基于神经网络的人脸识别代码

基于神经网络的人脸识别的matlab代码的实现，数字图像的课程设计

%读入人脸图片，并将其转换成为灰度矩阵然后将灰度矩阵进行切割，再用SVD分解，并提取图片特征
%返回参数
%feature为指向装载后的数据文件的变量
%num的值为特征值向量的第几维
%函数声明
function [feature] = allFeature（num）

%用户输入特征维数数目
panDuan = 1;
while panDuan 
    featureNumber = input（‘请输入特征维数（仅限于8 16，24 32，48，64，80）：‘）;
    %如果输入的是8.16.24.32.48.64.80则继续执行代码
    if（featureNumber == 8||featureNumber == 16 || featureNumber == 24|| featureNumber == 32 || featureNumber == 48 || featureNumber == 64 || featureNumber == 80 ）
        panDuan = 0;
        disp（‘开始装载图像文件请等待.......‘）
    %如果输入的是其它数字提示输入有误请用户重新输入
    else
        fprintf（‘你输入的不是这5个数中的任何一个请重新输入!\n\n‘）
    end
end
%得出图片的路径，并自动读入每张图片
dir = [‘\1.bmp ‘
    ‘\2.bmp ‘
    ‘\3.bmp ‘
    ‘\4.bmp ‘
    ‘\5.bmp ‘
    ‘\6.bmp ‘
    ‘\7.bmp ‘
    ‘\8.bmp ‘
    ‘\9.bmp ‘
    ‘\10.bmp‘];
for x=1:40
    %将数字转换成字符，便于把两个字符连接，组成图片的完整路径
    a = int2str（x）;
    b = [‘s‘];
    d = [b a];
    for i=1:10
        %得到每张图片的文件名
        e = [d dir（i1:7）];
        % 将图片转化成为灰度矩阵
        M = double（imread（e））;
        %如果用户输入的是8则执行下段代码把数据处理得到8维的特征向量
        if （featureNumber == 8）
            for j=1:4
                for k=1:2
                    %将图片的灰度矩阵划分成8块小矩阵
                    temp=M（（j-1）*28+1:j*28（k-1）*46+1:k*46）;
                    %对每个小矩阵进行SVD变换
                    [utemp1v]=svd（temp）;
                    %提取一个的SVD系数作为特征值
                    temp2=temp1（numnum）;
                    %得到所有图片的特征矩阵
                    feature（（x-1）*10+i（j-1）*2+k）=temp2;
                end
            end
        end
        %如果用户输入的是16则执行下段代码把数据处理得到16维的特征向量
        if （featureNumber == 16）
            for j=1:4
                for k=1:4
                    %将图片的灰度矩阵划分成16块小矩阵
                    temp=M（（j-1）*28+1:j*28（k-1）*23+1:k*23）;
                    %对每个小矩阵进行SVD变换
                    [utemp1v]=svd（temp）;
                    %提取一个的SVD系数作为特征值
                    temp2=temp1（numnum）;
                    %得到所有图片的特征矩阵
                    feature（（x-1）*10+i（j-1）*4+k）=temp2;
                end
            end
        end
        %如果用户输入的是24则执行下段代码把数据处理得到16维的特征向量
        if （featureNumber == 24）
            for j=1:6
                for k=1:4
                    %将图片的灰度矩阵划分成24块小矩阵
                    temp=M（（j-1）*18+1:j*18（k-1）*23+1:k*23）;
                    %对每个小矩阵进行SVD变换
                     [utemp1v]=svd（temp）;
                    %提取一个的SVD系数作为特征值
                    temp2=temp1（numnum）;
                    %得到所有图片的特征矩阵
                    feature（（x-1）*10+i（j-1）*4+k）=temp2;
                end
            end
        end

        %如果用户输入的是32则执行下段代码把数据处理得到32维的特征向量
        if （featureNumber == 32）
            for j=1:8
                for k=1:4
                    %将图片的灰度矩阵划分成32块小矩阵
                    temp=M（（j-1）*14+1:j*14（k-1）*23+1:k*23）;
                    %对每个小矩阵进行SVD变换
                    [utemp1v]=svd（temp）;
                    %提取最大的SVD系数作为特征值
                    

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       5640  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\allFeature.m

     文件        374  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\answer.m

     文件       7013  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\answer2.m

     文件       3015  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\answer3.m

     文件        732  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\content.m

     文件       1385  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\createBP.m

     文件       1562  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\createBP1.m

     文件        166  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\face20.txt

     文件       2188  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\result.m

     文件      11382  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\1.BMP

     文件      10318  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\1.pgm

     文件      11382  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\10.BMP

     文件      10318  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\10.pgm

     文件      11382  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\2.BMP

     文件      10318  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\2.pgm

     文件      11382  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\3.BMP

     文件      10318  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\3.pgm

     文件      11382  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\4.BMP

     文件      10318  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\4.pgm

     文件      11382  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\5.BMP

     文件      10318  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\5.pgm

     文件      11382  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\6.BMP

     文件      10318  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\6.pgm

     文件      11382  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\7.BMP

     文件      10318  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\7.pgm

     文件      11382  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\8.BMP

     文件      10318  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\8.pgm

     文件      11382  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\9.BMP

     文件      10318  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s1\9.pgm

     文件      11382  2017-10-15 18:51  3基于神经网络的人脸识别代码\method_svd_奇异值分解\s10\1.BMP

............此处省略831个文件信息