OMP算法实现人脸识别_matlab完整代码

今天药忘吃喽~ 2023-07-09 02:08 11阅读 0赞

OMP\_FACE——人脸识别系统

该软件包实现了基于稀疏表示的面部识别方法  
程序相对便捷且易上手  
主脚本中包含具体的一个例子  
通常，通常遵循以下使用顺序即可实现人脸识别功能：

1.  选择训练数据的数据库途径。
2.  选择测试图像。
3.  运行“training\_data”功能以创建所有训练图像的二维矩阵。
4.  运行“omp\_fun ”功能以生成beta。
5.  运行“recorgnize”功能以获取训练数据库中识别图像的名称。

为了方便起见，我准备了样本培训和测试数据库，这些都是组成部分 。  
只需将培训和测试数据库放入指定的路径  
然后跟随对话框，该对话框将在运行  
“ main.m”时出现。

_作者:    M宝可梦  
            _E_mail:  1195653686@qq.com

参考文献：  
1.《Robust Face Recognition via Sparse Representation》John Wright  
2.《改进SRC算法在人脸识别中的应用》\_雷明军

以下为完整的代码块，获得人脸数据以及整个工程或交流算法可以联系作者QQ1195653686

function A = training_data(TrainingSetPath)
    
    % 此部分函数实现对训练人脸数据库的输入和重新塑性
    % TrainingSetPath：    训练数据库的存储路径
    
    
    TrainFiles = dir(TrainingSetPath);
    
    % 查询 训练类别的数目
    Train_Class_Number = 0;
    for i = 1:size(TrainFiles,1)
        if not(strcmp(TrainFiles(i).name,'.')|strcmp(TrainFiles(i).name,'..')|strcmp(TrainFiles(i).name,'Thumbs.db'))
            Train_Class_Number = Train_Class_Number + 1; 
        end
    end
    
    A = [];
    Each_Class_Train_Num = 5; % 令每一类下前五张图像作为训练图像
    for i = 1 : Train_Class_Number
        str='';
        if i <= 9
            str = strcat(TrainingSetPath,'\00',int2str(i),'\');
        else
            str = strcat(TrainingSetPath,'\0',int2str(i),'\');
        end
        for j=1:Each_Class_Train_Num
            tmpstr='';
            tmpstr=strcat(str,'0',int2str(j),'.png');
            img=imread(tmpstr);
            if length(size(img))>2
                img=rgb2gray(img);
            end
            vecimg=double(reshape(img,1,size(img,1)*size(img,2)));
            A=cat(1,A,vecimg);
        end
        
    end
    A = A';
    
    
    end
    
    %  参考文献
    %  1.https://blog.csdn.net/jzwong/article/details/78446161
    %  2.https://download.csdn.net/download/weixin_46257458/12185316

%  OMP的函数
    %  s-测量；
    % T-观测矩阵；
    % N-向量大小
    function hat_y=omp_fun(s,T,K)
    N = size(T,2);
    Size=size(T);                                     %  观测矩阵大小
    M=Size(1);                                        %  测量
    hat_y=zeros(1,N);                                 %  待重构的谱域(变换域)向量                     
    Aug_t=[];                                         %  增量矩阵(初始值为空矩阵)
    r_n=s;                                            %  残差值
    for times=1:K                                  %  迭代次数(稀疏度是测量的1/4)
        for col=1: N                                %  恢复矩阵的所有列向量
            product(col)=abs(T(:,col)'*r_n);          %  恢复矩阵的列向量和残差的投影系数(内积值) 
        end
        [~, pos]=max(product);                       %  最大投影系数对应的位置
        Aug_t=[Aug_t,T(:,pos)];                       %  矩阵扩充
        T(:,pos)=zeros(M,1);                          %  选中的列置零（实质上应该去掉，为了简单我把它置零）
        aug_y=(Aug_t'*Aug_t)^(-1)*Aug_t'*s;           %  最小二乘,使残差最小
        r_n=s-Aug_t*aug_y;                            %  残差
        pos_array(times)=pos;                         %  纪录最大投影系数的位置
        
        if sum(r_n.^2) < 1e-6                              %  残差足够小
            break;
        end
    end
    hat_y(pos_array)=aug_y;                           %  重构的向量
    end
    
    
    %  参考文献：
    %  1.https://zhuanlan.zhihu.com/p/52276805
    %  2.https://blog.csdn.net/xiaoxiao133/article/details/90228898

function [Equivalent_Image] = recorgnize(beta,TrainingSetPath)
    
    %
    % 识别：             根据beta所查询出的与测试图像相关性最强的训练图像的位置
    %                    找出匹配类别下的类别名和图像名
    %                    由此确定匹配图像的名称，便于下一步的显示
    %
    
    [m, ith] = max(beta);
    temp = ith;
    ith = rem( ith,5 );
    if ith == 0
        temp = ((temp-ith)/5);
    else
        temp = ((temp-ith)/5)+1;
    end
    if temp <=9
        if ith == 0
                Equivalent_Image = strcat(TrainingSetPath,'\00',int2str(temp),'\0',int2str(5),'.png');
        else
                Equivalent_Image = strcat(TrainingSetPath,'\00',int2str(temp),'\0',int2str(ith),'.png');
        end
    else
        if ith == 0
                Equivalent_Image = strcat(TrainingSetPath,'\0',int2str(temp),'\0',int2str(5),'.png');
        else
                Equivalent_Image = strcat(TrainingSetPath,'\0',int2str(temp),'\0',int2str(ith),'.png');
        end
    end

%
    %  主函数控制实现各函数调用
    
    
    %  说明：         _只需修改本脚本中第19行测试图像的名称即可，修改原则见18行    
    %                 _选定人脸数据库为ORL，共计40个人，每个人下10张图像，共计400张图片
    %                 _该测试选取了每个人下的五张图片作为训练数据集
    %
    
    
    clear;
    clc;
    
    % 选择训练人脸数据库所在的文件
    TrainingSetPath = uigetdir();
    A = training_data(TrainingSetPath);
    
    % 输入需要测试的人脸图像，修改文件路径后，只需修改类别路径和图像名称
    Test_Image = 'C:\Users\yuson\Desktop\OMP_FACE\FaceDB_orl\011\09.png';
    
    % 对测试图像进行重塑
    y = imread(Test_Image);
    y = double(reshape(y,size(y,1)*size(y,2),1));
    
    % OMP 算法寻找于测试人脸图像相关性最强的训练图像
    beta = omp_fun(y,A,200);
    Equivalent_Image = recorgnize(beta,TrainingSetPath);
    
    
    % 对测试图像和训练图像进行显示
    imshow(Test_Image);
    title('Test Image');
    figure;
    imshow(Equivalent_Image);
    title('Equivalent Image');

以下为某次的实验结果  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjI1NzQ1OA_size_16_color_FFFFFF_t_70]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjI1NzQ1OA_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/202002271035373.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjI1NzQ1OA==,size_16,color_FFFFFF,t_70