【正文】 %將輸入的圖像重構(gòu)成序列 賦給 InImage temp=InImage。 InImage=reshape(double(InputImage)39。,18) %顯示輸入的圖像 ,附標(biāo)題 39。,39。title(39。gray39。 %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)。)。,39。 %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。 WeightOfImage]。)。 %外層循環(huán)建立一個空矩陣 WW for i=1:size(u,2) t = u(:,i)39。 end end %找到每個人臉在訓(xùn)練中的權(quán)值 omega = []。,18) % 顯示 39。,39。 %更新 figure4 if i==3 title(39。 %將 img轉(zhuǎn)置 img=histeq(img,255)。 %figure4 36 for i=1:size(u,2) img=reshape(u(:,i),icol,irow)。 %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。 %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)。 %取 u為空矩陣 for i=1:size(v,2) %訪問每一行 temp=sqrt(d(i))。 %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。 % 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)。 % vtemp的 ind(i)列與 v的 i列相同 end d=dtemp。 % dtemp(i)的值為 B(len+1i) ind(i)=len+1index(i)。 % vtemp 與 v同樣大小的零矩陣 len=length(index)。 % ind 與 index同樣大的零矩陣 dtemp=zeros(size(index))。 35 end end %選出可以返回降序列的 [B index]=sort(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)]。 %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=[]。*dbx和 C=dbx*dbx39。 %由上面得到的 dbx 的轉(zhuǎn)置矩陣得到矩陣 A L=A*A39。A, L=AA39。 %取雙精度 dbx=[dbx temp]。,18) %為處理改變圖像 dbx=[]。,39。 title(39。 %對 img求轉(zhuǎn)置矩陣 figure(3)。 % 轉(zhuǎn)換成 8位的無符號整數(shù) 0~255 img=reshape(tmimg,icol,irow)。,18) end end % 均值圖像 m=mean(S,2)。,39。 %更新 figure2 if i==3 title(39。)。 %轉(zhuǎn)置 eval(39。 %讀入 1~ img=reshape(S(:,i),icol,irow)。.bmp39。 %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)。 %取均值 st=std(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))。,irow*icol,1)。 %更新 figure1 [irow icol]=size(img)。fontsize39。Training set39。)。img=imread(str)。)。 % 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。 %標(biāo)準(zhǔn)值 %讀取和顯示圖片的功能部分 : S=[]。 % 訓(xùn)練的圖片數(shù) % 選用的標(biāo)準(zhǔn)值和均值 %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。Machine Intell， 1997． 19(7)： 711l 339． [11] Jain A K． Handbook of Face Recognition[M]． New York： Spnnger， 2021． [12] Jonathon Philips Pursuit Filters Applied to Face Identification[J]. IEEE Processing,1998,8(7):11501164 [13] Kotropoulos, I. Pitas. Face authentication based on morphological grid Matching[J]. IEEE inter. Conf. on Image Processing, 1997,pages:106108. [14] Belhumeur P N， Hespanha J P， Kriegman D J． Eigenfaces VS． fishcrfaces： recognition usingclass specific linear projection． IEEE Trans王映輝．人臉識別研究綜述．計算機應(yīng)用研究． 2021(8)： 1． 5． [2] 阮秋琦編著。我衷心地感謝所有 電子通信 教研室的老師 們 ! 同時也要 感謝四年來一起學(xué)習(xí)、生活過的同學(xué)， 感 謝 他們對我的 支持與鼓勵 ，與 她 們的友誼我將終生銘記。同時，陳老師嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài) 度深深影響了我 。 32 ※※※※※ 致謝 本文是在我的指導(dǎo)老師陳宇老師的悉心指導(dǎo)下完成的。由于時間有限，再加上本人知識結(jié)構(gòu)和理論功底上的欠缺，本文所提出的思想和方法也一定存在著錯誤與 不足之處。非線性函數(shù)的引入可以提高 PCA 算法的穩(wěn)健性，這些非線性根據(jù)輸入樣本的變化，對變換矩陣的步長做相應(yīng)的調(diào)整，使算法更加穩(wěn)健。 考慮 PCA 算法穩(wěn)健性主要在兩個方面：怎么減少計算誤差 ； 在輸入信號不服從正態(tài)分布情況下，如何使輸入的主分量相互獨立 。 在存在不良數(shù)據(jù)時，計算出的主分量和實際值會有較大的誤差。在小樣本學(xué)習(xí)的情況下，使用該人臉描述方法進行人臉識別可達(dá)到更好的分類效果，該方法在圖像識別領(lǐng)域中具有較強的應(yīng)用價值。 （ 2）基于 PCA 的人臉特征提取，主要是對 PCA 和 ICA、 LDA的人臉特征提取 進行研究 比較 ，經(jīng)過 比較 PCA 人臉特征提取更好的表征人臉特征以及細(xì)微的差別。本文 所作的工作主要有以下幾點： （ 1） 首先闡述了預(yù)處理的重要性， 對圖像進行預(yù)處理操作可以獲得 更有效地提取人的臉部特征的輸入圖片 。 人臉識別是人機交互與信息處理領(lǐng)域中的一個重要課題，具有很高的學(xué)術(shù)價值和應(yīng)用潛力。這些學(xué)科包括模式識別、人工智能、計算 機視覺、 機器學(xué)習(xí)、心理生物學(xué)與認(rèn)知科學(xué)等 。 人臉識別是一個相當(dāng)困難而又極富理論意義的應(yīng)用價值的前沿課題 。（如圖66） 29 圖 66 顯示輸入圖像的權(quán)值和歐幾里得距離 程序運行可得 歐式距離的最大值和最小值，如下： MaximumValue =+004 MinimumValue =+004 30 第六 章 結(jié) 論 隨著科學(xué)技術(shù)的進步，特別是計算機技術(shù)的迅猛發(fā)展 。將待識別人 臉投影到新的ｍ維人臉空間，即可用一系列特征臉的線性加權(quán)和來表示 。 首先對 X 投影到特征空間上， 28 得到系 數(shù) P,然后選用一部分系數(shù)與特征向量進行原始圖片的重建：ReshapedImage = m + u(:,1:aa)*p ，其中 1: aa 表示取前 aa 個 。（如圖 63） 圖 63 顯示均值臉 步驟四： 計算圖像的協(xié)方差矩陣，再求的特征值和特征向量，并顯示 M 個樣本的特征臉 。 （如圖 62） 圖 62 規(guī)格化圖像 27 步驟三： 計算均值臉 。 （程序見附錄） 步驟一： 訓(xùn)練圖像 ，讀取和顯示人臉庫的圖像 。 綜上所述， Matlab 語言有如下特點： 1．編程效率高 2．用戶使用方便 3．?dāng)U充能力強 4．語句簡單，內(nèi)涵豐富 5．高效方便的矩陣和數(shù)組運算 6．方便的繪圖功能 總之， Matlab 語言的設(shè)計思想可以說代表了當(dāng)前計算機高級語言的發(fā)展方向。實踐證明，你可在幾十分鐘的時間內(nèi)學(xué)會 Matlab 的基礎(chǔ)知識，在短短幾個小時的使用中就能初步掌握它 .從而使你能夠進行高效率和富有創(chuàng)造性的計算。不過， Matlab 作為一種新的計算機語言，要想運用自如，充分發(fā)揮它的威力，也需先系統(tǒng)地學(xué)習(xí)它。其中包括：一般數(shù)值分析、矩陣運算、數(shù)字信號處理、建模和系統(tǒng)控制和優(yōu)化等應(yīng)用程序，并集應(yīng)用程序和圖形于一便于使用的集成環(huán)境中。為克服上述困難，美國Mathwork 公司于 1967 年推出了 “Matrix Laboratory”（縮寫為 Matlab）軟件包，并不斷更新和擴充。對多數(shù)科學(xué)工作者而言，同時具