基于PCA的人脸识别01 - 基本原理; Matlab使用入门; 训练集数据预处理

墨迹了好一阵不知道从哪下手，终于硬着头皮开始折腾了。打算先借鉴别人做过的~ 对照着代码一点一点抠：

http://blog.csdn.net/hesays/article/details/39498375

--------------------------------- 2015/03/26 ---------------------------------

PCA的基本原理

前几天试着研究了一下主成分分析法（PCA）的原理，离理解透彻还差很远。之前学过的线性代数，由于用得少，基本上还给老师了。有很多基本概念都还不清楚，比如矩阵的特征向量和特征值，特征值分解，基，等等等等。CSDN上有很多大神的解释，看得似懂非懂，像本身不会英语还去查英英词典，对一个问题的解释又会牵扯出更多的问题，实在是看不到头。暂时允许自己不求甚解一次，只阐述主要的部分，在以后的研究中如果有了更深的理解再重新作整理和总结。

1. 为什么需要用到PCA

图像本身的数据量大，导致处理过程的计算量大。但数据之间存在一定的相关性，也就是说这些信息中有大量的冗余。PCA的目的就在于检测并试图去除这种相关性，提取出数据的主要成分，从而降低冗余，提高信息处理的效率。

2. 实现步骤：

使用ORL人脸数据库进行实验，数据库共有400幅图像，40个人每人10幅，图像尺寸为112x92。人为地将数据库分为训练集和测试集：将每个人的前5幅图像作为训练集，用于学习每个人的特征；后5幅图像作为测试集，作为系统的输入，逐个判断其类别，并计算识别率。

①将训练集原始数据中心化（即：均值归零）

②计算协方差矩阵、以及它的特征值和对应的特征向量

③选取最大的k个特征值及其对应特征向量，组成一组新的基

④将测试集图像对这组新的基投影，得到降维后的新特征，即所谓的特征脸

⑤采用恰当的分类准则（例如最小距离准则）判定输入人脸是谁  [待定]

3. 理解难点：为什么通过协方差矩阵的特征值分解，就能得到数据的主成分？ [待补充]

--------------------------------- 2015/03/28 ---------------------------------

MATLAB使用入门

1. 前面的内容看起来太高大上了。。打开Matlab还是啥也不会，摔。。先从最简单的入手吧。你都想不到有多简单：我来加载一张图片。

ORL人脸数据库的40个人各有10张图片，分别放在s1,s2,s3,...,s40这样的子文件夹里。如果当前工作路径是s1文件夹，用 imread() 函数读取图片的时候，括号里的内容只需填写文件名+后缀。如果当前工作路径不是s1，那么使用 imread() 时应在括号里给出文件完整路径。

前面所说参考的那篇文章里，作者将400张图片重新命名，比如第16个人的第9张图片命名为 016009，这样文件名中就包含了“该图片属于第几个样本”的信息，感觉对测试时计算识别率可能有用，不知道有没有这个必要，[待定]

2. 下面来计算s1这个文件夹里10张图片的平均值：

第一次出错之后发现，想要用某个变量 i 来控制图像自动依次读取，就必须使用 strcat() 这个函数。num2str(i) ，即 number to string，的意思是将循环变量 i 这个数字转变为字符串。接下来再由 strcat() 函数将字符串 i 和后面的‘.bmp’拼接起来，共同组成文件名。

上面这一小片代码的解释：

 samples=[];                                          %Create an EMPTY vector.用于存放10张图片的灰度值信息，每一行代表一张图片

 for i=1:10
       a=imread(strcat(num2str(i),'.bmp'));           %读取第i张图片，存入a
       b=a(1:112*92);                                 %将a转换为一维数组（即行向量），存入b
       b=double(b);                                   %转换数据类型为double
       samples=[samples;b];                           %每循环一次，就在原来的sample后面添加一行
 end
 
 samplemean=mean(samples);                            %mean()函数，求输入矩阵的每一列的均值，并返回一个行向量samplemean
 figure,imshow(mat2gray(reshape(samplemean,112,92))); %将samplemean这个行向量reshape为112x92的数组，mat2gray=matrix to grayscale image

转换数据类型为double的意义暂不明确，试过删掉这一行，好像并不影响结果。

Matlab的帮助系统很好用，不懂的函数就去Product help里搜，会有解释和举例，很清楚~

3. 下面来计算所有训练样本（放在40个文件夹中的200张图片）的平均值，并对训练集数据进行均值归零：

close all; clear all; clc;

%======================①预处理：将训练集数据中心化======================%

training_set=[];            %创建一个空白数组，用于存放所有训练集图像
for i=1:40
    for j=1:5               %只读取每个人的前五张图片作为训练图像
        a=imread(strcat('s',num2str(i),'\',num2str(j),'.bmp'));
        b=a(1:112*92);      %将以上数据转换为1×N的行向量存入b，N=112×92=10304
                            %提取顺序是从上到下，从左到右
        b=double(b);        %强制数据类型转换，便于后面的运算操作
        training_set=[training_set;b];
        %每循环一次，就在原来的traing_set后面添加一行
        %traing_set是一个M×N矩阵，每一行代表一张图片。M=40×5=200, N=10304
    end
end

Mean=mean(training_set);    
%计算平均图片，得到一个1×N的行向量

for i=1:200
    X(i,:)=training_set(i,:)-Mean;
    %每个图片的数据都减去均值，实现训练集数据的均值归零（中心化）
    %减号两边的数据类型必须相同，原始数据的像素灰度值为整数，而平均值是浮点数，所以前面要转换。
end

figure;
%开个图形窗口
subplot(1,2,1),imshow(mat2gray(reshape(Mean,112,92))); title('Mean');   
%窗口中，左图显示200张训练集的平均脸
subplot(1,2,2),imshow(mat2gray(reshape(X(1,:),112,92))); title('S1P1-Mean');
%窗口中，右图显示第一个人的第一张图片（记为s1p1）减去平均脸后的效果。

这一步曾经因为没有把 b 的数据类型转换为double而报错了：因为对原始图片数据和平均值数据进行了减法操作。减号两边的数据类型必须相同，原始数据的像素灰度值为整数，而平均值是浮点数。所以前面的代码中必须加上数据类型转换，后面才能相减。