人脸图像分类算法康乐乐.doc

深圳大学考试答题纸 (以论文、报告等形式考核专用)二○ 一四 ～二○ 一五 学年度第 1 学期 课程编号 2202500001 课程名称 科学计算语言 主讲教师 刘维湘 评分 学 号 2012220001 姓名 康乐乐 专业年级 生物医学工程2012 一班 教师评语： 题目： 人脸图片的分类算法 论文要求及评分标准： 自拟题目，并根据给定的数据集，对项目相关的背景，任务和意义 进行阐述(25’)； 对项目中的核心算法的原理进行说明（20’）； 提供完整代码，并提供代码必要的详细注释(20)； 对实验结果进行分析和讨论(20’); 列出必需的主要参考文献(15’)。 进行人脸图片分类的背景及意义： 二十一世纪是一个信息时代。在这个信息量极度膨胀的世界，我们有需要建立起一种基于计算机的信息自动归类系统。对于图片信息来说，其所表现的内容就更多了。一张图片所包含的信息量往往要多于相同存储空间的文字内容。因此图片的分析也就成了当代的热门话题。在分析图像信息之前，我们有必要先对图像信息进行分类。这就像是将浩如烟海的书籍整理排列，建成图书馆的过程。人脸图像的分类服务于人脸识别。人脸识别是新兴的一种技术。它根据人脸的不同特征，进行身份信息的验证。这项技术前景较为广阔。在信息化的社会中，我们将通过储存于计算机中的人脸图像来快速验证个人信息。如果这项技术发展成熟，那么无疑，将给安保等行业带来一场改革。人脸识别的前提就在于人脸图像的分类，这正是一项浩大工程的基础，研究人脸分类的算法自然也受到了特别的重视。 实验过程： 2.1 对实验数据的分析： 实验选择的数据来自于NYU_UMist人脸数据集。我们首先要对这组数据进行一定的理解。根据数据本身的注释行：Grayscale faces 8 bit [0-255], a few images of several different people.400 total images, 64x64 size.我们可以知道，这组数据描述了400张黑白人脸图像，每张图像的像素点为64*64=4096个； 我们将数据载入，得到如下结果： 图1. 载入数据包后 从图中可以看出，有一个名为“faces”的矩阵，它的大小为4096*400，我们可以想象，400代表着400幅人脸图像，而4096则是每幅图像的特征。因为每幅图像的像素点的确为4096个，这也刚好佐证了我们的猜想。由此可见，矩阵“faces”所表现的正是这400张人脸图像，并且通过4096个特征来刻画每一幅图像，这4096个特征对应于图像的4096个像素点。 图2. 给出的400张人脸图像 从图片可以看出，400张图像描述的是40个不同的人，其中每人都有10张不同角度的人脸图像。 2.2 分类算法： Knnclassify的作用是，给出已知类别的一组样本，然后对于新输入的样本，用最临近样本的标签推测新样本的标签。 clear all load olivettifaces faces=faces; %将矩阵进行转置，使行表示样本，列表示特征 a=[0;0;0;0;0;0;0;0;0;0]; %添加标签 group=[]; for i=1:40 group=[group;a+i]; End K = 40; % Cross-validataion folds rule = nearest; kn = 5; % the number of nearest neighbors distance = euclidean; cp = classperf(group); indices = crossvalind(Kfold,group,K); for i = 1:K %交叉验证 test = (indices == i); train = ~test; class = knnclassify(faces(test,:),faces(train,:),group(train,:), kn, distance,rule); classperf(cp,class,test); end Acc = 1 - cp.ErrorRate %正确率 图3. 给样本添加标签 因为只有40个人，我们给样本添加的标签也就只用了40种，分别用数字“1、2、3...40”表示。前十个样本是第一个人，有共同标签“1”，以此类推。 在运行过后，我们得到该算法的准确度： 图4. 当kn=15时的准确率 图5. 当kn=10时的准确率 图6. 当kn=5时的准确率 下面我们从“workspace”中查看分