1、DSP綜合實驗課程設(shè)計報告題目:采用主成分分析方法的人臉識別系統(tǒng)院系名稱:電子信息學(xué)院類別:雪豪學(xué)生:講師:2020年1月前言信號處理系列課程是電子信息類專業(yè)的核心課程，包括六門課程:信號與系統(tǒng)、隨機信號分析、數(shù)字信號處理、DSP原理及應(yīng)用、語音信號處理、數(shù)字圖像處理。前三門是基礎(chǔ)課，后三門是專業(yè)應(yīng)用課。數(shù)字信號處理是電子信息工程和通信工程專業(yè)的一門重要的理論和實踐必修課。其目的是讓學(xué)生了解數(shù)字信號處理的基本理論、基本分析方法、基本算法和基本實現(xiàn)方法。包括離散時間大規(guī)模集成電路系統(tǒng)的理論，其時域和頻域分析方法，DFT算法，F(xiàn)FT算法，以及IIR和FIR濾波器的結(jié)構(gòu)和設(shè)計方法，為后續(xù)的課程學(xué)習(xí)和

2、工作實踐奠定理論基礎(chǔ)。DSP原理及應(yīng)用是一門應(yīng)用性很強的專業(yè)課程，DSP技術(shù)是目前信息技術(shù)行業(yè)廣泛應(yīng)用的先進技術(shù)。本課程的目的是使學(xué)生在掌握數(shù)字信號處理基本理論的前提下，了解DSP的發(fā)展現(xiàn)狀和應(yīng)用領(lǐng)域，掌握DSP的基本硬件結(jié)構(gòu)特點和開發(fā)環(huán)境，學(xué)習(xí)DSP硬件設(shè)計和軟件編程的基本方法，為今后數(shù)字信號處理的應(yīng)用和研究打下基礎(chǔ)。語音信號處理是一門發(fā)展迅速、應(yīng)用廣泛的前沿交叉學(xué)科，也是一門跨學(xué)科的綜合應(yīng)用研究領(lǐng)域和新技術(shù)。它是迅速發(fā)展的情報學(xué)研究領(lǐng)域之一，其研究涉及一系列前沿課題。本課程的目的是使學(xué)生了解語音信號處理的原理、方法和應(yīng)用，以及該學(xué)科當(dāng)前的發(fā)展趨勢和方向。其中一些能反映智能信息處理技術(shù)、現(xiàn)代

3、信號處理技術(shù)等前沿和新興技術(shù)在語音信號處理中的應(yīng)用、最新研究成果和進展。數(shù)字圖像處理是研究數(shù)字圖像處理的基本理論和方法，系統(tǒng)介紹圖像分析的基本理論和實際應(yīng)用。目的是使學(xué)生系統(tǒng)地掌握數(shù)字圖像處理的基本概念、基本原理、實現(xiàn)方法和實用技術(shù)，了解數(shù)字圖像處理的基本應(yīng)用和目前國外的發(fā)展方向。是一門涉及多個領(lǐng)域的專業(yè)應(yīng)用課程，與圖像通信、模式識別、計算機視覺等學(xué)科交叉，為以后相關(guān)領(lǐng)域的研究和發(fā)展打下堅實的基礎(chǔ)。為了幫助學(xué)生深入理解和消化基礎(chǔ)理論，進一步提高學(xué)生的綜合應(yīng)用能力，鍛煉學(xué)生獨立解決問題的能力，我們通過整合數(shù)字信號處理、DSP原理及應(yīng)用、語音信號處理、數(shù)字圖像處理幾門課程，設(shè)計了一門DSP綜合實驗

4、課。在學(xué)生所學(xué)的基礎(chǔ)上，查閱相關(guān)資料，自主設(shè)計，并通過實驗裝置實施，綜合分析結(jié)果，尋找最佳設(shè)計方案。目錄導(dǎo)言1目錄22概述33課程設(shè)計的四個基本要求設(shè)計的五種能力和目的46課程設(shè)計的組織形式4七課程設(shè)計寬容與原則5八個設(shè)計步驟9九。設(shè)計源程序15十種體驗21十一篇參考文獻22一.概述信號處理系列課程是電子信息類專業(yè)的核心課程，包括六門課程:信號與系統(tǒng)、隨機信號分析、數(shù)字信號處理、DSP原理及應(yīng)用、語音信號處理、數(shù)字圖像處理。前三門是基礎(chǔ)課，后三門是專業(yè)應(yīng)用課。為了幫助學(xué)生深入理解和消化基礎(chǔ)理論，進一步提高學(xué)生的綜合應(yīng)用能力，鍛煉學(xué)生獨立解決問題的能力，我們通過整合數(shù)字信號處理、DSP原理及應(yīng)用

5、、語音信號處理、數(shù)字圖像處理幾門課程，設(shè)計了一門DSP綜合實驗課。主要從以下兩個方面入手:1.設(shè)計信號處理理論和技術(shù)的綜合應(yīng)用。比如信號濾波實驗，語音信號中混有噪聲，要求學(xué)生濾除語音信號中的噪聲。學(xué)生首先要分析信號頻譜，然后選擇濾波器類型，再確定濾波器參數(shù)，最后設(shè)計和應(yīng)用濾波器。而不是簡單的給出過濾器類型和設(shè)計指標(biāo)。2.如何將DSP原理與應(yīng)用、語音信號處理、數(shù)字圖像處理三門課程有機結(jié)合起來，設(shè)計一個實用的系統(tǒng)。在學(xué)生所學(xué)的基礎(chǔ)上，查閱相關(guān)資料，自主設(shè)計，并通過實驗裝置實施，綜合分析結(jié)果，尋找最佳設(shè)計方案。希望學(xué)生通過完成一門與信號處理相關(guān)學(xué)科的理論設(shè)計、程序設(shè)計和實驗調(diào)試任務(wù)，提高分析和解決實

6、際問題的能力。本次設(shè)計要求將課程中所學(xué)的算法實現(xiàn)、Matlab仿真、程序設(shè)計、DSP開發(fā)平臺調(diào)試等知識進行應(yīng)用，以加深對信號處理知識的理解和應(yīng)用，培養(yǎng)可編程DSP芯片的開發(fā)技能。二，課程設(shè)計的基本要求1.設(shè)計過程以小組為單位，每個小組有一個組長，負責(zé)組織協(xié)調(diào)本小組的討論和任務(wù)分工；2.設(shè)計過程必須在本組內(nèi)獨立完成，不允許跨組參考或抄襲，避免方案雷同；3.設(shè)計書應(yīng)打印在B5紙上，并使用統(tǒng)一的封面裝訂；4.課程設(shè)計原則上應(yīng)在3周內(nèi)完成；5.最后一周的周五進行優(yōu)秀設(shè)計方案評選，在各組推選代表進行方案介紹的基礎(chǔ)上，評選出2-3個優(yōu)秀設(shè)計方案。6.在完成規(guī)定設(shè)計能力的基礎(chǔ)上，有余力的同學(xué)可以進一步設(shè)計能

7、力，提高綜合應(yīng)用能力，鍛煉獨立解決問題的能力。三。設(shè)計內(nèi)容和目的1.課程設(shè)計的主要內(nèi)容題目:采用主成分分析方法的人臉識別系統(tǒng)利用所學(xué)知識，設(shè)計了一個基于PCA方法的人臉識別系統(tǒng)。要求系統(tǒng)能夠分析各種文件格式的人臉文件，提取一定長度的人臉訓(xùn)練集的特征值，顯示特征值和平均臉，由特征向量構(gòu)造訓(xùn)練集內(nèi)或訓(xùn)練集外的任意人臉文件，完成誤差比較和人臉識別功能。2.課程設(shè)計的目的1.熟悉人臉檢測和識別的基本原理和實現(xiàn)方法；2.熟悉Matlab的使用和常見的信號處理功能，能使用Matlab進行一般的數(shù)字圖像處理操作。3.掌握基于PCA的人臉識別的步驟和算法。4.通過對實際人臉圖像的處理，了解通用DSP系統(tǒng)設(shè)計的

8、開發(fā)過程；熟悉數(shù)字圖像處理常用功能的使用和通用數(shù)字圖像處理系統(tǒng)的設(shè)計方法；5.掌握主成分分析、特征值和特征臉的實現(xiàn)方法，獲得人臉識別的感性認識；6.培養(yǎng)認真的工作作風(fēng)和科學(xué)態(tài)度。通過課程設(shè)計的實踐，幫助學(xué)生逐步樹立正確的生產(chǎn)觀、經(jīng)濟觀和全局觀。第四，課程設(shè)計的組織形式課程設(shè)計過程以小組為單位進行。講師向?qū)W生分發(fā)課程設(shè)計的相關(guān)背景資料，并告訴他們課程設(shè)計的方法、步驟和要求。設(shè)計過程采用集中課堂指導(dǎo)，分散設(shè)計的方式進行。課程設(shè)計由23人組成，要求在分工合作、充分討論、相互啟發(fā)的基礎(chǔ)上形成設(shè)計方案。在課程設(shè)計結(jié)束時，需要提交一份課程設(shè)計報告。必要時可要求每個小組選出一名代表對課程設(shè)計方案進行論證和答

9、辯，并對部分優(yōu)秀設(shè)計成果進行評價。第五，課程設(shè)計的容忍度和原則1.為什么要設(shè)計PCA人臉識別系統(tǒng)？人臉識別一直是圖像處理和模式識別領(lǐng)域的研究熱點和難點。這項技術(shù)有著廣泛的應(yīng)用背景，如身份認證、信用卡識別、駕照和護照的驗證、銀行和海關(guān)的監(jiān)控系統(tǒng)、一些單位的自動警衛(wèi)系統(tǒng)等。根據(jù)特征和分類方法的不同，人臉識別大致可以分為三類:1)提取人臉幾何特征的方法；2)基于特征分析的模板匹配；3)統(tǒng)計分析方法，如主成分分析(PCA)、彈性圖匹配、隱馬爾可夫模型、神經(jīng)網(wǎng)絡(luò)等。其中，基于主成分分析1的特征臉1方法因其計算簡單、概念清晰而受到研究者的青睞。主成分分析(PCA)，也稱為特征臉方法，已經(jīng)成為人臉識別的基本

10、方法之一。M. Kirby和L. Sirovich Kkirby，1990使用PCA來表征人臉圖像。他們認為任何圖像都可以通過一組特征臉的線性加權(quán)和近似重構(gòu)，其權(quán)重系數(shù)可以通過將人臉圖像投影到特征臉空間中得到。M. Turk和A. Pentland將PCA應(yīng)用于人臉檢測和識別Turk，1991a土耳其人，1991年b。2.2的原則。主成分分析算法PCA(主成分分析)算法是人臉識別中一種比較新的算法。其優(yōu)點是識別率高，識別速度快。2.1.主成分分析原理設(shè)x是代表環(huán)境的m維隨機向量。假設(shè)x的平均值為零，即:Ex=O。設(shè)W表示為M維單位向量，X投影在其上。該投影被定義為矢量x和w的乘積，表示為:主成

11、分分析的目的是找到權(quán)重向量w以最大化表達式Ey2的值:根據(jù)線性代數(shù)理論可知，最大化滿足公式子值的訓(xùn)練應(yīng)滿足以下公式:即使最大化上式的W是矩陣Cx的最大特征值對應(yīng)的特征向量。2.2.主成分求解步驟在PCA中，主要要求是找到方差最大化的變換方向，具體求解步驟如下:(1)構(gòu)造關(guān)聯(lián)矩陣:Cx=Ex*xT，CX PN * N .在實際應(yīng)用中，由于原始數(shù)據(jù)的數(shù)學(xué)期望不易求解，我們可以用下面的公式近似構(gòu)造關(guān)聯(lián)矩陣:(其中x1，x2，.，xN，是每個原始灰度圖像的所有像素對應(yīng)的向量，n是原始圖像的個數(shù))首先，計算Cx的各個特征值。(3)將特征值按大小排序。(2)(4)計算對應(yīng)于前m個特征值的正交特征向量以形成

12、W.(5)將原始數(shù)據(jù)投影到特征向量W上，得到原始圖像的主要特征數(shù)據(jù)。2.3主成分的求解方法通過以上分析可以知道，主成分分析的問題最終轉(zhuǎn)化為求協(xié)方差矩陣的特征值和特征向量的問題，以及主成分正交分解的算法。3.特征臉?biāo)惴ㄌ卣髂樖抢弥鞒煞址治鲞M行特征提取的經(jīng)典算法之一。人臉特征方法是從主成分分析中衍生出來的一種人臉識別和描述技術(shù)。人臉特征法將包含人臉的圖像區(qū)域視為一個隨機向量，因此可以通過K-L變換得到正交的K-L基。其中，較大特征值對應(yīng)的基具有與人臉相似的形狀，所以也稱為特征臉。這些基的線性組合可以用來描述、表達和近似人臉圖像，因此可以進行人臉識別和合成。識別過程是將人臉圖像映射到特征人臉形成的

13、子空間，并在特征空間中將其位置與已知人臉進行比較。具體步驟如下:(1)初始化，獲取人臉圖像的訓(xùn)練集并計算特征臉，定義為人臉空間，存儲在模板庫中供系統(tǒng)識別；(2)輸入新的人臉圖像，將其映射到特征人臉空間，獲得一組關(guān)于人臉的特征數(shù)據(jù)；(3)通過檢查圖像與人臉空間的距離來判斷圖像是否是人臉；(4)如果是人臉，根據(jù)權(quán)重模式判斷是否是數(shù)據(jù)庫中的人，并進行具體操作。如何計算特征臉:設(shè)人臉圖像I(x，y)為二維N*N灰度圖像，用N維向量r表示，人臉圖像的訓(xùn)練集為Ri|i=1，M，其中M為訓(xùn)練集中圖像的總數(shù)，這M幅圖像的平均向量為:每個面部Ri和平均面部之間的差向量是:訓(xùn)練圖像的協(xié)方差矩陣可以表示為:其中A=

14、1，M。人臉由協(xié)方差矩陣C的正交特征向量組成.對于N*N張人臉圖像，協(xié)方差矩陣C的大小為N2*N2，因此求解其特征值和特征向量非常困難。另一種方法是:也就是協(xié)方差矩陣的轉(zhuǎn)置矩陣，可以知道這個矩陣是M*M的一個較小的矩陣(M是訓(xùn)練的面數(shù))。首先計算M*M矩陣L的特征向量vi(l=l，M)，然后通過差分圖像i(i=1，M)和vi(l=l，M)的線性組合得到矩陣C的特征向量ui(l=1，M): U=u1，um實際上m(m I = imread( test . png )；%將圖像文件test.png讀入變量I尺寸(一)%來獲取矩陣I的行和列的大小。ans =320 240一(1:10，1:10)%顯

15、示了矩陣I的1-10行和1-10列ans =26 20 20 22 22 20 19 20 22 2226 24 19 22 22 19 21 24 24 2225 24 22 24 21 19 20 22 24 2225 21 21 24 22 20 21 22 24 2024 20 22 25 22 19 20 21 25 2420 19 22 22 24 21 21 24 22 2420 20 21 25 25 24 24 25 20 2020 20 21 24 26 25 25 25 20 2020 19 22 24 24 25 24 24 22 2121 17 21 25 21 22

16、 24 25 22 21 colormap(灰色(256)；%顯示256個值的灰度。圖像(一)；%將矩陣I顯示為圖片。 da SPECT(1 1 1)；%將x:y設(shè)置為1 1:13.加載待訓(xùn)練的人臉集圖像，存儲在一個大矩陣中。Matlab適合矩陣運算。這里，使用matlab的函數(shù)進行矩陣運算比使用C編程代碼更簡單?？梢约虞d的訓(xùn)練集文件存放在同一個目錄下，文件名存放在一個文件中，方便閱讀。訓(xùn)練集中的每個人臉圖像切片被存儲為大矩陣的一列。顯示圖像時，注意將一維數(shù)據(jù)還原為二維數(shù)據(jù)。運行結(jié)果如圖2所示。 L = Imgs(:，10)；%取大矩陣的一列。 L = shape(L，w，h)；% Resha

17、pes函數(shù)將列向量轉(zhuǎn)換為二維矩陣。圖像(L)； colormap(灰色(256)； da SPECT(1 1 1)；圖2由訓(xùn)練集矩陣顯示的集合的每個圖像4.獲取訓(xùn)練圖像集的主成分特征向量。采用Turk和Pentland提出的算法來獲得特殊的向量，下面的代碼繪制了特征值和特征向量的圖譜，執(zhí)行結(jié)果如圖3所示。劇情(瓦爾斯)；%畫特征值圖。 CVals = zeros(1，長度(Vals)；%使向量的長度等于Vals CVals(1)= Vals(1)； 對于i = 2:長度(Vals特征值的累積和CVals(I)= CVals(I-1)+Vals(I)；結(jié)束； CVals = CVals/sum(

18、Vals)；%被設(shè)置為1劇情(CVals)； ylim(0 1)；圖3畫出特征值圖。5.顯示特征面在人臉的相關(guān)研究中，通常在子空間中使用PCA方法來定義最佳的人臉風(fēng)格表情。一些訓(xùn)練面部圖像集被用于生成特征臉，并且面部空間被擴展，使得這些圖像中的面部區(qū)域被投影到圖像的子空間中并被聚類。相同的非人臉區(qū)域的訓(xùn)練圖像將通過相同的方法被投影到相同的空間并被聚類。然后，比較兩個投影的子空間，得到人臉區(qū)域和非人臉區(qū)域在子空間投影上的分布。然后，比較兩個投影的子空間，得到人臉區(qū)域和非人臉區(qū)域在子空間投影上的分布。圖4示出了圖2所示的訓(xùn)練面部圖像集的特征面部顯示。例如，通過觀察特征臉的顯示結(jié)果，我們可以生動地認

19、識到特征臉是粗糙臉。圖4是對應(yīng)于圖2中的訓(xùn)練臉部圖像集的特征臉部顯示6.平均人臉顯示訓(xùn)練集的平均面，即均值面，是矩陣每一列數(shù)據(jù)的平均值。如圖5所示，是圖2中訓(xùn)練人臉圖像集對應(yīng)的平均人臉。圖5平均圖像7.從特征人臉重建訓(xùn)練集人臉圖像。這些特征可以重建訓(xùn)練集的人臉圖像。圖6a)是訓(xùn)練集圖像的再現(xiàn)，圖6b)是每個特征臉的權(quán)重和歐幾里德距離。圖6a圖6 b這些特征還可以在訓(xùn)練集之外重建人臉圖像。圖7a)是訓(xùn)練集之外的圖像的再現(xiàn)，圖7b)是每個特征臉的權(quán)重和歐幾里德距離。(一)(二)圖7七。設(shè)計源程序清除%刪除變量關(guān)閉%關(guān)閉窗口。Clc%清除窗口m = 9；經(jīng)過訓(xùn)練的圖片數(shù)量百分比選擇的標(biāo)準差和平均值。

20、選定的標(biāo)準值和平均值它可以是接近大多數(shù)圖像的標(biāo)準差和平均值的任何數(shù)字。大多數(shù)圖片接近標(biāo)準值和平均值的百分比如下:um = 100%平均值ustd = 80%標(biāo)準值%讀取并顯示圖像(BMP)；閱讀和顯示圖片的功能部分:s =；% imgmatrices是一個圖像矩陣。圖(1)；%打開圖1對于i=1:M%,打開集合M=9的訓(xùn)練圖像。str=strcat(int2str(i)，。PGM)；%連接構(gòu)成圖像名稱的兩個字符串當(dāng)前目錄中的% 19.pgmeval( img = im read(str)；);Im (img)%顯示圖像如果i=3標(biāo)題(定型集， fontsize ，18)%標(biāo)題目標(biāo)drawnow

21、%更新數(shù)字1irow icol=大小(img)；temp=reshape(img ，irow*icol，1)；%創(chuàng)建一個(N1*N2)x1矩陣創(chuàng)建一個N1N21矩陣。S =S temp；目標(biāo)這里我們改變所有圖像的平均值和標(biāo)準差。我們將所有圖像標(biāo)準化。%該部分更改所有圖像的平均值和標(biāo)準值，并使圖像正?；?。這樣做是為了減少由于光照條件造成的誤差。%這可以減少由光源條件引起的誤差。對于i=1:size(S，2) %size返回矩陣S的維數(shù)。temp=double(S(:，I)。%雙精度m =平均值(溫度)；平均百分比。st=std(溫度)；%標(biāo)準偏差s(:，I)=(temp-m)* ustd/ST+

22、um；%這個公式平均s。目標(biāo)%顯示標(biāo)準化圖像使用圖2顯示標(biāo)準化圖像。圖(2)；因為我=1:Mstr=strcat(int2str(i)，。BMP)；%讀入19.bmp文件img = shape(S(:，I)，icol，irow)；%重構(gòu)imgimg = img ；%換位eval(imwrite(img，str)；%執(zhí)行字符串plot(cell(sqrt(m)、cell(sqrt(m)、I)%與上述相同，以形成33圖像排列。Im (img)%顯示圖像drawnow%更新數(shù)字2如果i=3標(biāo)題(標(biāo)準化訓(xùn)練集， fontsize ，18)目標(biāo)目標(biāo)%平均圖像；平均圖像m =均值(S，2)；TMI mg

23、= uint 8(m)；img = shape(tmimg，icol，irow)；%獲取n1 * n2x 1向量并創(chuàng)建一個n2xn 1矩陣，以創(chuàng)建一個N2N1矩陣。img = img ；通過轉(zhuǎn)置圖像創(chuàng)建一個N1XN2矩陣。找到img的轉(zhuǎn)置矩陣圖(3)；imshow(img)；標(biāo)題(“平均圖像”，“字體大小”，18)用于操作的圖像改變用于處理的圖像。dbx =；% A矩陣A矩陣因為我=1:Mtemp=double(S(:，I)。%采用雙精度。dbx =dbx temp；%將兩個矩陣相加。目標(biāo)協(xié)方差矩陣C=AA，L=AA 協(xié)方差矩陣a = dbx ；%矩陣A是從上面獲得的dbx的轉(zhuǎn)置矩陣獲得的。l

24、 = A * A；%A矩陣和A矩陣的轉(zhuǎn)置矩陣的乘積給出L矩陣。l的特征向量是l的特征向量。dd是L=dbx*dbx和C=dbx*dbx 的特征值；Dd是L=dbx*dbx和C=dbx*dbx 的特征值vv DD= EIG(L)；排序和精英認為整八值為零。選擇并消除特征值為0的那個。v =；%將v留空。d =；%將d留空。對于i=1:size(vv，2)If(dd(i，i)1e-4)%用這個表達式來度量。v=v vv(:，I)；d=d dd(i，I)；目標(biāo)目標(biāo)排序，將返回一個升序序列選擇一個可以返回降序序列。B索引= sort(d)；ind=zeros(大小(索引)；具有與索引一樣大的% ind

25、的零矩陣dt EMP = zeros(size(index)；同理，% dtemp是一個與index大小相同的零矩陣。vtemp =零(大小(v)；% vtemp是一個與v大小相同的零矩陣。len =長度(索引)；% len是索引的最大維度。對于i=1:len%從1到len循環(huán)dt EMP(I)= B(len+1-I)；% dtemp(i)的值是B(len+1-i)ind(I)= len+1-index(I)；% ind(i)的值是len+1-index(i)vtemp(:，ind(i)=v(:，I)；% vtemp的列ind(i)與v的列I相同。目標(biāo)d = dtemp% dtemp的值被賦給

26、d。v = vtemp% vtemp的值被分配給v。特征向量的規(guī)范化%特征向量的規(guī)范化對于I = 1: size (v，2)% access，每列訪問每一行kk=v(:，I)；%將V的第I行賦給kktemp=sqrt(sum(kk。2);%取一個名為temp的臨時變量，對kk的每個元素求平方。然后求和，將平方根賦給temp。v(:，i)=v(:，I)。/temp；目標(biāo)C矩陣的特征向量%矩陣C的特征向量。u =；%取U為空矩陣對于i=1:size(v，2)%訪問每一行temp = sqrt(d(I)；u=u (dbx*v(:，I)。/temp；%構(gòu)造矩陣u目標(biāo)特征向量歸一化對于i=1:size(

27、u，2)kk=u(:，I)；%將U的第I列賦給kktemp=sqrt(sum(kk。2);%取一個名為temp的臨時變量，對kk的每個元素求平方。然后求和，將平方根賦給temp。u(:，i)=u(:，I)。/temp；%劃分U矩陣和temp矩陣對應(yīng)的元素，重新生成U。目標(biāo)顯示特征臉；顯示特征面圖(4)；%圖4對于i=1:size(u，2)img = shape(u(:，I)，icol，irow)；%通過U矩陣重建圖像img = img ；%轉(zhuǎn)置圖像img=histeq(img，255)；%使用平衡直方圖來提高對比度。圖4中的Plot (CEIL (sqrt (m)，CEIL (sqrt (m)

28、，I)%是一個33的圖像。im show(img)%顯示imgdrawnow%更新圖4如果i=3Title (Eigenfaces ， Fontsize ，18)%顯示 Eigenfaces 目標(biāo)目標(biāo)找出訓(xùn)練集中每張臉的權(quán)重。求訓(xùn)練中每張臉的權(quán)重。omega =；%創(chuàng)建一個空矩陣對于h=1:size(dbx，2)WW =；%外部循環(huán)建立一個空矩陣WW。對于i=1:size(u，2)t = u(:，I)；%將U的第I列轉(zhuǎn)置賦值給t。weightoimage = dot(t，dbx(:，h)；%被T和dbx的H列轉(zhuǎn)置形成向量點，賦給WeightOfImage。WW =WW；weightoimage

29、；%構(gòu)成WW目標(biāo)omega =omega WW；%構(gòu)成歐米伽。目標(biāo)90%以上的圖像被讀入、歸一化、特征空間的訓(xùn)練和特征臉的形成.%并顯示訓(xùn)練圖像、歸一化圖像、均值圖像和特征臉。%識別以下零件。獲取新圖像獲取新圖像。%仍然使用orl人臉數(shù)據(jù)庫中的人臉圖像作為實驗對象。%保持與訓(xùn)練圖像相同的大小。InputImage = input(請輸入圖像的名稱及其擴展名n ， s )；%輸入要讀取的文件作為鑒別。input image = im read(strcat(input image)；%讀取當(dāng)前路徑中的文件。圖(5)%圖5Plot (1，2，1)%顯示了圖5中左側(cè)和右側(cè)的兩個圖像。im show(

30、input image)；色彩映射表(“灰色”)；Title (Input image ， fontsize ，18)%顯示帶有標(biāo)題 Input image 的輸入圖像in image = shape(double(input image)，irow*icol，1)；%將輸入圖像重建序列分配給圖像。temp = InImage%將圖像分配給tempme =均值(temp)；%取temp的平均值，賦給我。st=std(溫度)；%取temp的標(biāo)準偏移量，賦給ST。temp =(temp-me)* ustd/ST+um；% temp由輔助表達式處理。NormImage = temp%將臨時分配給正常

31、圖像差值= temp-m；%temp和m之間的差異是差異NormImage =差異；%將差異分配給NormImage。p =；%建立一個空矩陣p。aa=size(u，2)；%從u的緯度得到aa的值。對于i = 1:aa %aa周期pare = dot(NormImage，u(:，I)；%向量點對由normimage，u的列I構(gòu)成。p =p；pare；%使用pare構(gòu)造p矩陣。目標(biāo)ReshapedImage = m + u(:，1:aa)* p；% m是均值圖像，u是特征向量m是均值圖像，u是特征向量。取U矩陣的1到aa列，乘以P矩陣，再加上m。ReshapedImage = reshape(R

32、eshapedImage，icol，irow)；ReshapedImage = ReshapedImage ；%轉(zhuǎn)置整形圖像%顯示重建的圖像。逼真的重建圖像Plot (1，2，2)%顯示了圖5右側(cè)的重建圖像。imagesc(ReshapedImage)；色彩映射表(“灰色”)；%測量并顯示整形圖像。Title(未重構(gòu)的圖像， fontsize ，18)% title:“未重構(gòu)的圖像”最小重量=；%創(chuàng)建最小重量的空矩陣對于i=1:size(u，2)t = u(:，I)；%轉(zhuǎn)置U的第I列，并將其賦給t。WeightOfInputImage = dot(t，Difference )；%構(gòu)建向量點權(quán)重輸入圖像最小重量=最小重量；WeightOfInputImage；%構(gòu)造圖像權(quán)重目標(biāo)ll = 1:M；%圖(6)Plot (1，2，1)% figure6輸入圖像的權(quán)重顯示在左側(cè)。Stem(ll，InImWeight)%使用Stem函數(shù)劃分離散系列數(shù)據(jù)。Title(輸入面的權(quán)重， fontsize ，14)% title 輸入面的權(quán)重%查找歐幾里得距離查找歐幾里得距離e =；%創(chuàng)建一個空矩陣e。對于i=1:大小(，2)q =(:，I)；%閱讀歐米伽的第一列diff weight = in imweight-q；%使用最小重量-q獲得不同重量。mag = n