face_identification.zip.rar_face identification_matlab 人脸

clear all %删除变量 close all %关闭窗口 clc %清除窗口 % 训练的图片数 M=9; %Chosen std and mean. 选用的标准值和均值 %It can be any number that it is close to the std and mean of most of the images. %与大多数图片的标准值和均值相近的数字 如下: um=100; %均值 ustd=80; %标准值 %read and show images(bmp); 读取和显示图片的功能部分: S=[]; %img matrix S为图像矩阵. figure(1); % 打开figue1 for i=1:M % 打开已设定的M=9的训练图像 str=strcat(int2str(i),'.pgm'); %concatenates two strings that form the name of the image %当前目录里面的1~9.pgm eval('img=imread(str);'); %执行字符串 每次循环读入img subplot(ceil(sqrt(M)),ceil(sqrt(M)),i) %ceil 取整 , sqrt 平方根. 在figure1中显示3×3的图像 331,332,333等 imshow(img) %显示图像 if i==3 title('Training set','fontsize',18) %标题 end drawnow; %更新figure1 [irow icol]=size(img); % get the number of rows (N1) and columns (N2) 由img的大小来确定行和列N1,N2 temp=reshape(img',irow*icol,1); %creates a (N1*N2)x1 matrix 创造一个N1×N2×1的矩阵 S=[S temp]; %X is a N1*N2xM matrix after finishing the sequence %this is our S %由读入的图像的行(N1)和列(N2)来定义图像矩阵S的大小 end %Here we change the mean and std of all images. We normalize all images. %这部分改变所有的图像的均值和标准值,对图像进行规格化 %This is done to reduce the error due to lighting conditions. %这样可以降低由光源条件引起的错误 for i=1:size(S,2) %size 返回矩阵S的维度 temp=double(S(:,i)); %双精度 m=mean(temp); %取均值 st=std(temp); %标准偏移 S(:,i)=(temp-m)*ustd/st+um; %由此公式对S进行均值化 end %show normalized images 用figue2显示规格化的图像 figure(2); for i=1:M str=strcat(int2str(i),'.bmp'); %读入1~9.bmp文件 img=reshape(S(:,i),icol,irow); %重构img img=img'; %转置 eval('imwrite(img,str)'); %执行字符串 subplot(ceil(sqrt(M)),ceil(sqrt(M)),i) %同上 形成3×3的图像排列 imshow(img) %显示图像 drawnow; %更新figure2 if i==3 title('Normalized Training Set','fontsize',18) end end %mean image; 均值图像 m=mean(S,2); %obtains the mean of each row instead of each column 获得行的均值 tmimg=uint8(m); %converts to unsigned 8-bit integer. Values range from 0 to 255 转换成8位的无符号整数 0~255 img=reshape(tmimg,icol,irow); %takes the N1*N2x1 vector and creates a N2xN1 matrix 创建一个N2×N1的矩阵 img=img'; %creates a N1xN2 matrix by transposing the image. 对img求转置矩阵 figure(3); %显示均值图像 imshow(img); title('Mean Image','fontsize',18) % Change image for manipulation 为处理改变图像 dbx=[]; % A matrix A矩阵 for i=1:M temp=double(S(:,i)); %取双精度 dbx=[dbx temp]; %将两个矩阵和在一起 end %Covariance matrix C=A'A, L=AA' 协方差矩阵 A=dbx'; %由上面得到的dbx的转置矩阵得到矩阵A L=A*A'; %A矩阵和A矩阵的转置矩阵的乘积得到L矩阵 % vv are the eigenvector for L vv是L的特征向量 % dd are the eigenvalue for both L=dbx'*dbx and C=dbx*dbx'; % dd是L=dbx'*dbx和C=dbx*dbx'的特征值 [vv dd]=eig(L); %eig函数,用来找到L矩阵的特征值(vv)和特征向量(dd) % Sort and eliminate those whose eigenvalue is zero 选出并且剔除特征值为0的 v=[]; %将v置空 d=[]; %将d置空 for i=1:size(vv,2) if(dd(i,i)>1e-4) %由此表达式作为衡量标准 v=[v vv(:,i)]; d=[d dd(i,i)]; end end %sort, will return an ascending sequence 选出 可以返回降序列的 [B index]=sort(d); %sort函数,用来选出上升序列的元素 得到index矩阵,B 因为d为一个矩阵,所以选出d的每一行的升序列 ind=zeros(size(index)); % ind 与 index同样大的零矩阵 dtemp=zeros(size(index)); % dtemp 同理,也是与index同样大小的零矩阵 vtemp=zeros(size(v)); % vtemp 与v同样大小的零矩阵 len=length(index); % len为index的最大的维数 for i=1:len % 从1到len次的循环 dtemp(i)=B(len+1-i); % dtemp(i)的值为B(len+1-i) ind(i)=len+1-index(i); % ind(i)的值为len+1-index(i) vtemp(:,ind(i))=v(:,i); % vtemp的ind(i)列与v的i列相同 end d=dtemp; % dtemp值赋给d v=vtemp; % vtemp值赋给v %Normalization of eigenvectors % 特征矢量的规格化 for i=1:size(v,2) %access each column 访问每一行 kk=v(:,i); %将v的第i行赋给kk temp=sqrt(sum(kk.^2)); %取一个临时变量,命名为temp 将kk每一项元素进行平方运算.然后求和,再取平方根 赋给temp v(:,i)=v(:,i)./temp; %把v矩阵与temp矩阵对应的元素进行相除 再重新生成v end %Eigenvectors of C matrix %矩阵C的特征向量 u=[]; %取u为空矩阵 for i=1:size(v,2) %访问每一行 temp=sqrt(d(i)); %建立一个中间量temp d(i)为d数组中的第i个元素,将其取平方根,赋给temp u=[u (dbx*v(:,i))./temp]; %构造矩阵u end %Normalization of eigenvectors 特征向量的规格化 for i=1:size(u,2) kk=u(:,i); %将u的第i列赋给kk temp=sqrt(sum(kk.^2)); %取一个临时变量,命名为temp 将kk每一项元素进行平方运算.然后求和,再取平方根 赋给temp u(:,i)=u(:,i)./temp; %把u矩阵与temp矩阵对应的元素进行相除 再重新生成u end % show eigenfaces; 显示特征脸 figure(4); %figure4 for i=1:size(u,2) img=reshape(u(:,i),icol,irow); %通过u矩阵来重构img img=img'; %将img转置 img=histeq(img,255); %用均衡直方图来提高对比度 subplot(ceil(sqrt(M)),ceil(sqrt(M)),i) %在figure4中现实3×3的图像 imshow(img) %show img drawnow; %更新figure4 if i==3 title('Eigenfaces','fontsize',18) % 显示'Eigenfaces' end end % Find the weight of each face in the training set. 找到每个人脸在训练中的权值 omega = []; % 建立一个空矩阵omega for h=1:size(dbx,2) WW=[]; %外层循环建立一个空矩阵WW for i=1:size(u,2) t = u(:,i)'; %将u的第i列转置赋给t WeightOfImage = dot(t,dbx(:,h)'); %由t和dbx的第h列转置构成向量点,赋给WeightOfImage WW = [WW; WeightOfImage]; %构成WW end omega = [omega WW]; %构成omega end %以上部分即完成了图像的读入,规格化,特征空间的训练,特征脸的形成 %并且显示出训练图像,规格化图像,均值图像和特征脸 %以下部分为识别的部分 % Acquire new image 获得一个新的图像 % 依旧采用orl脸库中的人脸图像作为试验对象 % 与训练图像保持一致的大小 InputImage = input('Please enter the name of the image and its extension \n','s'); %输入要读取作为判别的文件 InputImage = imread(strcat(InputImage)); %在当前路径下读取文件 figure(5) %figure5 subplot(1,2,1) %在figure 5 中左右显示两个图像 imshow(InputImage); colormap('gray');title('Input image','fontsize',18) %显示输入的图像,附标题'Input image' InImage=reshape(double(InputImage)',irow*icol,1); %将输入的图像重构成序列 赋给InImage temp=InImage;