%一个修改后的PCA进行人脸识别的Matlab代码
% calc xmean,sigma and its eigen decomposition
for i=1:40
for j=1:5
% [TestDatabaseFile , TestDatabasePath] = uigetfile('*.*', '请选择识别图像文件','10.jpg');
%TestData=sprintf('%s%s',TestDatabasePath,TestDatabaseFile);
InputImage=imread(strcat('orl\train\','orl_',num2str(i),'_00',num2str(j),'.bmp'));
%InputImage = imread(strcat(TestData)); %在当前路径下读取文件
gab = rgb2gray(InputImage);
%figure,imshow(a); %显示读取的图片
[G,gabout] = gaborfilter(gab,2,4,16,pi/3);
%figure,imshow(uint8(gabout)); %显示gabor特征提取后的图片
str=['C:\Documents and Settings\Administrator\桌面\gabor pca\orl\gabortrainim\', 'orl_',num2str(i),'_00',num2str(j),'.bmp'];
imwrite(uint8(gabout),str,'bmp');
end
end
for i=1:40
for j=6:10
% [TestDatabaseFile , TestDatabasePath] = uigetfile('*.*', '请选择识别图像文件','10.jpg');
%TestData=sprintf('%s%s',TestDatabasePath,TestDatabaseFile);
InputImage=imread(strcat('orl\test\','orl_',num2str(i),'_',num2str(j),'.bmp'));
%InputImage = imread(strcat(TestData)); %在当前路径下读取文件
gab = rgb2gray(InputImage);
%figure,imshow(a); %显示读取的图片
[G,gabout] = gaborfilter(gab,2,4,16,pi/3);
%figure,imshow(uint8(gabout)); %显示gabor特征提取后的图片
str=['C:\Documents and Settings\Administrator\桌面\gabor pca\orl\gabortestim\', 'orl_',num2str(i),'_',num2str(j),'.bmp'];
imwrite(uint8(gabout),str,'bmp');
end
end
allsamples=[];%所有训练图像
for i=1:40
for j=1:5
a=imread(strcat('orl\gabortrainim\','orl_',num2str(i),'_00',num2str(j),'.bmp'));
b=a(1:112*92); % b是行矢量 1×N,其中N=10304,提取顺序是先列后行,即从上到下,从左到右
b=double(b);
allsamples=[allsamples; b]; % allsamples 是一个M * N 矩阵,allsamples 中每一行数据代表一张图片,其中M=200
end
end
samplemean=mean(allsamples); % 平均图片,1 × N
for i=1:200
xmean(i,:)=allsamples(i,:)-samplemean; % xmean是一个M × N矩阵,xmean每一行保存的数据是“每个图片数据-平均图片”
end;
sigma=xmean*xmean'; % M * M 阶矩阵
[v d]=eig(sigma);%egi 特征值和特征向量。返回一个包含广义特征值的向量
d1=diag(d);%diag对角矩阵和矩阵的对角化
[d2 index]=sort(d1); %以升序排序
cols=size(v,2);% 特征向量矩阵的列数
for i=1:cols
vsort(:,i) = v(:, index(cols-i+1) ); % vsort 是一个M*col(注:col一般等于M)阶矩阵,保存的是按降序排列的特征向量,每一列构成一个特征向量
dsort(i) = d1( index(cols-i+1) ); % dsort 保存的是按降序排列的特征值,是一维行向量
end %完成降序排列
%以下选择90%的能量
dsum = sum(dsort);
dsum_extract = 0;
p = 0;
while( dsum_extract/dsum < 0.90)
p = p + 1;
dsum_extract = sum(dsort(1:p));
end
i=1;
% (训练阶段)计算特征脸形成的坐标系
while (i<=p && dsort(i)>0)
base(:,i) = dsort(i)^(-1/2) * xmean' * vsort(:,i); % base是N×p阶矩阵,除以dsort(i)^(1/2)是对人脸图像的标准化,详见《基于PCA的人脸识别算法研究》p31
i = i + 1;
end
% add by wolfsky 就是下面两行代码,将训练样本对坐标系上进行投影,得到一个 M*p 阶矩阵allcoor
allcoor = allsamples * base;
accu = 0;
% 测试过程
testsamples=[];%所有训练图像
for i=1:40
for j=6:10
a=imread(strcat('orl\gabortestim\','orl_',num2str(i),'_',num2str(j),'.bmp'));
% imshow(a);
b=a(1:112*92); % b是行矢量 1×N,其中N=10304,提取顺序是先列后行,即从上到下,从左到右
b=double(b);
testsamples=[testsamples; b]; % allsamples 是一个M * N 矩阵,allsamples 中每一行数据代表一张图片,其中M=200
end
end
tcoor= testsamples * base; %计算坐标,是1×p阶矩阵
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%训练样本和测试样本的标签
%allsamples= new_data;%训练样本
n_train=size(allcoor,1);
allcoor_label=zeros(n_train,1); % 人为标定训练目标的类别,从1~40
for i=1:n_train
if rem(i,5)~=0 % 如果i是第23个样本,则它应该属于第5类(因每类有5个样本)
allcoor_label(i)=floor(i/5)+1;
else
allcoor_label(i)=floor(i/5);
end
end
%test_data = tcoor;% 测试样本
n_test=size( tcoor,1);
tcoor_label=zeros(n_test,1); % 人为标定测试目标的类别,从1~40
for i=1:n_test
if rem(i,5)~=0
tcoor_label(i)=floor(i/5)+1;
else
tcoor_label(i)=floor(i/5);
end
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%训练与测试
%accuracy=classifier_knn(tcoor,new_data) %tcoor=alltests处理后*eigvector; new_data=allsamples处理后*eigvector
%date即为allsamples,data = data - repmat(meanData,nSmp,1)
%accuracy=classifier_ls_svm(tcoor,new_data)
% %方案一调用libsvm1.5259e-005
model = svmtrain( allcoor_label, allcoor,'-c 1 -g 0.007 -t 0');
[ptrain_label, train_accuracy] = svmpredict( allcoor_label, allcoor, model);
train_accuracy;
[ptest_label, test_accuracy] = svmpredict( tcoor_label, tcoor, model);
test_accuracy;
%toc;
%%%%%%%%%%%%%%%%%%%%%%%%
% %方案二 参数c和g寻优选择
%[bestacc,bestc,bestg]=SVMcgForClass( allcoor_label, allcoor,-20,20,-20,20);
%cmd = ['-c ',num2str(bestc),' -g ',num2str(bestg),1];
% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%分类预测
%model = svmtrain( allcoor_label, allcoor,cmd);
%[ptrain_label, train_accuracy] = svmpredict( allcoor_label, allcoor, model);
%train_accuracy;
%[ptest_label, test_accuracy] = svmpredict( tcoor_label, tcoor, model);
%test_accuracy;
%toc;
% 函数说明[bestacc,bestc,bestg] = SVMcg(train_label,train,cmin,cmax,gmin,gmax,v,cstep,gstep,accstep)
%
% train_label:训练集标签.要求与libsvm工具箱中要求一致.
% train:训练集.要求与libsvm工具箱中要求一致.
% cmin:惩罚参数c的变化范围的最小值(取以2为底的对数后),即 c_min = 2^(cmin).默认为 -5
% cmax:惩罚参数c的变化范围的最大值(取以2为底的对数后),即 c_max = 2^(cmax).默认为 5
% gmin:参数g的变化范围的最小值(取以2为底的对数后),即 g_min = 2^(gmin).默认为 -5
% gmax:参数g的变化范围的最小值(取以2为底的对数后),即 g_min = 2^(gmax).默认为 5
%
% v:cross validation的参数,即给测试集分为几部分进行cross validation.默认为 3
% cstep:参数c步进的大小.默认为 1
% gstep:参数g步进的大小.默认为 1
% accstep:最后显示准确率图时的步进大小. 默认为 1.5
%%%%%%%%%%%%%%%%%%%%%%%%
% %方案三 利用GA参数寻优函数(分类问题):gaSVMcgForClass
%[bestacc,bestc,bestg]=gaSVMcgForClass( allcoor_label, allcoor,struct('maxgen',200,'sizepop',20,'ggap',0.9, 'cbound',[0,100],'gbound',[0,1000],'v',5));
%cmd = ['-c ',num2str(bestc),' -g ',num2str(bestg),1];
% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%分类预测
%model = svmtrain( allcoor_label, allcoor,cmd);
%[ptrain_label, train_accuracy] = svmpredict( allcoor_label, allcoor, model);
%train_accuracy;
%[ptest_label, test_accuracy] = svmpredict( tcoor_label, tcoor, model);
%test_accuracy;
凌云硕
- 粉丝: 0
- 资源: 2
最新资源
- 基于STM32为电子香味项目,通过蓝牙模块传输数据,嵌入式硬件平台,RFID使用的是RC522.整个项目包括软硬件以及android程序详细文档+全部资料+高分项目+源码.zip
- 基于发布-订阅模型的多线程消息框架,用于嵌入式平台,纯C实现,性能和灵活性极高详细文档+全部资料+高分项目+源码.zip
- 基于嵌入式Linux的一套可视对讲设备代码,比较底层,写的比较好,里面的lib库是一些图像处理库详细文档+全部资料+高分项目+源码.zip
- php 实现各种排序和查找算法源代码.zip
- 基于嵌入式qt的车载系统详细文档+全部资料+高分项目+源码.zip
- 基于嵌入式的基础图形库详细文档+全部资料+高分项目+源码.zip
- 基于嵌入式平台ARM Linux的新冠肺炎疫情监控平台详细文档+全部资料+高分项目+源码.zip
- 基于嵌入式的视觉运动控制详细文档+全部资料+高分项目+源码.zip
- 基于嵌入式综合项目:STM32F407基于ARM Cortex-M4处理器,云服务器Linux操作系统,MySQL数据存储转发详细文档+全部资料+高分项目+源码
- 基于热风控制系统嵌入式项目,基于STM32F1芯片和RT-Thread实时系统开发出温度闭环控制和风速控制详细文档+全部资料+高分项目+源码.zip
- 基于全志V3S的嵌入式开发者打怪升级项目详细文档+全部资料+高分项目+源码.zip
- 基于事件型嵌入式驱动框架。详细文档+全部资料+高分项目+源码.zip
- 基于使用B-Tree作为索引,基于MMap的嵌入式键值数据库详细文档+全部资料+高分项目+源码.zip
- 基于三个嵌入式的小项目:一个是基于科大讯飞的语音识别系统,一个是智能音乐相册,一个是别踩白块小游戏详细文档+全部资料+高分项目+源码.zip
- 基于物联网模式开发的嵌入式程序详细文档+全部资料+高分项目+源码.zip
- 基于以太网通信的电力电子设备运行状态的远程监控嵌入式系统设计详细文档+全部资料+高分项目+源码.zip
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈