1、基于PCA的人脸识别代码
2、MATLAB ELM+PCA人脸识别
2、基于PCA的人脸识别（matlab）（采用PCA算法进行人脸识别，通过抽取人脸的主要成
分，构成特征脸空间，识别时将测试图像投影到此空间，得到一组投影系数，通过与训
练样本库中的人脸图像比较进行识别选择最佳匹配人脸）
3、OpenCV的PCA人脸识别
4、PCA+GUI的人脸识别程序matlab
5、PCA人脸识别matlab代码（包括测试，集归）
6、PCA-SVM人脸识别代码（采用PCA进行人脸特征脸的提取，基于osu-svm进行分类，采用
的数据集是ORL，识别正确率可达93%。资源包括代码，osu-svm工具箱，实验保存的数
据以及对程序的详细说明）

7、pca人脸识别
8、Haar人脸检测+SVM+PCA人脸识别
9、基于PCA的人脸识别matlab代码
10、基于pca实现人脸识别matlab代码（有较好的识别效果）
11、pca的人脸识别程序
12、PCA人脸识别定位（matlab代码）
13、PCA人脸识别，GUI界面（对ORL人脸库的PCA人脸识别，内涵11个m文件以及一个结
果演示的Word。运行facegui.m可以直接运行，无需任何修改。这里使用了GUI界面，功能
是查看识别成功率以及图片的识别）
14、基于PCA的人脸识别代码（MATLAB版）
15、Matlab PCA+SVM人脸识别（包含GUI界面设计）
16、基于PCA算法的人脸识别
17、基于PCA与SVM的人脸识别matlab代码
18、基于PCA的人脸识别（采用PCA算法确定一个子空间，最后使用最小距离法进行识别，
并用matlab实现）
19、基于PCA和BP神经网络的人脸识别（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）
20、PCA人脸识别Eigenface’特征脸Matlab
21、EBGM，PCA等四种不同的人脸识别算法
22、PCA和LDA人脸识别matlab代码（最紧邻分类器）
23、基于PCA的人脸识别MATLA B实现及GUI设计
24、ORL人脸库的PCA人脸识别，GUI界面matlab
25、pca的人脸识别程序matlab
26、PCA算法实现人脸识别（基于matlab GUI界面）
27、基于PCA-HOG的人体检测代码-包括训练，PCA降维，线性、高斯检测c++

1 简介

人脸识别是生物特征识别和人工智能领域特别重要的课题之一.讨论了统计主成分分析法(Principal Component Analysis,PCA)在人脸识别中的应用.PCA是基于统计的方法,可以对人脸库数据起到降低维数,去除相关性等作用.通过Kauhunen-Loeve变换(K—L变换)将人脸库变换到新的坐标系,得到人脸特征子空间,然后将待测人脸图像投影到特征子空间,最后利用2-范数距离分类器进行分类,从而达到识剐的目的.最后利用人脸库对其进行了测试.

2 部分代码

%%Using Eigen vectors,Matrix,Normalization of Image & Matrix comparison.

% Face recognition 
clear all
close all
clc
% To Take number of images on your training set.
M=20;

%Chosen std and mean. 
%It can be any number that it is close to the std and mean of most of the images.
um=100;
ustd=80;

%read and show images(here pgm format);
S=[];   %img matrix
figure(1);
for i=1:M
   str=strcat(int2str(i),'.pgm');   %concatenates two strings that form the name of the image
   eval('img=imread(str);');
   subplot(ceil(sqrt(M)),ceil(sqrt(M)),i)
   imshow(img)
   if i==3
       title('Image Data set','fontsize',18)
   end
   % drawnow;
  [irow icol]=size(img);    % get the number of rows (N1) and columns (N2)
   temp=reshape(img',irow*icol,1);     %creates a (N1*N2 x1 matrix
   S=[S temp];         %X is a N1*N2xM matrix after finishing the sequence
                       %this is our S
end


%Here we change the mean and std of all images. We normalize all images.
%This is done to reduce the error due to lighting conditions.
for i=1:size(S,2)
   temp=double(S(:,i));
   m=mean(temp);
   st=std(temp);
   S(:,i)=(temp-m)*ustd/st+um;
end

%show normalized images
%figure(2);
%for i=1:M
%   str=strcat(int2str(i),'.jpg');
%   img=reshape(S(:,i),icol,irow);
%   img=img';
%   eval('imwrite(img,str)');   
%   subplot(ceil(sqrt(M)),ceil(sqrt(M)),i)
%   imshow(img)
%   drawnow;
%   if i==3
%       title('Normalized Image Data Set','fontsize',18)
%   end
%end


%mean image;
m=mean(S,2);   %obtains the mean of each row instead of each column
tmimg=uint8(m);   %converts to unsigned 8-bit integer. Values range from 0 to 255
img=reshape(tmimg,icol,irow);    %takes the N1*N2x1 vector and creates a N2xN1 matrix
img=img';       %creates a N1xN2 matrix by transposing the image.
figure(3);
imshow(img);
title('Mean Image','fontsize',18)

% Change image for manipulation
ImgMan=[];   % A matrix 
for i=1:M
   temp=double(S(:,i));
   ImgMan=[ImgMan temp];
end

%Covariance matrix C=A'A, L=AA'
A=ImgMan';
L=A*A';
% vv are the eigenvector for L
% dd are the eigenvalue for both L=ImgMan'*ImgMan and C=ImgMan*ImgMan';
[vv dd]=eig(L);
% Sort and eliminate those whose eigenvalue is zero
v=[];
d=[];
for i=1:size(vv,2)
   if(dd(i,i)>1e-4)
       v=[v vv(:,i)];
       d=[d dd(i,i)];
   end
end

%sort, will return an ascending sequence
[B index]=sort(d);
ind=zeros(size(index));
dtemp=zeros(size(index));
vtemp=zeros(size(v));
len=length(index);
for i=1:len
   dtemp(i)=B(len+1-i);
   ind(i)=len+1-index(i);
   vtemp(:,ind(i))=v(:,i);
end
d=dtemp;
v=vtemp;


%Normalization of eigenvectors
for i=1:size(v,2)       %access each column
  kk=v(:,i);
  temp=sqrt(sum(kk.^2));
  v(:,i)=v(:,i)./temp;
end

%Eigenvectors of C matrix
u=[];
for i=1:size(v,2)
   temp=sqrt(d(i));
   u=[u (ImgMan*v(:,i))./temp];
end

%Normalization of eigenvectors
for i=1:size(u,2)
  kk=u(:,i);
  temp=sqrt(sum(kk.^2));
u(:,i)=u(:,i)./temp;
end


% show eigenfaces;
figure(4);
for i=1:size(u,2)
   img=reshape(u(:,i),icol,irow);
   img=img';
   img=histeq(img,255);
   subplot(ceil(sqrt(M)),ceil(sqrt(M)),i)
   imshow(img)
   drawnow;
   if i==3
       title('Eigenfaces','fontsize',18)
   end
end

% Find the weight of each face in the training set.
omega = [];
for h=1:size(ImgMan,2)
   WW=[];    
   for i=1:size(u,2)
       t = u(:,i)';    
       WeightOfImage = dot(t,ImgMan(:,h)');
       WW = [WW; WeightOfImage];
   end
   omega = [omega WW];
end


% Acquire new image
% Note: the input image must have a pgm or jpg extension. 
%       It should have the same size as the ones in your training set. 
%       It should be placed on your desktop 
InputImage = input('Please enter the name of the image and its extension \n','s');
InputImage = imread(strcat('',InputImage));
figure(5)
subplot(1,2,1)
imshow(InputImage); colormap('gray');title('Input image','fontsize',18)
InImage=reshape(double(InputImage)',irow*icol,1);  
temp=InImage;
me=mean(temp);
st=std(temp);
temp=(temp-me)*ustd/st+um;
NormImage = temp;
Difference = temp-m;

p = [];
aa=size(u,2);
for i = 1:aa
   pare = dot(NormImage,u(:,i));
   p = [p; pare];
end
ReshapedImage = m + u(:,1:aa)*p;    %m is the mean image, u is the eigenvector
ReshapedImage = reshape(ReshapedImage,icol,irow);
ReshapedImage = ReshapedImage';
%show the reconstructed image.
subplot(1,2,2)
imagesc(ReshapedImage); colormap('gray');
title('Matched image','fontsize',18)

%InImWeight = [];
%for i=1:size(u,2)
%   t = u(:,i)';
 % WeightOfInputImage = dot(t,Difference');
  % InImWeight = [InImWeight; WeightOfInputImage];
%end

%ll = 1:M;
%figure(68)
%subplot(1,2,1)
%stem(ll,InImWeight)
%title('Weight of Input Face','fontsize',14)

% Find Euclidean distance
%e=[];
%for i=1:size(omega,2)
%   q = omega(:,i);
 % DiffWeight = InImWeight-q;
 % mag = norm(DiffWeight);
 % e = [e mag];
%end

%kk = 1:size(e,2);
%subplot(1,2,2)
%stem(kk,e)
%title('Eucledian distance of input image','fontsize',14)

%MaximumValue = max(e)
%MinimumValue = min(e)

3 仿真结果

4 参考文献

[1]孙强, 叶玉堂, 邢同举,等. 基于主成分分析法的人脸识别的探讨与研究[J]. 电子设计工程, 2011, 19(20):101-104.