采用pca方法的人臉識別系統畢業論文-資料下載頁

　　

【正文】 %在figure 5 中左右顯示兩個圖像 imshow(InputImage)。 colormap(39。gray39。)。title(39。Input image39。,39。fontsize39。,18) %顯示輸入的圖像,附標題39。Input image39。 InImage=reshape(double(InputImage)39。,irow*icol,1)。 %將輸入的圖像重構成序列 賦給InImage temp=InImage。 %將InImage賦給temp me=mean(temp)。 %取temp的均值,賦給me st=std(temp)。 %取temp的標準偏移,賦給st temp=(tempme)*ustd/st+um。 %由次表達式處理temp NormImage=temp。 %將temp賦給NormImage Difference=tempm。 %temp與m的差為Difference NormImage=Difference。 %將Difference賦給NormImage p = []。 %建立一個空矩陣p aa=size(u,2)。 %由u的緯度得到aa的值 for i = 1:aa %aa次循環 pare = dot(NormImage,u(:,i))。 %由NormImage,u的i列構造矢量點pare p = [p。 pare]。 %將pare用于構造p矩陣 end ReshapedImage = m + u(:,1:aa)*p。 %m is the mean image, u is the eigenvector m為均值圖像,u是特征矢量,取u矩陣的1到aa列與p矩陣相乘,再與m相加 ReshapedImage = reshape(ReshapedImage,icol,irow)。 ReshapedImage = ReshapedImage39。 %將ReshapedImage轉置 %show the reconstructed image. 現實重構圖像 subplot(1,2,2) %在figure5的右邊顯示重構的圖像 imagesc(ReshapedImage)。 colormap(39。gray39。)。 %度量ReshapedImage,將它顯示出來 title(39。Reconstructed image39。,39。fontsize39。,18) %標題:Reconstructed image InImWeight = []。 %建立一個空矩陣InImWeight for i=1:size(u,2) t = u(:,i)39。 %將u的i列轉置,賦給t WeightOfInputImage = dot(t,Difference39。)。 %構造矢量點WeightOfInputImage InImWeight = [InImWeight。 WeightOfInputImage]。 %構造InImageWeight end ll = 1:M。 % figure(6) subplot(1,2,1) %figure6左邊顯示輸入圖像的權值 stem(ll,InImWeight) %利用stem函數,劃分離散序列數據 title(39。Weight of Input Face39。,39。fontsize39。,14) %標題Weight of Input Face % Find Euclidean distance 找到歐幾里得距離 e=[]。 %建立一個空矩陣e for i=1:size(omega,2) q = omega(:,i)。 %讀取omega的第i列 DiffWeight = InImWeightq。 %用InImWeightq得到DiffWeight mag = norm(DiffWeight)。 %得到DiffWeight的范數,賦給mag e = [e mag]。 %構造e矩陣 end kk = 1:size(e,2)。 subplot(1,2,2) %在figure 6 右邊顯示 stem(kk,e) %劃分顯示離散序列數據 title(39。Euclidean distance of input image39。,39。fontsize39。,14) %標題Euclidean distance of input image MaximumValue=max(e) %顯示e中的最大值 MinimumValue=min(e) %顯示e中的最小值八、心得體會此次是我們的最后一次課程設計，沒有了剛開始的那種茫然。我們這次的設計還是以小組的形式，利用所學知識，設計一個基于PCA方法的人臉識別系統。要求系統可以對各類文件格式的人臉文件進行分析，可以對一定長度的人臉訓練集進行特征值提取，能夠顯示特征臉、平均臉，能夠由特征向量構造訓練集內部或外部的任意人臉文件，并且完成比對誤差及人臉識別的功能。由于這次課程設計是在研究生考試之前，所以，我們大多數人都沒有很好的做出來最后的結果同時也讓我充分認識到自己的空想與實踐的差別，認識莫眼高手低，莫閉門造車，知識都在不斷更新和流動之中，而扎實的基礎是一切創造的源泉，只有從本質上理解了原理，才能更好的于疑途尋求柳暗花明，實現在科學界的美好暢游和尋得創造的快樂。還有就是每次在2號樓做試驗都會感覺特別的充實， 老師都很耐心的為我們解決試驗中所出現的問題，像以前做實驗一樣，到最后嗓子沙啞，有時候甚至耽誤了回去的班車，但你們也沒有說過什么，最后真心的感謝老師對我們課程設計的建議和幫助，我們才得以圓滿的！完成這次課程設計九．參考文獻[1] Matthew Turk. Alex Pentland. Eigenfaces for recognition[J], Journal of Cognitive Neuroscience, Volume 3 , Issue 1 , P 7186, 1991[2] 薛年喜. MATLAB在數字信號處理中的應用[M]. 北京：清華大學出版社,2003.[3] 程佩青. 數字信號處理教程[M]. 北京：清華大學出版社,2003[4] 付麗琴,桂志國,王黎明. 數字信號處理原理及實現[M].北京：國防工業出版社,2004[5] 丁玉美. 數字信號處理 [M]. 西安：西安電子科技大學出版社,2003 25