概述：

此文章將要描述一種基于MATLAB平臺，運(yùn)用PCA主成分分析方法對圖片數(shù)據(jù)進(jìn)行降維，運(yùn)用SVM支持向量機(jī)分類器對降維后的圖片數(shù)據(jù)進(jìn)行分類處理，從而達(dá)到人臉識別的目的。

首先要感謝以下幾篇文章的作者(后面引用會標(biāo)識文章標(biāo)號)

2.

PCA (主成分分析)詳解 (寫給初學(xué)者) 結(jié)合matlab(F)，E篇列出了具體的數(shù)據(jù)供大家檢驗(yàn)，大家可以根據(jù)數(shù)據(jù)來驗(yàn)證數(shù)學(xué)過程，簡單易懂。F篇與前篇有點(diǎn)相似，對初學(xué)者很有幫助。

4.淺談協(xié)方差矩陣(G)此篇文章對于大家了解協(xié)方差矩陣以及matlab實(shí)現(xiàn)很有作用。

準(zhǔn)備：

1.編程平臺：MATLAB。

首先你得保證你的機(jī)器上安裝有matlab，建議較高的版本。

2.libsvm工具箱。

本人在對第一篇文章中代碼關(guān)于SVM分類的部分沒有運(yùn)行成功，所以運(yùn)用了libsvm工具箱對樣本訓(xùn)練，測試，并沒有運(yùn)用第一篇文章的代碼，如果你能成功可忽略，但建議安裝此工具箱，其對SVM分類有很大幫助。如果你一樣沒有成功，這里推薦一個(gè)鏈接，有關(guān)于libsvm工具箱的安裝配置的視頻。

3.數(shù)據(jù)：ORL人臉庫。

這個(gè)數(shù)據(jù)為已經(jīng)預(yù)處理的數(shù)據(jù)，格式為pgm，屬于Linux格式，windows環(huán)境下無法直接打開，可以在matlab中打開，打開方式imshow(imread('圖片路徑'))；數(shù)據(jù)是400張人臉圖片，屬于40個(gè)人，每個(gè)人10張，每張大小112*92像素,數(shù)據(jù)下載地址在第一篇文章中有，這里也給個(gè)鏈接,第四段兩個(gè)鏈接都可下載。

4.主成分分析法PCA。

主成分分析法是一種降維的方法，上面給出了幾個(gè)有用的鏈接，本文只給出代碼，以及代碼說明，關(guān)于原理，大家盡可參照上面幾個(gè)鏈接，寫得非常詳細(xì)也非常通俗。

5.SVM支持向量機(jī)分類器。

SVM支持向量機(jī)是一個(gè)二類分類器，但是本次人臉識別不僅只是分出兩類，而是需要分出40個(gè)類別。本人以前有過一點(diǎn)機(jī)器學(xué)習(xí)基礎(chǔ)，所以在支持向量機(jī)原理的理解上沒有多大問題，如果讀者沒有SVM基礎(chǔ)，可參考SVM入門(H)，以及寫的非常給力的帖子，SVM三層境界(I)。

注：也許很多初學(xué)者看到這么多的資料，鏈接都已經(jīng)暈了，失去了學(xué)習(xí)的動力。先別灰心，稍后我會把代碼以及代碼運(yùn)行的結(jié)果和過程展示給大家，當(dāng)大家看到這些圖像的變換的美妙，就會有學(xué)習(xí)的興趣。

編程實(shí)現(xiàn)：

以下將要展示的是幾個(gè).m文件的代碼，.m文件即是能在matlab上面打開運(yùn)行的代碼文件，可以在其中定義函數(shù)，如果matlab的當(dāng)前路徑指定在含有這些.m文件的文件夾中，運(yùn)行時(shí)就可以調(diào)用這些文件中定義的函數(shù)。

首先展示第一個(gè).m文件，便是圖片數(shù)據(jù)讀取函數(shù)ReadFace.m

function?[f_matrix,realclass]=ReadFace(n_persons,flag)

%ORL人臉庫。pgm格式的圖片。40人，每人10幅圖，圖像大小為112*92像素。

%每個(gè)人有10幅照片，前5幅當(dāng)作訓(xùn)練集，后5幅當(dāng)作測試集

%

%輸入變量flag:

%???flag是一個(gè)標(biāo)識變量

%???當(dāng)flag為0時(shí)，表示輸入為訓(xùn)練集，flag為1時(shí)，表示輸入為測試集

%

%輸入變量n_persons：

%???n_persons標(biāo)志著你想要識別的人臉個(gè)數(shù)

%

%輸出變量realclass：

%???realclass是一個(gè)n_person*5行，1列的列向量。

%???realclass即是數(shù)據(jù)的標(biāo)簽，無論訓(xùn)練集測試集都進(jìn)行了標(biāo)簽處理

%

%輸出變量f_matrix:

%???f_matrix是一個(gè)n_person*5行，112*92列的矩陣

%???每一行便是每一張圖片的灰度數(shù)據(jù)

%???將每一張圖片列向量排成一個(gè)列向量后轉(zhuǎn)置得到放入f_matrix各行當(dāng)中

imgrow=112;imgcol=92;

global?imgrow;???%載入圖片行數(shù)

global?imgcol;????%載入圖片列數(shù)

realclass=zeros(n_persons*5,1);

f_matrix=zeros(n_persons*5,imgrow*imgcol);

for?i=1:n_persons

%路徑設(shè)置

%函數(shù)num2str(i)說明：將數(shù)字轉(zhuǎn)化為字符

facepath=strcat('F:\MATLAB人臉識別\Face\facedata\s',num2str(i),'\');??%路徑因不同情況而定

cachepath=facepath;

for?j=1:5

facepath=cachepath;

if?flag==0

%函數(shù)strcat(a,b,...)說明:將輸入字符a,b...連接成單個(gè)字符

facepath=strcat(facepath,num2str(j));

else

facepath=strcat(facepath,num2str(j+5));

end

realclass((i-1)*5+j)=i;

facepath=strcat(facepath,'.pgm');

%函數(shù)imread說明：讀取輸入路徑的圖片，將每個(gè)像素灰度值保存在輸出的矩陣中

img=imread(facepath);

f_matrix((i-1)*5+j,:)=img(:)';

end

end

end

代碼當(dāng)中有著詳細(xì)的注釋，代碼與第一篇文章中提供的代碼大同小異，根據(jù)本人情況修改了一點(diǎn)路徑的代碼，以及增加了對訓(xùn)練集標(biāo)簽的標(biāo)識，且增加了注釋。現(xiàn)在對代碼進(jìn)行一些說明。

代碼第一行有對函數(shù)的申明，function []=ReadFace()，中括號為函數(shù)的輸出，小括號為函數(shù)的輸入，函數(shù)名與文件名一致，一個(gè).m文件當(dāng)中可以有多個(gè)函數(shù)申明，但當(dāng)外面的函數(shù)想要調(diào)用這個(gè)文件中的函數(shù)時(shí)，只能調(diào)用與文件名一致的函數(shù)。所以這個(gè)文件叫ReadFace.m。

何為訓(xùn)練集以及測試集?

在機(jī)器學(xué)習(xí)方法當(dāng)中，分為監(jiān)督學(xué)習(xí)，非監(jiān)督學(xué)習(xí)，強(qiáng)化學(xué)習(xí)。而SVM支持向量機(jī)是一種監(jiān)督學(xué)習(xí)的算法。所謂監(jiān)督學(xué)習(xí)，就是給予機(jī)器一套題目并附上標(biāo)準(zhǔn)答案，讓它去做題，自己總結(jié)了一套做題的方法(這些方法就是建立的模型)，它在根據(jù)已經(jīng)學(xué)習(xí)好的方法來做一套新的題目，把題目做對，盡可能打高分。

訓(xùn)練集就是給予機(jī)器的一套題目及標(biāo)準(zhǔn)答案，測試集就是給它的一套新題。而訓(xùn)練集有標(biāo)簽和數(shù)據(jù)之分，標(biāo)簽就是標(biāo)準(zhǔn)答案，標(biāo)簽有著1和0，就表示這些訓(xùn)練集中有兩類，像我們的人臉數(shù)據(jù)有40種人臉，我們就用1到40來表示。數(shù)據(jù)就是有著多維的表征一個(gè)事物的數(shù)據(jù)，就是給機(jī)器的第一套題目。測試集也有數(shù)據(jù)，就是后面給機(jī)器測試的題目，如果測試集原本含有標(biāo)簽，這些標(biāo)簽就可以作為標(biāo)準(zhǔn)給機(jī)器前面訓(xùn)練總結(jié)的方法(模型)打分，查看準(zhǔn)確率。

在這個(gè)人臉庫中，每個(gè)人有10張圖，我們將前5張作為訓(xùn)練集，就有200張圖。用一個(gè)矩陣來表示這200張圖，就形成了一個(gè)200*10304的矩陣。后5張圖用來當(dāng)測試集，可以看代碼中的說明。

當(dāng)flag為0時(shí)，找出訓(xùn)練集的標(biāo)簽realclass(200*1的矩陣)與數(shù)據(jù)f_matrix(200*10304的矩陣).

當(dāng)flag為1時(shí)，就是找出測試集來測試分類效果，得出準(zhǔn)確率。

SVM訓(xùn)練的目的就是利用訓(xùn)練集找到這么一個(gè)分類函數(shù)(模型)，再在測試集中檢測。關(guān)于SVM的具體原理查看上面的H和I篇。

--------------------------------分割線---------------------------------------

第二個(gè).m文件的文件名為fastPCA.m,用于將樣本進(jìn)行降維處理，參考上面主成分分析PCA文章D,E,F篇，上面有通俗且具體的闡述。

function?[?pcaA,V]?=?fastPCA(?A,k,mA)

%快速PCA，主成份分析

%輸入：A-樣本矩陣，每行是一個(gè)樣本，列是樣本的維數(shù)

%????????????k-降至k維

%???????????mA-圖像矩陣f_matrix每一列的均值排成一個(gè)行向量，即mean(f_matrix)

%輸出：pacA-降維后，訓(xùn)練樣本在低維空間中的系數(shù)坐標(biāo)表示

%????????????V-主成分分量，即低維空間當(dāng)中的基

%

m=size(A,1);??%m為讀取圖片的張數(shù)

Z=(A-repmat(mA,m,1));??%中心化樣本矩陣

%一般用中心化的矩陣代替原矩陣。為什么？因?yàn)閷?shù)據(jù)集的均值歸零(預(yù)處理)，也就是只取數(shù)據(jù)的偏差部分

T=Z*Z';

[V1,D]=eigs(T,k);%計(jì)算T的最大的k個(gè)特征值和特征向量

V=Z'*V1;?????????%協(xié)方差矩陣的特征向量

%這一點(diǎn)是關(guān)鍵步驟，很可能很多初學(xué)者無法理解：

%按理來講，協(xié)方差矩陣的計(jì)算公式為(假設(shè)上面中心化的Z已經(jīng)求出)：

%V?=?(Z'*Z)./(size(Z,1)-1)(先不管單位化，V=Z'*Z)(這里是一行為一個(gè)樣本，一列為一個(gè)維數(shù)的情況)

%協(xié)方差矩陣是N*N的方陣，維數(shù)N應(yīng)該與原圖片f_matrix(200*10304)維數(shù)相等

%f_matrix中行數(shù)200為圖片個(gè)數(shù)，列數(shù)10304為維數(shù)

%那為什么這里是T=Z*Z'，再求T的K個(gè)最大特征值和特征向量V1，再用V=Z'*V1來求協(xié)方差矩陣特征向量呢？

%因?yàn)槲覀內(nèi)绻骎=Z'*Z這個(gè)V就是一個(gè)10304*10304的矩陣，MATLAB奔潰了，太復(fù)雜

%我們可以這樣看P^-1*(Z*Z')*P=S等價(jià)于P^-1*(Z')^-1*Z'*Z*Z'*P=S等價(jià)于(Z'*P)^-1*(Z'*Z)*(Z'*P)=S

%注：P^-1是P的逆矩陣，(Z')^-1為Z'的逆矩陣，類推，建議大家寫在紙上

%最后一個(gè)式子可以看出Z'*Z的特征向量矩陣為Z'*P，而Z*Z'的特征向量矩陣為P，即為程序中的V1

%這是一種簡便方法，為的就是避免像V=Z'*Z這種維數(shù)太高的計(jì)算。

%可查看C篇文章步驟4

for?i=1:k???????%特征向量單位化

l=norm(V(:,i));

V(:,i)=V(:,i)/l;

end

%單位化后的V才能是真正的低維空間的基，需要滿足正交化單位化兩個(gè)條件

%具體原因參考D篇文章

pcaA=Z*V;???????%線性變換，降至k維??，將中心化的矩陣投影到低維空間的基中，V就是低維空間的基

%pcaA為低維空間的坐標(biāo)表示，即一個(gè)圖像的判斷依據(jù)

end

代碼與第一篇文章代碼沒有不同，只是多加了注釋，便于大家理解。

下面貼出原圖，均值臉以及兩者的差值圖：

-------------------------------------------------分割線---------------------------------------------------------

第三個(gè)文件為scaling.m文件，其中的代碼與原作者代碼無二。略加注釋。function?[?scaledface]?=?scaling(?faceMat,lowvec,upvec?)

%特征數(shù)據(jù)規(guī)范化

%即是將同一個(gè)樣本中的不同維度歸一化

%因?yàn)橐驗(yàn)閷τ诓煌膶傩?#xff0c;如果不歸一化是不具有比較性的，兩者不在一個(gè)量級上

%輸入——faceMat需要進(jìn)行規(guī)范化的圖像數(shù)據(jù)，

%????????????????lowvec原來圖像數(shù)據(jù)中的最小值

%????????????????upvec原來圖像數(shù)據(jù)中的最大值

upnew=1;

lownew=-1;

[m,n]=size(faceMat);

scaledface=zeros(m,n);

for?i=1:m

scaledface(i,:)=lownew+(faceMat(i,:)-lowvec)./(upvec-lowvec)*(upnew-lownew);

%將圖像數(shù)據(jù)中一個(gè)樣本的不同維度的值，最小值和最大值規(guī)范到-1和1，其他值按比例規(guī)范到(-1,1)

end

end

-----------------------------------------------------分割線-----------------------------------------------------

第四個(gè)文件visualize.m中為顯示特征臉的代碼，比較簡單，并附上顯示結(jié)果。function?visualize(?B?)

%顯示特征臉(變換空間中的基向量，即單位特征向量)

%輸入：B——每列是個(gè)主成分分量，顯示的就是低維中每個(gè)基組成的圖像

%?????k——主成分的維數(shù)

global?imgrow;

global?imgcol;

figure

img=zeros(imgrow,imgcol);

for?i=1:20

img(:)=B(:,i);

subplot(4,5,i);

imshow(img,[])

end

end

因?yàn)榻抵?0維，所以其在低維中的基便是這20張?zhí)卣髂?#xff0c;其他所有的經(jīng)過了降維的臉都可以由這20張?zhí)卣髂樉€性表示，即我們要進(jìn)行臉部識別時(shí)，把選擇要識別的臉進(jìn)行降維處理后，再右乘這些基(特征臉)所構(gòu)成的矩陣，就能得到這些臉在低維中的線性表示。這些表示就是識別的依據(jù)。

特征臉截圖：

-------------------------------------------------分割線---------------------------------------------------------

第五個(gè)文件recognition.m中的代碼，在A篇文章當(dāng)中沒有，是我自己編寫的臉部識別的小程序，比較簡單，沒有像A篇文章中一樣做GUI界面。function?recognition(mA,V,model)

%函數(shù)作用：人臉識別模塊，利用已經(jīng)建好的模型，重新找一個(gè)樣本進(jìn)行識別

%輸入：

%???????????mA-均值

%???????????V-協(xié)方差矩陣特征向量

%???????????model-通過SVM對訓(xùn)練集訓(xùn)練得出的已經(jīng)建立好的模型

%%

global?imgrow;

global?imgcol;

%%

%彈出輸入框，選擇要識別的圖片

select_person_num=str2double(cell2mat(inputdlg('請輸入想要識別的人的編號(總共40個(gè)人)：')));%總共40個(gè)人

select_img_num=str2double(cell2mat(inputdlg('請輸入此人圖片的編號(總共10張)：')));%總共10張圖

%%

%對圖片信息進(jìn)行處理，化為1*10304的行向量

disp('讀取選擇的圖片...')

select_facepath=strcat('F:\MATLAB人臉識別\Face\facedata\s',num2str(select_person_num),'\',num2str(select_img_num),'.pgm');

select_img=imread(select_facepath);

select_matrix=zeros(1,imgrow*imgcol);

select_matrix(1,:)=select_img(:)';

select_matrix=(select_matrix-mA)*V;%PCA降維后的低維表示

%%

%圖形歸一化

disp('規(guī)范化選擇的圖片...')

select_matrix?=?scaling(?select_matrix,min(select_matrix),max(select_matrix));

%%

%測試選擇的圖片，accuracy只有兩個(gè)值，100%表示匹配正確，0%表示匹配錯(cuò)誤

disp('測試選擇的圖片...')

[select_predict_label,accuracy,decision_values]=svmpredict(select_person_num,select_matrix,model);

%%

%顯示原有圖片和匹配圖片進(jìn)行比較

disp('顯示選擇的圖片...')

figure(2);

subplot(1,2,1);imshow(select_img);title('你選擇的圖片');

subplot(1,2,2);

imshow(imread(strcat('F:\MATLAB人臉識別\Face\facedata\s',num2str(select_predict_label),'\',num2str(1),'.pgm')));

title('匹配的圖片');

程序運(yùn)行到此會彈出輸入框，讓用戶選擇想要識別的圖片，當(dāng)Accuracy=100%表示識別正確，如果Accuracy=0%表示識別錯(cuò)誤。

? ? ? ? ??

? ? ? ? ??

輸入編碼后選擇的圖片，以及匹配到的圖片對比。

-------------------------------------------------分割線---------------------------------------------------------

第六個(gè)文件face.m中的代碼為主程序。讀者想要看到整個(gè)效果，只需要將此文件中的程序全部選中按F9即可運(yùn)行。

注：我的SVM分類器是用libsvm工具箱當(dāng)中的函數(shù)實(shí)現(xiàn)的兩個(gè)關(guān)鍵函數(shù)便是svmtrain和svmpredict,核函數(shù)選用線性核函數(shù)。

以上暫時(shí)是初稿，肯定還有很多需要修改的地方，如果讀者有什么疑問或是看到什么錯(cuò)誤，希望能留言，我會加以請教。大家相互學(xué)習(xí)，相互進(jìn)步。

轉(zhuǎn)自：http://blog.csdn.net/yb536/article/details/40586695

總結(jié)

以上是生活随笔為你收集整理的matlab自带的人脸分类器,基于MATLAB，运用PCA+SVM的特征脸方法人脸识别的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。