pca

r( (index2(1)1)/5 )+1。 class2=floor((index2(2)1)/5)+1。 class3=floor((index2(3)1)/5)+1。 if class1~=class2 amp。 amp。 class2~=class3 class=class1。 elseif class1==class2 class=class1。 elseif

ixxAAxAAPYYYYPSb11                          cinlTiiliiliicinlTiiliiliixiixAAxAAnPYYYYnPSw1 11 111＝＝ 现在将类间散布矩阵 xSb 与类内散布矩阵 xSw 的迹分别定义为类间距离 dbx 与类内距离dwx

入，与小波，混沌，模糊集 等非线性理论相结合已成为一个非常重要的发展方向。 小波变换具有时频特性和变焦特性，神经网络具有自学习，自适应，鲁棒性，容错性和推广能力。 如果能结合两者的优势，将会取得人脸识别不错的效果。 四 、 三维人脸识别 目前许多人脸识别成果是建立在二维人脸基础上的，而实际的人脸是三维的。 三维人脸相比较于二维图像提供了更加完整的人脸信息。 随着现在三维人脸采集技术的逐步发展

法及隐马尔可夫模型方法等等。 基于局部特征分析的方法识别结果取决于特征定位算法的准确性，而且要求图像的像素较高，因此要近距离拍摄图片。 基于整体的识别方法也各自有自己的缺陷，所以近年来的研究趋势是将人脸的局部特征分析和整体识别结合起来。 常用的人脸识别方法 对人脸识别方法的研究主要有两大方向：一是基于人脸图像局部特征的识别方法；二是基于人脸图像整体特征的识别方法。 基于人脸图

件夹，每个文件夹 5张训练图象。 如图。 5 图 样本图象的训练，利用 MATLAB 对训练程序运行，对人脸样本库的照片数据进行训练并储存。 生成的 文件，用于目标的检测。 第三章 基于 PCA 算法的人脸识别 PCA 的基本思想 PCA：就是我们通常说的主成分分析法，它可以把确定一个事物的特征提取出来，舍去没有特点的特征值，提取事物的本质因素，从而使复杂的问题简化。 PCA