基于PCA和BP神经网络的人脸识别

本程序通过pca算法进行特征提取，再用bp神经网络进行分类，最后计算出识别率。

clc

% 第一步，利用主元分析PCA法提取图像的特征矩阵
allsamples=[];                                %所有训练图像
for i=1:15
    for j=1:5
      a=imread（strcat（pwd‘\Yale\s‘num2str（i）‘\‘num2str（j）‘.bmp‘））;
      b=a（1:100*80）;                          
      b=double（b）;
      allsamples=[allsamples; b];            
    end
end
samplemean=mean（allsamples）;                  
for i=1:75
    xmean（i:）=allsamples（i:）-samplemean;    
end
sigma=xmean*xmean‘;       
[v d]=eig（sigma）;
d1=diag（d）;
[d2 index1]=sort（d1）;     
cols=size（v2）;           
for i=1:cols
    vsort（:i） = v（: index1（cols-i+1） ）;   
    dsort（i）   = d1（ index1（cols-i+1） ）;    
end    %完成降序排列
%以下选择85%的能量
dsum = sum（dsort）;
    dsum_extract = 0;
    p= 0;
    while（ dsum_extract/dsum < 0.85）
        p=p + 1;
        dsum_extract = sum（dsort（1:p））;
    end
i=1;
%计算特征脸形成的坐标系
while （i<=p && dsort（i）>0）
    base（:i） = dsort（i）^（-1/2） * xmean‘ * vsort（:i）;     % base是N×p阶矩阵，除以dsort（i）^（1/2）是对人脸图像的标准化
    i = i + 1;
end

%下面的代码，将训练样本对坐标系上进行投影得到一个 M*p 阶矩阵allcoor
allcoor = allsamples * base;

%第二步，创建并训练BP神经网络
%生成训练BP神经网络的输入 P 
P= mapminmax（allcoor）;               %归一化

%生成目标输出矢量 T
T=zeros（7515）;
 for i=1:15
    for j=1:5
      T（（i-1）*5+ji）=1;
  end
 end
 
%打乱训练样本顺序
gx2（:1:19）=P;
gx2（:20:34）=T;
xd=gx2（randperm（numel（gx2）/34）:）;
gx=xd（:1:19）;d=xd（:20:34）;
P=gx‘;
T=d‘;

%创建BP神经网络
[RQ]=size（P）;
[S2Q]=size（T）;
net=newcf（minmax（P）T[40]{‘logsig‘}‘trainscg‘）;

%训练BP神经网络
net.trainparam.epochs=5000;
net.trainparam.goal=0.0001;
net.divideFcn = ‘‘;
net=train（netPT）;

%仿真BP神经网络
Y=sim（netP）;

% 第三步，测试BP神经网络并计算其识别率
%测试BP神经网络
s=0;
for i=1:15
    for j=6:10                                %读入15x5副测试图像
         a=imread（strcat（pwd‘\Yale\s‘num2str（i）‘\‘num2str（j）‘.bmp‘））;
         b=a（1:8000）;
         b=double（b）;
         tcoor= b * base;                   %计算坐标，是1×p阶矩阵
         X = mapminmax（tcoor）;              %归一化
         Z=sim（netX‘）;
         [ziindex2]=max（Z）;
         if index2==i   
             s=s+1;

          end
     end
end

%计算识别率
accuracy=s/Q;
fprintf（2‘采用PCA和神经网络的识别率为：%.3f%%\n\n‘accuracy*100）;

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       2410  2017-12-28 13:18  PCA+BP\pcabp.m

     文件        271  2017-12-28 20:19  PCA+BP\readme.txt

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s1\1.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s1\10.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s1\11.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s1\2.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s1\3.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s1\4.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s1\5.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s1\6.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s1\7.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s1\8.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s1\9.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s10\1.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s10\10.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s10\11.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s10\2.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s10\3.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s10\4.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s10\5.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s10\6.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s10\7.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s10\8.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s10\9.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s11\1.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s11\10.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s11\11.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s11\2.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s11\3.bmp

     文件       9080  2017-11-01 23:06  PCA+BP\Yale\s11\4.bmp

............此处省略159个文件信息