花了几天，终于把matlab版的人脸检测运行成功了，虽然正确率不是很高，看着各种论文上的人脸检测正确率都出奇的高，，我是不怎么相信的，有的论文连基于平均脸的人脸检测正确率都能达到98%，汗啊～～ 也许真有吧，我这里对于人脸图像没做什么其他的处理，目的只是学习一下matlab程序，拿基于PCA的人脸检测试试手。准确率有点低～～。
简单说一下程序运行的逻辑，PCA就不说了，自己去了解吧，说一下基本思想，PCA有个特征空间，人脸检测就是把待检测的图像X在特征空间中进行人脸重构，将重构后的人脸与原人脸进行比较，即比较它们的欧式距离，如果差值大于某一个阀值，则表示图像X不是一个人脸，否则就是人脸。这里人脸都是用向量表示，所以才有欧式距离之说。还有，我用的人脸库是MIT的～
实验结果中得到三张图片：
第一张图表示特征空间里面能够包含一张图片80%信息的10个特征，第1个特征包含了48%左右的信息吧
第二张图片和第三张图片的横坐标分别是人脸图像重构后和重构前的欧式距离与非人脸图像重构后和重构前的欧式距离，纵坐标分别是占各自图片的百分比。可以看出，如果欧式距离的阀值设为480左右，则人脸通过率为80%，非人脸过滤率也是80%左右。比起那些98%的确是差很多～～伤不起～
下面给出matlab代码，代码中有详细的解释，能正确运行就能得到上面三个结果图：str=’F:\code\matlab\face\face’; %图像存放路径S=0.0;%行向量dis=zeros(1,100,’double’);%每一个人脸跟平均脸的距离b=zeros(2700,400,’double’);%人脸向量矩阵for i=1:2700B=imread([str,num2str(i),’.bmp’]); %依次读取每一幅图像m = size(B, 3);if m==1I = B;elseI=rgb2gray(B);end%在此处进行你的图像处理即可A = I’;%I的转置C = A(:)’;%矩阵转换为行向量，即一张图片对应一个行向量b(i,:)=C;%S = S+C;endAvg=mean(b);%平均脸%%%显示平均脸AvgImg = reshape(Avg,20,20)’;AvgImgInt=uint8(AvgImg);imshow(AvgImgInt)%显示平均脸%% %使用PCA分析b[coef,score,latent,t2] = princomp(b);%% % 通过latent,可以知道提取前几个主成分就可以了.figure(1);percent_explained = 100*latent/sum(latent);pareto(percent_explained);xlabel(‘Principal Component’);ylabel(‘Variance Explained (%)’);print -djpeg 2;%选取前10个主特征组成新的特征空间pca10 = coef(:,1:10);%%%人脸的读取及重构facestr=’F:\code\matlab\face\’; %图像存放路径faceagr=zeros(100,10,’double’);%每一张非人脸图像映射到特征空间的系数for i=1:2700 faceagr(i,:) = (b(i,:)-Avg)*pca10; endfor i=1:2700faceImg(i,:)=Avg+(pca10*(faceagr(i,:)’))’;%人脸图像图像重构faceJuli(i)=norm(b(i,:)-faceImg(i,:));endavgJuli = mean(faceJuli);%分布图figure(2);faceymin=min(faceJuli);faceymax=max(faceJuli);facex=linspace(faceymin,faceymax,20); %将最大最小区间分成20个等分点(19等分),然后分别计算各个区间的个数faceyy=hist(faceJuli,facex); %计算各个区间的个数faceyy=faceyy/length(faceJuli); %计算各个区间的个数bar(facex,faceyy) %画出概率密度分布图%%%非人脸的读取及重构nofacestr=’F:\codematlabnoface’; %图像存放路径b1=zeros(4300,400,’double’);%非人脸向量矩阵for i=1:4300B1=imread([nofacestr,num2str(i),’.bmp’]); %依次读取每一幅图像m = size(B1, 3);if m==1I1 = B1;elseI1=rgb2gray(B1);end%在此处进行你的图像处理即可A1 = I1′;%I的转置C1 = A1(:)’;%矩阵转换为行向量，即一张图片对应一个行向量b1(i,:)=C1;%S = S+C;end%非人脸的映射bb1=zeros(1000,10,’double’);%每一张非人脸图像映射到特征空间的系数for i=1:1000 bb1(i,:) = (b1(i,:)-Avg)*pca10; endfor i=1:1000nofaceImg(i,:)=Avg+(pca10*(bb1(i,:)’))’;%非人脸图像重构nofaceJuli(i)=norm(b1(i,:)-nofaceImg(i,:));endnofaceavgJuli = mean(nofaceJuli);figure(3);nofaceymin=min(nofaceJuli);nofaceymax=max(nofaceJuli);nofacex=linspace(nofaceymin,nofaceymax,20); %将最大最小区间分成20个等分点(19等分),然后分别计算各个区间的个数nofaceyy=hist(nofaceJuli,nofacex); %计算各个区间的个数nofaceyy=nofaceyy/length(nofaceJuli); %计算各个区间的个数bar(nofacex,nofaceyy) %画出概率密度分布图%Img=reshape(X1,20,20)’;%ImgInt=uint8(Img);%imshow(ImgInt)
谁也不跟谁一辈子，有些事情没必要记在心上。
