KPCA人脸识别

自己平时写的KPCA人脸识别代码,可以运行,有必要的注释

%用KPCA进行人脸识别的Matlab代码

clear
clc
allsamples=[];%所有训练图像
for i=1:40
for j=6:10
a=imread(strcat('E:\MATLAB\MATLAB\work\Data\s',num2str(i),'\',num2str(j),'.pgm'));
b=a(1:112*92); % b是行矢量 1×N，其中N＝10304，提取顺序是先列后行，即从上到下，从左到右
b=double(b);
allsamples=[allsamples; b]; % allsamples 是一个200 * 10304 矩阵，allsamples 中每一行数据代表一张图片。
end
end

cov_size=size(allsamples,1); %求allsamples的一个行数
train_num=cov_size;
patterns=allsamples; %
for i=1:cov_size
for j=i:cov_size
K(i,j) =(patterns(i,:)*patterns(j,:)'+1)^0.7; %求K矩阵，K矩阵为一个对称矩阵
K(j,i) = K(i,j);
end
end
unit = ones(cov_size, cov_size)/cov_size;
K_n = K - unit*K - K*unit + unit*K*unit; %中心化K矩阵得到K_n

[evecs,evals] = eig(K_n); %求K_n矩阵的特征值与特征向量
evals = real(diag(evals)); %diag()函数得到的为一个列向量，real()函数取实数
[l1,l2]=sort(-1*evals'); %得到的l2实际为降序的index
evals=l1*(-1);
evecs=evecs(:,l2);
for i=1:cov_size,
evecs(:,i) = evecs(:,i)/(sqrt(evals(i)));%单位化
end


%90%的贡献率
dsum = sum(evals);
dsum_extract = 0;
p = 0;
while( dsum_extract/dsum < 0.9)
p = p + 1;
dsum_extract = sum(evals(1:p));
end
max_ev=p;

%进行特征提取
features = zeros(train_num, max_ev);
features = K_n * evecs(:,1:max_ev);
allcoor = features;

accu=0;
% 测试过程
for i=1:40
for j=1:5 %读入40 x 5 副测试图像
a=imread(strcat('E:\MATLAB\MATLAB\work\Data\s',num2str(i),'\',num2str(j),'.pgm'));
b=a(1:10304);
b=double(b);
unit_test = ones(1,cov_size)/cov_size;
K_test = zeros(1,cov_size);
for j=1:cov_size,
K_test(j) = (b*patterns(j,:)'+1)^0.7; %对测试样本中的第一幅图像进行求K_test
end

K_test_n = K_test - unit_test*K - K_test*unit + unit_test*K*unit; %中心化
test_features = zeros(1, max_ev);
test_features = K_test_n * evecs(:,1:max_ev); %求这一幅测试图像的特征


tcoor=test_features; %tcoor是1×p阶矩阵
for k=1:200
mdist(k)=norm(tcoor-allcoor(k,:)); %求欧式距离，最近距离分类
end;
[dist,index2]=sort(mdist); %对距离进行排序，得到一个最近的距离
class=ceil( index2(1)/5 );
if class==i
accu=accu+1;
end;
end;
end;
accuracy=accu/200 %输出识别率
p