1 简介
人脸识别技术先进,应用广泛。借助PCA算法,利用MATLAB GUI可以简单操作,通过对待识别图像的预处理即可提高识别率。本文首先对相关概念进行了阐述,对工作原理进行了介绍,具体对基于PCA算法人脸识别的MATLAB实现进行了解析。
2 部分代码
function [neednum,average_face, immin, newVT] = newVT(imdata)%此过程为标准PCA流程%计算平均脸并显示average_face=mean(imdata,2); %按行求平均mean(a,2) 按列mean（a）Average_face=reshape(average_face,112,92);%将[112*92,1]的脸灰度数据转成[112,92]figure;subplot(1,1,1);imshow(Average_face,[]);%imshow(I,[]) 显示灰度图像 I，根据 I 中的像素值范围对显示进行转换。title(strcat('40*5张训练样本的平均脸'));%步骤一：图像预处理，去中心化，即减去平均值train_num=5;immin=zeros(112*92,40*train_num);for i=1:40*train_num immin(:,i) = imdata(:,i)-average_face;end%步骤二：计算协方差矩阵W=immin'*immin; %n*d x d*n= n*n 较小%步骤三：对协方差矩阵W进行特征值分解，计算特征向量与特征值（向量）[V,D]=eig(W);%步骤四：对特征值进行排序，选取贡献率大于前85%的特征脸[D_sort,index] = sort(diag(D),'descend');%降序排列SumAllFaceEigenValue=sum(D_sort);NowFaceEigenValue=0; %选取累计贡献大于85%的前neednum个特征脸for i=1:size(D_sort,1)NowFaceEigenValue=NowFaceEigenValue+D_sort(i);neednum=i;if(NowFaceEigenValue>SumAllFaceEigenValue*0.85)%累计贡献率达到85%以上即可 break;endendV_sort = V(:,index);VT=immin*V_sort; %dxn*nxk=d*kfor i=1:40*train_num VT(:,i)=VT(:,i)/norm(VT(:,i));%归一化处理end% need_num=neednum;for i=1:neednumnewVT(i,:)=VT(:,i);%取前neednum个特征值endend
3 仿真结果
4 参考文献
[1]刘向东. 基于PCA算法人脸识别的MATLAB实现[J]. 电脑知识与技术：学术版, 2016(4X):2.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。
