基于Matlab的人脸识别，实现步骤

人脸识别也是 Matlab 做课程设计常见题目，整体步骤清晰，工具箱函数多，好实现。本文整理整体流程，给新手参考。

整体流程

1. 人脸检测：从图片找到人脸位置，裁剪出来
2. 预处理：归一化大小、对齐、去光照
3. 特征提取：把人脸图像降维提取特征
4. 分类训练：训练分类器，识别是谁
5. 测试识别：输入新人脸输出结果

每一步 Matlab 都有现成函数，不用从零写。

第一步：人脸检测

检测图像里哪里有人脸，用 Viola-Jones 算法，Matlab 自带训练好的检测器：

detector = vision.CascadeObjectDetector;
img = imread('test.jpg');
bboxes = step(detector, img);

bboxes 每一行是一个人脸框 [x y w h]，裁剪出来：

for i = 1:size(bboxes,1)
    face = imcrop(img, bboxes(i,:));
    face = imresize(face, [100 100]); % 归一大小
    faces{i} = face;
end

自带检测器对于正面人脸检测效果不错，够课程设计用了。

第二步：预处理

检测出人脸要预处理，减少干扰：

• 灰度化：face_gray = rgb2gray(face);
• 直方图均衡化：增强对比度，解决光照问题 face_eq = histeq(face_gray);
• 归一大小：所有人脸缩放到同样大小，方便特征提取，一般 100×100 或者 64×64

第三步：特征提取

最经典方法 PCA（主成分分析），也就是 Eigenfaces，Matlab 有 pca 函数：

把所有人脸拉直成向量，拼矩阵，算主成分，投影到低维：

% faces 是 n 个人脸，每个拉直成向量，拼成 n×d 矩阵
[coeff, score, latent] = pca(faces);
% 取前 k 个主成分，投影
projected = faces * coeff(:, 1:k);

k 一般取几十到一百，降维之后分类更快，也去掉噪声。

还有 LBP 特征，局部纹理，也好用：

features = extractLBPFeatures(face);

直接提取 LBP 特征，也很方便。

第四步：分类识别

特征提取完，训练分类器，常用 k-NN 最近邻：

% projected 是训练特征，labels 是标签
model = fitcknn(projected, labels);
% 预测
label = predict(model, test_projected);

就出来识别结果了，简单有效。

想用更准用 SVM：

model = fitcecoc(training_features, training_labels);
label = predict(model, test_features);

多分类 SVM，效果也不错。

完整框架例子

% 读ORL人脸数据集
image_dir = 'orl_faces/';
num_persons = 40;
num_per_person = 10;
features = [];
labels = [];
for p = 1:num_persons
    for i = 1:num_per_person
        filename = sprintf('%ss%d_%d.pgm', image_dir, p, i);
        img = imread(filename);
        % 预处理已经裁剪好了，直接灰度
        img = imresize(img, [64 64]);
        f = img(:)'; % 拉直
        features = [features; f];
        labels = [labels; p];
    end
end

% 划分训练测试
train_idx = mod(1:size(features,1), 2) == 1;
test_idx = ~train_idx;
X_train = features(train_idx,:);
y_train = labels(train_idx,:);
X_test = features(test_idx,:);
y_test = labels(test_idx,:);

% PCA降维
[coeff, X_train_pca] = pca(X_train);
X_train_pca = X_train_pca(:, 1:50);
X_test_pca = X_test * coeff(:,1:50);

% kNN分类
model = fitcknn(X_train_pca, y_train);
y_pred = predict(model, X_test_pca);

% 正确率
acc = mean(y_pred == y_test);
fprintf('识别正确率: %.2f%%\n', acc*100);

ORL 数据集经典人脸识别测试数据集，这么跑下来正确率一般 90% 以上，效果不错。

总结难点

• 人脸检测不准，背景复杂容易误检，拍的时候尽量背景干净点
• 光照变化影响大，预处理一定要均衡化
• 降维维度选多少，几十够了，太大容易过拟合

整个流程走下来，用 Matlab 做人脸识别课程设计不难，每一步都有现成函数，拼起来就行。