基于PCA特征提取的人脸特征数据识别算法matlab仿真【包括程序操作视频】

%faces.mat为ORL人脸图像库，共40人，每人10幅图像，其中每人的前5幅作为训练样本， clc; clear; close all; warning off; addpath(genpath(pwd)); rng('default') %MATLAB/verilog/python/opencv/tensorflow/caffe/C/C++等算法仿真 %微信公众号：matlabworld load faces.mat; a1=faces;%%样本库 pattennumbers=40; accu=zeros(1,pattennumbers); for ii=1:pattennumbers %patten提取用pca method %其中每人的前5幅作为训练样本,训练样本总数为200,后5幅作为测试分类样本, %测试样本总数也为200 %clear all i=0; j=0; trainsamples=[]; testsamples=[]; index1=[1 2 3 4 5]; index2=[6 7 8 9 10]; numbpatten=ii*10; while(j<numbpatten) index1=[j+1 j+2 j+3 j+4 j+5]; index2=[j+6 j+7 j+8 j+9 j+10]; trainsamples=[trainsamples,a1(:,index1)] ; testsamples=[testsamples,a1(:,index2)]; j=j+10; end %% 通过训练样本求出人脸的特征子空间U %training num=numbpatten/2;%训练样品数 trainsamples=trainsamples'; testsamples=testsamples'; trainsamplesmean=mean(trainsamples);%samplesmean维数为1*10304,为训练样本的均值行向量 testsamplesmean=mean(testsamples); trainallsamples=trainsamples-repmat(trainsamplesmean,num,1);%200*10304 testallsamples=testsamples-repmat(testsamplesmean,num,1); trainallsamples=trainallsamples';%10304*200 为A矩阵 testallsamples=testallsamples'; a=trainallsamples; Gt=a'*a; [V D]=eig(Gt); [PD index2]=sort(-diag(D)); PV=V(:,index2); dim=num;%%可以根据特征谱信息来选取 %dim=num; PV=PV(:,1:dim);%200*50 PY为特征脸空间 U=trainallsamples*PV;%为特征脸空间 10304*100 %% 获得训练样本的特征 Y1=zeros(dim,num);%为训练样本的特征100*200 for i=1:num Y1(:,i)=U'*trainallsamples(:,i); end %% 获得测试样本特征 Y2=zeros(dim,num);%为训练样本的特征100*200 for i=1:num Y2(:,i)=U'*testallsamples(:,i); end %% 采用余弦距离分类器进行分类 num=numbpatten/2; %num测试人脸数 mdist=zeros(1,num); for i=1:num for j=1:num mdist(j)=(Y1(:,j)'*Y2(:,i))/(norm(Y1(:,j))*norm(Y2(:,i)));%余弦距离分类器 end [dist ,index200]=sort(mdist); class=ceil(index200(num)/5); i1=ceil(i/5); %ii if class==i1; accu(1,ii)=(accu(1,ii)+1); % accu end end accu(1,ii)= accu(1,ii)/num; end plot(accu,'b-o') ylabel('正确率');