方根 賦給 temp u(:,i)=u(:,i)./temp。 %把 u矩陣與 temp矩陣對應(yīng)的元素進行相除 再重新生成 u end % 顯示特征臉 figure(4)。 %figure4 36 for i=1:size(u,2) img=reshape(u(:,i),icol,irow)。 %通過 u矩陣來重構(gòu) img img=img39。 %將 img轉(zhuǎn)置 img=histeq(img,255)。 %用均衡直方圖來提高對比度 subplot(ceil(sqrt(M)),ceil(sqrt(M)),i) %在 figure4中現(xiàn)實 33的圖像 imshow(img) %show img drawnow。 %更新 figure4 if i==3 title(39。Eigenfaces39。,39。fontsize39。,18) % 顯示 39。Eigenfaces39。 end end %找到每個人臉在訓(xùn)練中的權(quán)值 omega = []。 % 建立一個空矩陣 omega for h=1:size(dbx,2) WW=[]。 %外層循環(huán)建立一個空矩陣 WW for i=1:size(u,2) t = u(:,i)39。 %將 u的第 i列轉(zhuǎn)置賦給 t WeightOfImage = dot(t,dbx(:,h)39。)。 %由 t和 dbx的第 h列轉(zhuǎn)置構(gòu)成向量點 ,賦給 WeightOfImage WW = [WW。 WeightOfImage]。 %構(gòu)成 WW end omega = [omega WW]。 %構(gòu)成 omega end %以上部分即完成了圖像的讀入 ,規(guī)格化 ,特征空間的訓(xùn)練 ,特征臉的形成 %并且顯示出訓(xùn)練圖像 ,規(guī)格化圖像 ,均值圖像和特征臉 %以下部分為識別的部分 %獲得一個新的圖像 % 依舊采用 orl臉庫中的人臉圖像作為試驗對象 % 與訓(xùn)練圖像保持一致的大小 InputImage = input(39。Please enter the name of the image and its extension \n39。,39。s39。)。 %輸入要讀取作為判別的文件 InputImage = imread(strcat(InputImage))。 %在當(dāng)前路徑下讀取文件 figure(5) subplot(1,2,1) %在 figure 5 中左右顯示兩個圖像 imshow(InputImage)。 colormap(39。gray39。)。title(39。Input image39。,39。fontsize39。,18) %顯示輸入的圖像 ,附標(biāo)題 39。Input image39。 InImage=reshape(double(InputImage)39。,irow*icol,1)。 %將輸入的圖像重構(gòu)成序列 賦給 InImage temp=InImage。