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