基于PCA和SVM的人脸识别

程序中采用的数据集是ORL人脸库，该人脸库共有400副人脸图像，40人，每人10幅，大小为112*92像素，同一个人的表情，姿势有少许变化。

程序的流程主要分为三部分，数据的预处理(PCA降维和规格化)，数据的训练阶段，数据的识别阶段

数据的预处理的流程图如下：

数据的训练流程图如下：

识别流程：

下面贴上一些matlab的实现代码：

数据预处理主要是两个函数，ReadFaces和scaling，第一个函数是将训练图像存成一个200*10304的矩阵，第二个是对数据进行规格化，具体代码如下：

function [imgRow,imgCol,FaceContainer,faceLabel] = ReadFaces(nFacesPerson,nPerson,bTest)

%nFacesPersonn-----每个人需要读入的样本数，默认为5

%nPerson     ------需要读入的人数，默认为全部四十个人

%bTest       ------bool型参数。默认为0，表示读入样本前五张；1：表示后五张





%输出：  FaceContainer------向量化人脸容器，nPerson*10304的二维矩阵，每行对应一个人脸向量





if nargin==0    %默认值   

    nFacesPerson = 5;

    nPerson      = 40;

    bTest        = 0;

elseif nargin<3

    bTest        = 0;

end





img=imread('PCA_face/data/ORL/s1_1.bmp')  %为计算尺寸先读一张

[imgRow,imgCol]=size(img);





FaceContainer = zeros(nFacesPerson*nPerson,imgRow*imgCol);

facelabel     = zeros(nFacesPerson*nPerson,1);





%读入训练数据

for i=1:nPerson     %不同的人

    i1=mod(i,10);

    i0=char(i/10);

    strPath='PCA_face/data/ORL/s';

    if(i0~=0)

        strPath=strcat(strPath,'0'+i0);

    end

    strPath=strcat(strPath,'0'+i1);

    strPath=strcat(strPath,'_');

    tempStrPath=strPath;

    for j=1:nFacesPerson      %每一个人的前五张

        strPath=tempStrPath;

        if bTest==0

            strPath=strcat(strPath,'0'+j);

        else

            strPath=strcat(strPath,num2str(5+j));

        end

        

        strPath = strcat(strPath,'.bmp');

        img=imread(strPath);

        

        %把读入的图像按列存储为行向量放入向量化人脸容器FaceContainer的对应行中

        FaceContainer((i-1)*nFacesPerson+j,:)= img(:)';

        faceLabel((i-1)*nFacesPerson+j)      = i;

    end

end

%保存人脸样本矩阵

save('PCA_face/Mat/FaceMat.mat','FaceContainer');

function [ SVFM, lowVec,upVec ] = scaling( VecFeaMat,bTest,lRealBVec,uRealBVec)

% Input:  VecFeaMat --- 需要scaling的 m*n 维数据矩阵，每行一个样本特征向量，列数为维数

%         bTest ---  =1：说明是对于测试样本进行scaling，此时必须提供 lRealBVec 和 uRealBVec

%                       的值，此二值应该是在对训练样本 scaling 时得到的

%                    =0：默认值，对训练样本进行 scaling

%         lRealBVec --- n维向量，对训练样本 scaling 时得到的各维的实际下限信息

%         uRealBVec --- n维向量，对训练样本 scaling 时得到的各维的实际上限信息

%

% output: SVFM --- VecFeaMat的 scaling 版本

%         upVec --- 各维特征的上限(只在对训练样本scaling时有意义，bTest = 0)

%         lowVec --- 各维特征的下限(只在对训练样本scaling时有意义，bTest = 0)

if nargin<2

    bTest=0;

end





lTargB=-1;

uTargB=1;





[m n] = size(VecFeaMat);





if   bTest

    if nargin<4

        error('to do scaling on test,param must 4');

    end

    

    if nargout>1

        error('when do scaling ,only one output is supported');

    end

    

    for iCol = 1:n

        if  lRealBVec(iCol)==uRealBVec(iCol)

            SVFM(:,iCol) = uRealBVec(iCol);

            SVFM(:,iCol) = 0;

        else

            SVFM(:,iCol) = lTargB  +  ( VecFeaMat(:,iCol) - lRealBVec(iCol) ) / ( uRealBVec(iCol) - lRealBVec(iCol) ) * ( uTargB - lTargB );

        end

    end

else                %bTest  = 0

    upVec = zeros(1,n);

    lowVec= zeros(1,n);

    

    for iCol = 1:n

        lowVec(iCol) = min( VecFeaMat(:,iCol) );

        upVec(iCol)  = max( VecFeaMat(:,iCol) );

        

        if lowVec(iCol) == upVec(iCol)

            SVFM(:,iCol) = upVec(iCol);

            SVFM(:,iCol) = 0;

        else

            SVFM(:,iCol) = lTargB  +  ( VecFeaMat(:,iCol) - lowVec(iCol) ) / ( upVec(iCol) - lowVec(iCol) ) * ( uTargB - lTargB );

        end

    end

end



end

训练阶段的函数是train，代码如下：

function train()

%整个训练过程包括读入图像，PCA降维以及多类SVM训练，各个阶段的处理结果分别保存至文件：

%   将PCA变换矩阵W保存至 PCA_face\Mat\PCA.mat

%   将scaling的各维上下界信息保存至 PCA_face\Mat\scaling.mat

%   将PCA降维并且scaling后的数据保存至 PCA_face\Mat\trainData.mat

%   将多类SVM的训练信息保存至 PCA_face\Mat\multiSVMTrain.mat





global imgRow;

global imgCol;



global W

display('');

display('');

display('训练开始.....');





nPerson = 40;

nFacesPerson = 5;

nSplPerClass=zeros(1,nPerson);

display('读入人脸数据');

[ imgRow, imgCol, FaceContainer, faceLabel] = ReadFaces(nFacesPerson, nPerson);

save('PCA_face\Mat\FaceMat.mat','FaceContainer');

display('..................');





nFaces = size(FaceContainer, 1);%样本人脸数目





display('PCA降维...');





[pcaFaces, W] = fastPCA(FaceContainer, 20);





%pcaFaces是200*20的矩阵，每一行代表一张主成分脸

%W是分离变换矩阵， 10304*20的矩阵





visualize_pc(W);

display('............');





X=pcaFaces;

[X,A0,B0] = scaling(X);

save('PCA_face\Mat\scaling.mat','A0','B0');





%保存scaling的数据至trainData.mat

TrainData = X;

trainLabel = faceLabel;

save('PCA_face\Mat\trainData.mat','TrainData','trainLabel');

display('.........保存scaling的数据至trainData.mat..........');





for iPerson = 1:nPerson

    nSplPerClass(iPerson) = sum((trainLabel == iPerson));

end





multiSVMStruct = multiSVMTrain (TrainData, nSplPerClass, nPerson, Inf, 1);

display('正在保存训练结果.....');





save('PCA_face\Mat\multiSVMTrain.mat','multiSVMStruct');





display('训练结束.................');



end

识别阶段的函数是

function class = SVMClassify(TestFace, multiSVMStruct)



%class  ------识别出的类别

%TestFace------测试图像转换的行向量经过降维后的1*20的行向量，并经过规定化到-1~+1之间

%multiSVMStruct结构体数组，保存了两两分类的svm结构体信息

if nargin<2

    t = dir('PCA_face\Mat\multiSVMTrain.mat');

    if length(t) == 0

        error('没有找到训练结果');

    end

    load('PCA_face\Mat\multiSVMTrain.mat');

end





%nClass = multiSVMStruct.nClass;

nClass=40;

%CASVMStruct = multiSVMStruct.CASVMStruct;

CASVMStruct = multiSVMStruct;

%%%%%投票策略解决多类问题





m = size(TestFace, 1);

Voting = zeros(m,nClass);





for iIndex = 1:nClass-1

    for jIndex = iIndex+1:nClass

        classes = svmclassify(CASVMStruct{iIndex}{jIndex},TestFace);

        

        %voting

        

        Voting(:,iIndex) = Voting(:,iIndex) + (classes==1);

        Voting(:,jIndex) = Voting(:,jIndex) + (classes==0);

    end

end





%decision by voting

[vecMaxValue, class] = max(Voting, [ ] , 2);









end