MATLAB实现人脸识别

特征脸方法是从主成分分析(PCA)导出的一种人脸识别和描述技术。它将包含人脸的图像区域看作一随机向量，采用K-L变换得到正交K-L基，对应其中较大特征值的基具有与人脸相似的形状，因此又被称为特征脸。利用这些基的线性组合可以描述、表达和逼近人脸图像，所以可进行人脸识别与合成。识别过程就是将人脸图像映射到由特征脸组成的子空间上，并比较其在特征脸空间中的位置，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是选择各种距离函数来进行度量分类实现人脸识别。

function [m A Eigenfaces] = EigenfaceCore（T）
% 用PCA原理决定人脸图像的最优特征，得到一个二维矩阵，包含训练图像向量，返回三个输出
% 参数:T包含训练集中所有的图像信息集合，      
% 返回值：m：（M*Nx1）训练均值;
%        Eigenfaces：（M*Nx（P-1））训练集协方差矩阵的特征向量；
%        A：（M*NxP） 每一张图像与均值图像的方差矩阵

%  Chen Yirong and He Chenhui 修改于2017-05-08
%  代码编辑matlab版本：MATLAB R2014a

m = mean（T2）; % 平均图像/列平均（每一副图像的对应象素求平均）m=（1/P）*sum（Tj‘s） （j=1 : P）
Train_Number = size（T2）;%列数，训练图片张数
%计算机每一张图片到均值图像的方差
A = [];  
  for i = 1 : Train_Number%对每一列
      temp = double（T（:i））-m; %每一张图与均值的差异
       A=[A temp]; %方差矩阵
  end
%降维
L = A‘*A; % L是协方差矩阵C=A*A‘的转置.
[VD] = eig（L）; %对角线上的元素是L|C的特征值.V:以特征向量为列的满秩矩阵，D：特征值对角矩阵。即L*V = V*D.
L_eig_vec = []; %特征值向量
for i = 1 : size（V2）  %对每个特征向量
%     if（ D（ii）>0 ）  %特征值大于0时
        L_eig_vec = [L_eig_vec V（:i）];   %集中对应的特征向量
%     end
end

Eigenfaces = A*L_eig_vec; % 计算协方差矩阵C的特征向量，得到降维了的特征A为每一张图像与均值图像的方差构成的矩阵，

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

     文件       1183  2017-05-19 23:32  人脸识别实现代码\EigenfaceCore.m

     文件       2183  2017-05-22 23:27  人脸识别实现代码\imageshow.m

     文件     376589  2017-05-03 14:39  人脸识别实现代码\ORL_32x32.mat

     文件    1490460  2017-05-03 14:39  人脸识别实现代码\ORL_64x64.mat

     文件       1309  2017-05-17 20:13  人脸识别实现代码\Recognition.m

     文件       7519  2017-05-22 21:57  人脸识别实现代码\renlianshibie.m

     文件     161026  2017-05-03 14:39  人脸识别实现代码\Yale_32x32.mat

     文件     641318  2017-05-03 14:39  人脸识别实现代码\Yale_64x64.mat

     文件         65  2017-05-17 19:56  人脸识别实现代码\代码说明.txt

     目录          0  2018-11-26 14:18  人脸识别实现代码

----------- ---------  ---------- -----  ----

              2681652                    10