简介面向计算机、电子信息工程及数学类专业毕业设计或课程设计的一套Matlab人脸识别系统完整资料包以PCA与KPCA两种降维方式结合支持向量机实现人脸分类并配有可操作的GUI操作界面便于直观演示识别流程与分类结果。源码涵盖人脸读取、快速PCA降维、核函数定义、多类SVM训练与识别等核心函数配套800张pgm格式人脸样本库及mat数据文件无需额外收集数据即可直接运行也支持在此基础上调整核函数参数或扩展特征。压缩包共812个文件除Matlab脚本.m与数据集.pgm外还包含已训练模型.mat、readme说明等整体大小约21.72MB目录结构清晰适合课程设计、期末大作业或毕业设计参考。已有539人学习下载适合具备一定Matlab基础、希望系统理解PCA/KPCA与SVM算法在工程中如何落地的读者作为参考资料使用。1. 为什么人脸识别系统偏爱PCAKPCASVM这套组合用MATLAB做人脸识别毕业设计最容易踩的坑不是分类器不会写而是特征维度失控。一张64×64的灰度图展开就是4096维向量直接用SVM训练核矩阵和二次规划求解会慢到让人怀疑人生更别说小样本下还容易过拟合。这套资源把「PCA/KPCA降维」和「SVM分类」串联起来先用主成分分析榨出主要特征再用支持向量机做多分类最后用一个GUI把训练、测试、识别整个过程封装成可交互界面。适合正在做课程设计、期末大作业或毕业设计的计算机、电子信息、数学专业学生也可以作为你在ORL、Yale等人脸库上做对比实验的基线系统。它不承诺刷到最高精度但能让你在最短时间内跑通「特征提取→分类器→界面演示」全链路。2. 人脸特征提取核心PCA线性降维与KPCA核映射的差异2.1 从原图像到特征脸fastPCA.m 的快速实现人脸图像的原始像素之间存在大量冗余背景、光照、头发位置这些信息对身份判别并不重要。PCA的目标是找到一组正交基使数据在投影后的方差最大化。这组基就是“特征脸”。传统做法是直接对协方差矩阵做特征值分解但当样本维度远大于样本数时协方差矩阵规模过大内存吃不消。fastPCA.m 采用了“小样本技巧”SVD捷径先计算所有训练样本的平均脸然后构建一个 N×N 的矩阵N为训练样本数而不是 D×DD为像素数。function [eigVectors, eigValues, meanFace] fastPCA(X, k) % X: nSample x nPixel 的训练样本矩阵每行一张人脸 % k: 保留的主成分个数 meanFace mean(X, 1); XNorm X - repmat(meanFace, size(X,1), 1); % 构造小矩阵nSample x nSample L XNorm * XNorm; [eigVecL, eigValL] eig(L); eigValL diag(eigValL); % 按特征值降序排序 [~, idx] sort(eigValL, descend); eigVecL eigVecL(:, idx); eigValL eigValL(idx); % 映射回原空间得到特征脸向量 eigVectors XNorm * eigVecL(:, 1:k); % 归一化使特征向量为单位向量 for i 1:k eigVectors(:, i) eigVectors(:, i) / norm(eigVectors(:, i)); end eigValues eigValL(1:k); end这里的核心逻辑是因为D N直接求XNorm * XNorm的特征向量会非常昂贵而XNorm * XNorm的特征值与前者非零特征值相同特征向量只需要左乘XNorm就能还原。代码中repmat用于广播求均值后的归一化eig返回的特征向量已经按特征值排列但仍然显式排序保证稳定性。参数k的取值直接影响后续SVM的输入维度一般取使累计贡献率超过95%的最小k这个可以写成一个扫描脚本来算后面第4章会给出具体方法。2.2 KPCA当人脸数据线性不可分时怎么办PCA是线性变换而人脸在不同光照、姿态下的像素差异往往是非线性的比如侧面脸的像素变化不能用简单的线性投影描述。KPCA的思路是先把原始数据通过核函数隐式映射到高维特征空间再在高维空间做PCA。由于不需要显式计算映射后的坐标只需要计算核矩阵所以开销可控。kpca.m 里通常使用高斯径向基核RBF其参数sigma控制映射能力。function [coeff, score, meanVec] kpca(X, sigma, k) % X: nSample x nPixel 训练样本 % sigma: RBF核宽度参数 kfun (x,y) exp(-norm(x-y, 2)^2 / (2*sigma^2)); n size(X, 1); K zeros(n, n); for i 1:n for j 1:n K(i, j) kfun(X(i,:), X(j,:)); end end % 中心化核矩阵 oneN ones(n, n) / n; Kc K - oneN*K - K*oneN oneN*K*oneN; [eigVec, eigVal] eig(Kc); eigVal diag(eigVal); [~, idx] sort(eigVal, descend); eigVec eigVec(:, idx); % 归一化特征向量 for i 1:k eigVec(:, i) eigVec(:, i) / sqrt(eigVal(idx(i))); end coeff eigVec(:, 1:k); % 用于训练样本投影 score Kc * coeff; meanVec mean(X, 1); end这段代码最关键的坑是“核矩阵中心化”。和普通PCA不同KPCA必须在核空间里对数据去均值否则降维结果会偏移。oneN*K这种形式相当于减去样本均值在核空间中的影响。sqrt(eigVal)是特征向量归一化必需的原因可参考核主成分分析的数学推导。2.3 PCA与KPCA选型对比维度PCA (fastPCA.m)KPCA (kpca.m)映射方式线性投影核函数隐式映射到高维计算瓶颈小样本下只需N×N矩阵需要计算N×N核矩阵N大时开销大核参数无额外参数sigma需要调优影响大适用场景光照、姿态变化较小的正脸集非线性变化明显PCA降维后识别率上不去可解释性特征脸可视化直观可视化困难更像黑盒个人经验是ORL人脸库这种姿态变化单一的数据集PCA已经够用但如果是自己抓拍的多姿态人脸库KPCA往往能带来3~5个百分点的提升代价是训练时间变长。sigma取值过大或过小都会让KPCA退化成线性或产生数值问题后面第4章会给出网格搜索范围。3. 多分类SVM训练与GUI界面实现的完整链路3.1 multiSVMtrain.m一对多分类器的封装人脸识别是多分类问题而标准SVM是二分类器。最常见做法是一对多One-vs-All对每个类别训练一个「该类正样本 vs. 其余所有负样本」的二分类器识别时把样本送入所有分类器取决策值最大者。multiSVMtrain.m 正是按照这个策略实现的。function models multiSVMtrain(trainData, trainLabel, C, gamma) % trainData: N x D已经降维后的特征 % trainLabel: N x 1类别标签从1开始 classes unique(trainLabel); numClass length(classes); models struct([]); for i 1:numClass binLabel ones(size(trainLabel)); binLabel(trainLabel ~ classes(i)) -1; % 调用LIBSVM训练二分类模型 models(i).svm svmtrain(binLabel, trainData, ... sprintf(-t 2 -c %g -g %g -b 0, C, gamma)); models(i).class classes(i); end end注意这里使用了LIBSVM的svmtrain因为MATLAB自带的fitcsvm在多分类封装上不够直观。binLabel把当前类别的样本标为 1其余标为 -1这样就构造出第 i 类的专用二分类器。-t 2指定RBF核-c是惩罚系数C-g是核函数中的 gamma即 1/(2*sigma²)。所有模型保存在结构体数组中预测时逐个调用。3.2 multiSVM.m决策值融合与投票策略训练完多个二分类器后预测阶段有两种常用策略投票法每个分类器输出±1累计票数和决策值法输出预测概率或决策距离取最大值。multiSVM.m 中用的是决策值法比投票更精细。function predLabel multiSVM(models, testData) % testData: M x D 测试样本 numModel length(models); M size(testData, 1); decisionMat zeros(M, numModel); for i 1:numModel [~, ~, decision] svmpredict(zeros(M, 1), testData, models(i).svm, -b 0); decisionMat(:, i) decision; end [~, idx] max(decisionMat, [], 2); predLabel arrayfun((i) models(i).class, idx); endsvmpredict第三个输出返回的是决策值其符号和大小表示样本距离超平面的远近。这里把零向量作为占位标签传入因为LIBSVM接口要求必须有标签参数。当样本在某个分类器上决策值越高说明它越倾向于属于该类别。max操作后取最大决策值对应的分类器编号再映射回原始类别标签。这里需要强调决策值法比简单投票对噪声更鲁棒因为投票只关心正负号忽视了置信度。3.3 faceGui.m用GUIDE把训练识别过程变成可视化操作faceGui.m是用户与系统交互的入口它使用MATLAB GUIDE工具创建的 .fig 文件界面。界面布局一般包含训练样本路径选择、算法选择PCA/KPCA、主成分个数输入、SVM参数输入、训练按钮、测试准确率显示区、以及单张照片识别结果展示区。核心回调函数的结构如下function trainButton_Callback(hObject, eventdata, handles) % 读取GUI上的参数 pcaType get(handles.popupAlgorithm, Value); % 1PCA 2KPCA kStr get(handles.editK, String); k str2double(kStr); C str2double(get(handles.editC, String)); gamma str2double(get(handles.editGamma, String)); % 加载数据 [X, y] ReadFace(handles.trainPath, 112, 92); % 降维 if pcaType 1 [coeff, score] fastPCA(X, k); trainFeat score; else [coeff, score] kpca(X, gamma, k); trainFeat score; end % 训练SVM handles.models multiSVMtrain(trainFeat, y, C, gamma); guidata(hObject, handles); set(handles.statusText, String, 训练完成); end这段回调把GUI组件与核心函数串起来。get从界面控件读取字符串或索引str2double把输入字符串转换为数值。注意handles结构体是用来在回调之间传递共享数据的通过guidata(hObject, handles)保存更新后的模型这样点击「识别按钮」时就能复用训练好的SVM模型。如果训练数据量大建议在读取训练集后用set(handles.figure1, Pointer, watch)把鼠标改成沙漏防止用户误以为界面卡死。3.4 数据读取与归一化ReadFace.m 和 scaling.mReadFace.m负责从文件夹中批量读取人脸图像并转换成矩阵。scaling.m则把像素值缩放到一个统一区间比如[0,1]这能防止某些特征数值过大主导协方差计算。function [data, labels] ReadFace(folderPath, h, w) % 假设每个子文件夹是一个人文件夹名为标签 subDirs dir(folderPath); data []; labels []; for i 1:length(subDirs) if subDirs(i).isdir ~strcmp(subDirs(i).name, .) ~strcmp(subDirs(i).name, ..) classLabel str2double(subDirs(i).name); imgList dir(fullfile(folderPath, subDirs(i).name, *.bmp)); for j 1:length(imgList) img imread(fullfile(folderPath, subDirs(i).name, imgList(j).name)); img rgb2gray(img); img imresize(img, [h, w]); data(end1, :) img(:); labels(end1, 1) classLabel; end end end data scaling(data, 0, 1); endscaling.m的作用是让每个像素列上的值映射到指定区间。注意这里是对整行数据做缩放还是按列缩放很多初学者会搞混。人脸识别中更合理的是按样本行做线性归一化把每张图像的对比度拉平到同一水平消除光照差异带来的影响。如果你发现识别率在暗光照片上很差问题往往出在归一化这一步。4. 数据集组织、训练流程与参数调优的工程细节4.1 目录结构与样本划分这套资源下载后先看文件夹布局。数据集一般按人组织每个人一个文件夹文件夹名就是标签每个文件夹里放该人的多张不同表情或姿态的灰度图常见尺寸是112×92ORL人脸库标准格式为BMP。如果预处理的recognize.mat存在里面已经保留了处理后的数据矩阵和标签可以直接加载跳过头像读取环节。建议训练集和测试集按每人取固定张数划分比如每人前5张训练后5张测试。不要随机划分否则有人为运气成分也不利于横向对比。|-- data/ | |-- 1/ | | |-- 1_1.bmp | | |-- 1_2.bmp | | -- ... | |-- 2/ | | |-- 2_1.bmp | -- ... |-- fastPCA.m |-- kpca.m |-- multiSVMtrain.m |-- multiSVM.m |-- faceGui.m -- recognize.mat下面的脚本是标准训练流程示范直接运行时不需要打开GUI适合做批量实验。% train_demo.m [X, y] ReadFace(data, 112, 92); trainIdx []; testIdx []; classes unique(y); for c classes idx find(y c); trainIdx [trainIdx; idx(1:5)]; testIdx [testIdx; idx(6:end)]; end Xtrain X(trainIdx, :); ytrain y(trainIdx); Xtest X(testIdx, :); ytest y(testIdx); % 使用PCA降维到50维 [~, trainFeat] fastPCA(Xtrain, 50); XtrainFeat trainFeat; % 注意到测试集投影需要用训练集的特征向量而不是重新计算PCA meanFace mean(Xtrain, 1); XtestCentered Xtest - repmat(meanFace, size(Xtest,1), 1); % 这里需要把fastPCA返回的特征向量保存下来实际工程中fastPCA应同时返回coeff % 简化用训练好的特征向量矩阵projMulTest coeff fastPCA_getCoeff(Xtrain, 50); % 假设有该函数 testFeat XtestCentered * coeff; models multiSVMtrain(trainFeat, ytrain, 10, 0.01); pred multiSVM(models, testFeat); acc sum(pred ytest) / length(ytest); fprintf(准确率: %.2f%%\n, acc * 100);这里最容易出错的是测试集降维。测试集必须使用训练集的PCA投影矩阵不能对测试集单独做PCA。因为PCA是无监督的但特征空间应该统一到训练数据定义的坐标系中否则训练和测试的特征表达不一致识别率会严重下降。很多同学直接在测试集上再次调用fastPCA导致训练投影和测试投影的基不同这是一个常见又隐蔽的bug。4.2 主成分个数、C和gamma的网格调优主成分个数k不是越大越好k太小会丢失判别信息k太大会把噪声也保留下来。支持向量机参数C控制误分类的惩罚C过大容易过拟合到训练样本的噪声gamma是RBF核的半径倒数gamma过大会让模型只对训练样本附近敏感导致泛化差。可以用一个简单的网格搜索脚本在训练集上做5折交叉验证然后选取平均准确率最高的参数组合kList [10, 20, 30, 50, 80]; CList [1, 10, 100]; gammaList [0.001, 0.01, 0.1]; bestAcc 0; bestParams []; for k kList [coeff, trainFeat] fastPCA(Xtrain, k); for C CList for gamma gammaList models multiSVMtrain(trainFeat, ytrain, C, gamma); pred multiSVM(models, trainFeat); % 这里用训练数据做交叉验证更严谨应该分fold acc sum(pred ytrain) / length(ytrain); if acc bestAcc bestAcc acc; bestParams [k, C, gamma]; end end end end fprintf(best: k%d C%g gamma%g acc%.2f%%\n, ... bestParams(1), bestParams(2), bestParams(3), bestAcc*100);当然严格做法是把训练集切成5份循环5次取平均准确率。上面的代码只是为了快速看趋势用来缩小参数范围。实际项目中我通常先固定k用粗网格扫C和gamma锁定大致区间后再用更密的网格精调。4.3 recognize.mat 的用途与重新生成recognize.mat是已经训练好的参数文件可能包含 PCA 系数、SVM 模型、均值脸等数据。它的作用是让你跳过训练过程直接测试GUI界面。但如果你改了算法或数据集这个mat文件就过期了需要重新生成。save(recognize.mat, models, coeff, meanFace, kList, C, gamma);加载时使用S load(recognize.mat); models S.models; coeff S.coeff; meanFace S.meanFace;注意load返回结构体而不是直接把变量导入工作区。如果你在其他脚本中习惯用load recognize.mat后直接使用变量在脚本内部是没问题的但在函数内部必须通过结构体访问否则报“不存在的变量”错误。还要检查recognize.mat里的模型与当前代码是否匹配如果原资源是用fitcsvm训练的而你的代码里用svmtrain加载就会失败。遇到这种情况直接重新训练一遍并覆盖保存即可。5. 从识别率停滞到可用高错误率排查与模型验证技巧5.1 用特征值分布判断降维效果训练PCA后先打印前几个特征值占比判断数据集中前k维是否包含了足够的信息。[~, eigValues] fastPCA(Xtrain, 80); totalVar sum(eigValues); cumRatio cumsum(eigValues) / totalVar; fprintf(前20维累计贡献率: %.2f%%\n, cumRatio(20)*100);如果累计贡献率到50维仍然只有60%说明数据复杂度高要么增加k要么改KPCA。反之如果前5维就贡献了95%以上则数据可能过于简单继续增大特征维度只会增加过拟合风险。5.2 分清训练准确率高而测试准确率低的两类原因第一种原因降维投影矩阵不一致。用训练集算投影测试集必须乘同一个矩阵这点在前面已经强调。验证方法是在训练集和测试集上分别画前两个特征的散点图如果分布明显不同说明你的归一化或投影没有对齐。第二种原因SVM参数C过大或gamma过大导致模型只记住了训练样本。此时可以观察训练准确率与测试准确率的差距差距超过15%基本就是过拟合。建议先把C设小比如1gamma设小比如0.001看基准效果再逐步增大。还有一个容易被忽略的点训练集和测试集中同一个人的图像如果拍摄背景完全一样分类器可能学到的是背景而不是人脸。可以故意给测试集加一点噪声或微小平移观察准确率波动如果波动剧烈说明模型没有学到人脸的核心特征。5.3 单张图片识别脚本快速验证新输入不打开GUI也能测试单张图片这个脚本对调试特别有用function pred recognizeOne(imgPath, models, coeff, meanFace, h, w) img imread(imgPath); if size(img, 3) 3 img rgb2gray(img); end img imresize(img, [h, w]); imgVec double(img(:)); imgVec scaling(imgVec, 0, 1); % 与训练时一致 centeredVec imgVec - meanFace; projFeat centeredVec * coeff; pred multiSVM(models, projFeat); fprintf(识别为类别 %d\n, pred); end调用时确保传入的降维参数与训练时完全一致。如果你用KPCA训练这里就不能用coeff做线性投影而需要保存训练时的核参数和训练样本核矩阵然后计算新样本与所有训练样本的核向量再投影。因此建议在新输入识别时统一走PCA分支或者把KPCA的投影函数独立封装成一个project_kpca.m防止两套逻辑混在一起。5.4 界面与脚本分离的最小验证方案如果GUI点击训练按钮一直没反应先用脚本方式跑一遍流程确认核心函数无异常。GUI回调出问题多半是变量在handles中没有正确保存或者路径含有中文字符。建议在回调函数第一行插入disp(callback started)如果命令行没有输出说明按钮回调根本没有被触发要检查 .fig 文件里控件的Tag和回调函数名是否匹配。最后提醒一个容易被忽略的技巧在多人脸库上PCA降维到20~30维通常已经包含足够信息但SVM对特征维度的惩罚是隐式的主成分个数和C、gamma是联动的。做网格搜索时不要单独调k再把C固定为默认值那样很难找到全局最优。先把k粗选到累计贡献率90%对应的值再在这个前提下扫描SVM参数最后再回头微调k。这套顺序基本能覆盖大部分调参需求也是我在多个数据集上验证过的做法。本文还有配套的精品资源点击获取