【人脸识别】PCA+SVM人脸识别（准确率）【含GUI Matlab源码 823期】

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab武动乾坤博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

🔊博主简介：985研究生，Matlab领域科研开发者；

🚅座右铭：行百里者，半于九十。

🏆代码获取方式：
优快云 Matlab武动乾坤—代码获取方式

更多Matlab图像处理仿真内容点击👇
①Matlab图像处理（进阶版）

⛳️关注优快云 Matlab武动乾坤，更多资源等你来！！

⛄一、简介

1 PCA-SVM原理
1.1 主成分分析PCA
本文处理的所有原始图片都是112x 92大小的pgm格式图片， 每幅图片包含10304个像素点， 每一行代表一个样本，维数就是10304维。维数过大使得数据处理工作十分复杂，同时，图片特征之间的强相关性还会导致“维数灾难”。快速高效的人脸识别，其关键在于提取到精准表征人脸的特征。从人脸图像中找出最能表征人脸的特征空间，是主成分分析(Principal Component Analysis， PC A) [2] 在人脸特征提取中的基本思想。在这个过程中， 不能表征人脸的属性会被剔除(降维的过程)，也就是在一个高维特征空间中利用一组系数对特征加权，来重新表示一张人脸图片。PCA过程的数学描述如下：


1.2 支持向量机SVM
给定训练集，在特征空间上找到一个分类超平面，将样本点分到不同的类。存在唯一的分类超平面，使得样本点距离分类超平面的距离最大。其中，距离超平面最近的点为该超平面的支持向量。找到该超平面后，对于待测点，通过计算该点相对于超平面的位置进行分类。其中，一个点距离分类超平面的距离越大，表明分类预测的确信程度越高。
支持向量机(Support Vector Machine， SVM) 需要做的就是找出一个超平面， 使得在两类样本点能完全分离的情况下，尽可能使样本边界的距离最大。

SVM是一个两类分类器， 而大多数实际分类问题都是多类分类问题， 那么就需要利用SVM这个二分类器去实现一个多类问题的分类。本文人脸识别程序中， 采用的是一对一的投票策略， 即在任意两类样本之间设计一个SVM分类器，分类为得票最多的类。

2 MATLAB工具软件
本文通过MATLAB工具软件， 对PC A-SVM人脸识别方法进行仿真计算。MATLAB人脸识别程序的使用界面上分为三个按钮：“测试准确率”“选择照片”和“图像匹配”，既可以方便操作，又可以使识别结果直观地显示出来。点击“开始运行”按钮调用的是主函数face.m， 对人脸数据进行处理； 点击“选择照片”按钮调用子函数GUl open， 用户可以在相应的文件路径下选择人脸照片； 点击“人脸识别”按钮调用子函数GUI reg， 通过每张图片所对应的标签来进行匹配， 从而得出识别结果。

3 PCA-SⅤM人脸识别模型的建立
3.1人脸库构建
人脸识别模型的建立首先需要适当的人脸库。本文分两步构建人脸库。
(1) 选择OR L人脸数据库加入本文人脸库， 其中包含40个人的每人10张人脸图片， 一共400张图片， 每张大小是112×92像素， 图片格式是pgm。
(2) 作者利用电脑摄像头拍了10张本人的照片， 将这10张图片的格式转化为pgm格式， 同时大小也转化为112×92像素，加入本文人脸库。
3.2训练集数据处理
这里将每个人的前5张人脸图片作为训练集，后5张人脸图片作为测试集。训练集数据处理步骤如下：
(1) 读入训练集数据， 储存在矩阵f_matrix(205*10304) 中。
(2) 对训练集数据进行PC A降维， 本文选择的降维维数是100。
(3)规范化特征数据，将同一个样本中的不同维度归一化，从而对于不同的属性之间也可以进行比较。
这里特别增加了一个显示特征脸的步骤。由于数据降至100维，在低维空间中的基就是100张特征脸，其他所有经过降维的脸都可以通过这100张特征脸线性表示。图1显示了前10个特征脸。

图1 特征脸显示
3.3 参数选择
在PCA-SVM人脸识别模型建立中， 参数取值如下：
(1) n persons：样本包含41个人的人脸， 将n persons设置为41。
(2)flag：flag为0时子函数ReadFace.m读取训练样本数据， flag为1时读取测试样本数据。
(3) k：表示降维至k维。该参数在子函数fast PC A.m中以输入参数出现， 在后面的SVM训练中也有用处。k值与gamma值有很大关联， 这里经过反复调整将k设置为100。
(4) low vec：经过降维后的图像数据pc a face的最小值， 通过设置low new，即新的边界的下限，对数据进行归一化处理。
(5) up vec：经过降维后的图像数据pc a face的最大值， 通过设置up new， 即新的边界的上限， 对数据进行归一化处理。
(6)核函数：本文选择的是高斯核函数。
(7) gamma：参数gamma是选择高斯核函数RBF作为核函数后该函数自带的一个参数。它隐含地决定了数据映射到新的特征空间后的分布。gamma越大， 支持向量越少， 反之支持向量越多。支持向量的个数直接影响到训练与预测的速度。gamma如果设置得很大， 会使得高斯分布显得高而窄，只作用于支持向量样本附近，对于未知样本的分类效果很差，最终会导致训练准确率很高，而识别准确率很低的结果，即过拟合。而gamma设置过小， 则会造成平滑效应过大， 对于噪声不敏感。本文设置参数gamma时， 在10-3~103的范围依次尝试，最终设置为0.01。
(8)c：参数c可以理解为惩罚参数，类似于正则化中一的作用。c越大，意味着拟合非线性的能力越强，但是容易入出现过拟合的情况，而c过小会导致出现欠拟合的情况，总而言之，c过大或者过小，泛化能力都会变差。本文设置参数c为1。

4 PCA-SⅤＭ人脸识别模型的测试
测试时，首先读取测试数据，类似于处理训练数据，需要对测试数据进行降维和归一化处理，然后利用训练所得的模型对测试数据集进行分类识别。将识别结果与本身自带的标签(即这是第几个人的人脸图片)进行比对，可以获得识别准确率。测试结果表明， 基于PCA-SVM的人脸识别方法准确率为83.9024%。这里选取第8个人的人脸图片作为示例，可以看到在最终的人脸识别阶段可以准确地进行人脸识别。
备注：简介部分仅作为理论参考，与本文程序和运行结果略有出入。

⛄二、部分源代码

function varargout = test(varargin)
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @test_OpeningFcn, …
‘gui_OutputFcn’, @test_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end

function test_OpeningFcn(hObject, eventdata, handles, varargin)
global imgrow imgcol V pcaface accuracy
imgrow=112;
imgcol=92;%读取的图像为112*92
npersons=41;%选取41个人的脸
disp(‘读取训练数据…’);
f_matrix=ReadFace(npersons,0);%读取训练数据
nfaces=size(f_matrix,1);%样本人脸的数量

%低维空间的图像是（npersons*5）k的矩阵，每行代表一个主成分脸，每个脸20维特征
disp(‘训练数据PCA特征提取…’);
mA=mean(f_matrix);%求每个属性的均值
k=20;%降维至20维
[pcaface,V]=fastPCA(f_matrix,k,mA);%主成分分析法特征提取
%pcaface是20020
disp(‘训练特征数据规范化…’)
lowvec=min(pcaface);
upvec=max(pcaface);
scaledface=scaling(pcaface,lowvec,upvec);

disp(‘SVM样本训练…’)
gamma=0.0078;
c=128;
multiSVMstruct=multiSVMtrain(scaledface,npersons,gamma,c);
save(‘recognize.mat’,‘multiSVMstruct’,‘npersons’,‘k’,‘mA’,‘V’,‘lowvec’,‘upvec’);

disp(‘读取测试数据…’)
[testface,realclass]=ReadFace(npersons,1);

disp(‘测试数据降维…’)
m=size(testface,1);
for i=1:m
testface(i,:)=testface(i,:)-mA;
end
pcatestface=testface*V;
disp(‘测试特征数据规范化…’)
scaledtestface=scaling(pcatestface,lowvec,upvec);
disp(‘样本分类…’)
class=multiSVM(scaledtestface,multiSVMstruct,npersons);

disp(‘测试完成！’)
accuracy=sum(classrealclass)/length(class);
set(handles.change_font,‘string’,‘请先选择照片…’)
handles.output = hObject;
guidata(hObject, handles);
function [f_matrix,realclass]=ReadFace(npersons,flag)
%读取ORL人脸库照片里的数据到矩阵
%输入：
% npersons-需要读入的人数，每个人的前五幅图为训练样本，后五幅为验证样本
% imgrow-图像的行像素为全局变量
% imgcol-图像的列像素为全局变量
% flag-标志，0表示读入训练样本，1表示读入测试样本
%输出：
%已知全局变量：imgrow=112;imgcol=92;
global imgrow;
global imgcol;
realclass=zeros(npersons5,1);%zeros 创建全零数组 矩阵创建了一个2001的零矩阵
f_matrix=zeros(npersons5,imgrowimgcol);%创建了一个200*（11292）的零矩阵，把训练集中所有的人脸都放在这个f_matrix中
for i=1:npersons
facepath=‘./orl_faces/s’;%训练样本集的路径
facepath=strcat(facepath,num2str(i));%strcat 字符串拼接 num2str()把数字转为字符串
facepath=strcat(facepath,‘/’);
cachepath=facepath;%得到图片的路径
for j=1:5
unction [ scaledface] = scaling( faceMat,lowvec,upvec )
%特征数据规范化
%输入??faceMat需要进行规范化的图像数据，
% lowvec原来的最小值
% upvec原来的最大值
upnew=1;
lownew=-1;
[m,n]=size(faceMat);
scaledface=zeros(m,n);
for i=1:m
scaledface(i,:)=lownew+(faceMat(i,:)-lowvec)./(upvec-lowvec)(upnew-lownew);
end
end
voting=zeros(m,nclass);
for i=1:nclass-1
for j=i+1:nclass
class=svmclassify(multiSVMstruct{i}{j},testface);
voting(:,i)=voting(:,i)+(class1);
voting(:,j)=voting(:,j)+(class==0);
end
end
[~,class]=max(voting,[],2);
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]孟逸凡,柳益君.基于PCA-SVM的人脸识别方法研究[J].科技视界. 2021,(07)
[2]张娜,刘坤,韩美林,陈晨.一种基于PCA和LDA融合的人脸识别算法研究[J].电子测量技术. 2020,43(13)
[3]陈艳.基于BP神经网络的人脸识别方法分析[J].信息与电脑(理论版). 2020,32(23)
[4]戴骊融,陈万米,郭盛.基于肤色模型和SURF算法的人脸识别研究[J].工业控制计算机. 2014,27(02)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合