新建 360压缩 ZIP 文件.zip_gabor 人脸识别_gabor matlab_gabor 人脸识别_gabor和pc

%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;