（12）MATLAB PCA+adaboost人脸识别

function multiAdaboostStruct = multiAdaboostTrain(TrainData, nSampPerClass,nClass)
%function multiAdaboostStruct = multiAdaboostTrain(TrainData, nSampPerClass)
% 采用1对1投票策略将 Adaboost 推广至多类问题的训练过程，将多类Adaboost训练结果保存至multiAdaboostStruct中
%
% 输入:--TrainData:每行是一个样本人脸
%     --nClass:人数，即类别数
%     --nSampPerClass:nClass*1维的向量，记录每类的样本数目，如 nSampPerClass(iClass)
%     给出了第iClass类的样本数目
%
% 输出:--multiAdaboostStruct:一个包含多类Adaboost训练结果的结构体
%开始训练，需要计算每两类间的分类超平面，共(nClass-1)*nClass/2个
for ii=1:(nClass-1)
    for jj=(ii+1):nClass
        clear X;
        clear Y;
        startPosII = sum( nSampPerClass(1:ii-1) ) + 1;
        endPosII = startPosII + nSampPerClass(ii) - 1;
        X(1:nSampPerClass(ii), :) = TrainData(startPosII:endPosII, :);
            
        startPosJJ = sum( nSampPerClass(1:jj-1) ) + 1;
        endPosJJ = startPosJJ + nSampPerClass(jj) - 1;
        X(nSampPerClass(ii)+1:nSampPerClass(ii)+nSampPerClass(jj), :) = TrainData(startPosJJ:endPosJJ, :);
        
        
        % 设定两两分类时的类标签
        Y = ones(nSampPerClass(ii) + nSampPerClass(jj), 1)+1;
        Y(nSampPerClass(ii)+1:nSampPerClass(ii)+nSampPerClass(jj)) = 1;
        
        % 第ii个人和第jj个人两两分类时的分类器结构信息
        AdaboostStruct{ii}{jj}=ADABOOST_tr(@threshold_tr,@threshold_te, X, Y, 20);%进行20次迭代
     end
end

% 已学得的分类结果
multiAdaboostStruct.AdaboostStruct = AdaboostStruct;
multiAdaboostStruct.nClass = nClass;

function class = multiAdaboostClassify(TestFace, multiAdaboostStruct)

% 输入:--TestFace:测试样本集。m*n 的2维矩阵，每行一个测试样本
%     --multiAdaboostStruct:多类Adaboost的训练结果，由函数 multiAdaboostTrain 返回，默认是从Mat/multiAdaboostTrain.mat文件中读取
%
% 输出:--class: m*1 列向量，对应 TestFace 的类标签


% 读入训练结果
if nargin < 2
    t = dir('Mat/multiAdaboostTrain.mat');
    if length(t) == 0
        error('没有找到训练结果文件，请在分类以前首先进行训练！');
    end
    load('Mat/multiAdaboostTrain.mat');
end

nClass = multiAdaboostStruct.nClass; % 读入类别数
AdaboostStruct = multiAdaboostStruct.AdaboostStruct; % 读入两两类之间的信息




%%%%%%%%%%%%%%%%%%%%%%%% 投票策略解决多类问题 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%
m = size(TestFace, 1);
Voting = zeros(m, nClass); % m个测试样本，每个样本nPerson 个类别的投票箱

for iIndex = 1:nClass-1
    for jIndex = iIndex+1:nClass
        classes=ADABOOST_te(AdaboostStruct{iIndex}{jIndex},@threshold_te,TestFace);
        % 投票
        Voting(:, iIndex) = Voting(:, iIndex) + (classes == 2);
        Voting(:, jIndex) = Voting(:, jIndex) + (classes == 1);
                
    end % for jClass
end % for iClass



% final decision by voting result
[vecMaxVal, class] = max( Voting, [], 2 );
%display(sprintf('TestFace对应的类别是:%d',class));

训练样本

function train(C, gamma)
% 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 Mat/PCA.mat
%   将 scaling 的各维上、下界信息保存至 Mat/scaling.mat
%   将 PCA 降维并且 scaling 后的数据保存至 Mat/trainData.mat

%   将多类 Adaboost 的训练信息保存至 Mat/multiAdaboostTrain.mat

global imgRow;
global imgCol;
global SVM;
global Adaboost;

display(' ');
display(' ');
display('训练开始...');

nPerson=40;
nFacesPerPerson = 5;
display('读入人脸数据...');
[imgRow,imgCol,FaceContainer,faceLabel]=ReadFaces(nFacesPerPerson,nPerson);
display('..............................');


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

display('PCA降维...');
[pcaFaces, W] = fastPCA(FaceContainer, 20); % 主成分分析PCA
% pcaFaces是200*20的矩阵, 每一行代表一张主成分脸(共40人，每人5张)，每个脸20个维特征
% W是分离变换矩阵, 10304*20 的矩阵
visualize_pc(W);%显示主成分脸
display('..............................');

X = pcaFaces;

display('归一化开始...');
display('.........');
[X,A0,B0] = scaling(X);
save('Mat/scaling.mat', 'A0', 'B0');
% 保存 scaling 后的训练数据至 trainData.mat
TrainData = X;
trainLabel = faceLabel;
save('Mat/trainData.mat', 'TrainData', 'trainLabel');
display('归一化完成...');

display('训练分类器开始，这个过程可能会花上几分钟.........................');

    for iPerson = 1:nPerson
        nSplPerClass(iPerson) = sum( (trainLabel == iPerson) );
    end

    multiAdaboostStruct = multiAdaboostTrain(TrainData, nSplPerClass ,nPerson);
    display('正在保存Adaboost训练结果...');
    save('Mat/multiAdaboostTrain.mat', 'multiAdaboostStruct');
display('..............................');
display('训练完成。');

测试过程

function test()
% 测试对于整个测试集的识别率
%
% 输出：accuracy --- 对于测试集合的识别率

global SVM;
global Adaboost;

display(' ');
display(' ');
display('测试开始...');

nFacesPerPerson = 5;
nPerson = 40;
bTest = 1;
% 读入测试集合
display('读入测试集合...');
[imgRow,imgCol,TestFace,testLabel] = ReadFaces(nFacesPerPerson, nPerson, bTest);
display('..............................');

% 读入相关训练结果
display('载入训练参数...');

    load('Mat/PCA.mat');
    load('Mat/scaling.mat');
    load('Mat/trainData.mat');
    load('Mat/multiAdaboostTrain.mat');
    display('..............................');

    % PCA降维
    display('PCA降维处理...');
    [m n] = size(TestFace);
    TestFace = (TestFace-repmat(meanVec, m, 1))*V; % 经过pca变换降维
    TestFace = scaling(TestFace,1,A0,B0);
    display('..............................');
    
     % 多类 AdaBoost 分类
    display('测试集识别中...');
    classes = multiAdaboostClassify(TestFace);
    display('..............................');
    
    % 计算识别率
    nError = sum(classes ~= testLabel);
    accuracy = 1 - nError/length(testLabel);
    display(['PCA+Adaboost对于测试集200个人脸样本的识别率为', num2str(accuracy*100), '%']);

识别主要代码

function nClass = classify(newFacePath)
% 整个分类（识别）过程
global SVM;
global Adaboost;

display(' ');
display(' ');
display('识别开始...');

% 读入相关训练结果
display('载入训练参数...');

    load('Mat/PCA.mat');
    load('Mat/scaling.mat');
    load('Mat/trainData.mat');
    load('Mat/multiAdaboostTrain.mat');
    display('..............................');
  
    xNewFace = ReadAFace(newFacePath); % 读入一个测试样本
    xNewFace = double(xNewFace);
    xNewFace = (xNewFace-meanVec)*V;% 经过pca变换降维
    xNewFace = scaling(xNewFace,1,A0,B0);


    display('身份识别中...');
    nClass = multiAdaboostClassify(xNewFace);
    display('..............................');
    display(['身份识别结束，类别为：' num2str(nClass), '。']);