【正文】 precisionFLDA = zeros(simuTime,1)。 %================================================% Simulation for k^th times%================================================simuTime = 50。)。display(39。 allImages(:,j) = reshape(tempImage,*,1)。for j=1: imageName = fgetl(allFid)。)。display(39。r39。 = 80。 = 1。 = * 。 = 6。 = 92。 = 10。 = 400。 % The information on the training and testing datasets are specified as below:%================%ORL%================ = 39。在ORL人臉庫(kù)中：clear all。 if (match2 == counterTmp) NCorrect = NCorrect + 1。 counterTmp = ceil(i / )。 dist(j) = norm(test)。 dist = zeros(1,trainImagesTotal)。 * (39。for i=1: testImagesTotal % Center the test image and project into face space meanTest = testImages(:,i) 。%================================% Testing each of the test images%================================ [rw,testImagesTotal] = size(testImages)。projTrain = wopt39。 wopt = Vector(:,1:)。)。[Value,index] = sort(abs(Value),39。 [Vector,Value] = eig( pinv( SFW ) * SFB )。 drImagesCentered(:,i) = drImages(:,i) c_mean(:,j)。 drImagesCentered = zeros(rw,cl)。 c_mean(:,i) = c_mean(:,i) / temp。for i = 1: temp = sum(membership(i,:))。mean = repmat(mean,1,)。 end endendfunction [wopt] = FFLD(dbaseInfo,drImages,membership)%pute the project matrix of FFLD[rw,cl] = size(drImages)。 for j = 1: if j==temp membership(j,i) = + * counter(j,i) / 。 endendmembership = zeros(,cl)。for i = 1:cl class = ceil(index(:,i) / )。index = index(1:,:)。 endendfor i = 1:cl distance(i,i) = Inf。distance = zeros(cl,cl)。 wopt = Vector(:,1:)。)。[Value,index] = sort(abs(Value),39。 [Vector,Value] = eig( pinv( SW ) * SB )。 drImagesCentered(:,i) = drImages(:,i) c_mean(:,j)。 drImagesCentered = zeros(rw,cl)。 c_mean(:,i) = sum(drImages(:,head:tail),2) / 。for i = 1: head = (i1)* + 1。mean = repmat(mean,1,)。function [wopt] = LDA(dbaseInfo,drImages)%pute the project matrix of LDA[rw,cl] = size(drImages)。drImages = 39。 [Vec,Vals,e] = svd(cov)。end % Calculate the eigenvectors and eigenvalues cov = (imagesCentered39。imagesCentered = zeros(rw,trainImagesTotal)。 endendfunction [drImages,eigenInfo] = PCAdr(trainImages,dbaseInfo)% get pressed images (drImages) by PCA% Calculate the meanImage of trainImages[rw,trainImagesTotal] = size(trainImages)。])。,num2str(s),39。,39。 title([39。 subplot(3,4,k+sizeTrain)。 end for k=1: tempImage = testImages(:,(s1)*+k)。}39。{39。Training Face 39。 imshow(tempImage)。 tempImage = uint8(reshape(tempImage,))。if(visual_switch == 1) figure。 clear XX1。 XX1(:,Xtr) = []。 endend%=====================================================% Allocating images into training and testing datasets%=====================================================XX1 = allImages。for s=1: for j=1:sizeTrain count = count + 1。%===========================================% Getting all index for training dataset%===========================================count = 0。for i=1: imageNo(i,:) = randperm()。function [trainImages,testImages] = randGenDataset(dbaseInfo,allImages)%generate random traindatasizeTrain = 。precisionFLDA39。precisionLDA39。)。ylabel(39。epochs39。)。title(39。ylim([70 100])。,5)。,39。,39。,39。,39。,1,39。,39。plot(t,precisionFLDA,39。,5)。,39。,39。,39。,39。,1,39。,39。plot(t,precisionLDA,39。 %=====================%show result%=====================t =1:simuTime。 mean_FLDA = mean(precisionFLDA)。 %===================================================end mean_LDA = mean(precisionLDA)。 wopt2 = FFLD(dbaseInfo,drImages,membership)。 precisionLDA(t,1) = recognize(dbaseInfo,drImages,testImages,eigenInfo,wopt1)。 %=============LDA================================== [drImages,eigenInfo] = PCAdr(trainImages,dbaseInfo)。Done39。 [trainImages,testImages] = randGenDataset(dbaseInfo,allImages)。Generating random training and testing dataset39。for t = 1:simuTime % Simulation on k^th times display(t)。precisionLDA = zeros(simuTime,1)。fclose(allFid)。Done39。endclear tempImage。 tempImage = double(imread(imageName))。 allImages = zeros( * ,)。Read All Images ....39。)。%================================================% Reading image%================================================allFid = fopen(,39。 % Rank(Sb) = c1。 % Rank(Sw) = Nc。 = 40。 = 6。 = 195。 = 11。 = 165。 % The information on the training and testing datasets are specified as below:%================%YALE%================ = 39。附錄Ⅰ 源程序清單在Yale人臉庫(kù)中：clear all。任老師的不辭辛勞的工作作風(fēng)、深厚的學(xué)術(shù)造詣和科學(xué)嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度是我今后學(xué)習(xí)的榜樣，是任老師在我迷茫的時(shí)候給我指明了前進(jìn)的道路，本文正是在任老師的悉心指導(dǎo)下完成的，在此，再次獻(xiàn)上對(duì)任老師最真誠(chéng)的謝意，任老師，謝謝您！其次要感謝那些幫助過(guò)我，為我提出過(guò)寶貴意見(jiàn)的同學(xué)和朋友，你們?yōu)槲乙龑?dǎo)的方向讓我少走了許多彎路，謝謝你們。參考文獻(xiàn)[1] 薛明亮. 人臉識(shí)別的加權(quán)模糊方法[D]. 大連: 大連理工大學(xué)控制理論與控制工程, 2010 [2] 周德龍，高文，趙德斌. 基于LDA和PCA的人臉識(shí)別技術(shù)的研究[J]. 西安工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院學(xué)報(bào), 2006[3] 李剛，高政. 人臉識(shí)別理論研究進(jìn)展[J]. 計(jì)算機(jī)與現(xiàn)代化, 2003, (5): 16[4] 張翠平，蘇光大. 人臉識(shí)別技術(shù)綜述[J]. 中國(guó)圖象圖形學(xué)報(bào), 2000, 5(11): 885894[5] 邊肇淇，張學(xué)工. 模式識(shí)別(第二版)[M]. 北京: 清華大學(xué)出版社, 2000[6] 梁路宏. 人臉檢測(cè)與跟蹤研究[D]. 北京: 清華大學(xué), 2001[7] 余冰，金連甫，陳平. 利用標(biāo)準(zhǔn)化LDA進(jìn)行人臉識(shí)別[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2003, 15(3): 302306[8] 唐勇. 人臉識(shí)別技術(shù)綜述[J]. 硅谷. 2011, 10(9): 2930[9] 丁晟，蔣曉瑜，汪熙. 基于LabVIEW的圖像處理技術(shù)研究[J]. 微計(jì)算機(jī)信息. 2010, 5(29): 204205[10] 王敏，段黎明，朱國(guó)濤，李文輝. [J]. 科學(xué)技術(shù)與工程. 2009, 6(20): 62246226[11] 謝永林. LDA算法及其在人臉識(shí)別中的應(yīng)用[J]. 計(jì)算機(jī)工程及應(yīng)用. 2010, 46(19): 189192[12] M H Yang，D J Kriegman，N Ahuja. Detecting Faces in Images: A Survey[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence. 2002, 24(1): 3458[13] AT amp。要想針對(duì)性的解決這些不確定因素帶來(lái)的識(shí)別算法的性能退化，唯一的辦法就是設(shè)計(jì)一種更加有效的特征提取方法。但是在實(shí)際應(yīng)用中，外部環(huán)境的不確定性是固有的，所有的這些約束條件在外部環(huán)境中都將成為不確定因素，這將會(huì)很大程度上影響識(shí)別算法的精確度。本文在人臉識(shí)別算法的設(shè)計(jì)和測(cè)試過(guò)程中，