基于MATLAB的人脸识别,实现PCA降维，用PCA特征进行SVM训练

基于MATLAB的人脸识别完整流程，包含PCA降维和SVM分类的实现。我们以经典的ORL人脸数据库为例，演示从数据加载到结果评估的全过程。

---

1. 数据准备与预处理​

1.1 下载数据集​

下载ORL人脸数据库（40人×10张，共400张图像），解压后保存为orl_faces文件夹，按以下结构组织：

orl_faces/
├── s1/
│   ├── 1.pgm
│   ├── 2.pgm
│   └── ...
├── s2/
└── ...

1.2 MATLAB代码实现​

clc; clear; close all;%% 1. 加载人脸数据
dataPath = 'orl_faces/'; % 修改为实际路径
[imds, labels] = loadORLData(dataPath); % 自定义函数（见附录）%% 2. 数据预处理
% 转换为灰度图像矩阵（每行一个样本）
X = double(reshape(imds.Files{1}, [], 1)); % 示例图像
X = zeros(size(imds.Files, 1), size(imds.Files{1}, 1)*size(imds.Files{1}, 2));
for i = 1:size(imds.Files, 1)X(i, :) = double(reshape(imds.Files{i}, [], 1));
end% 归一化（零均值、单位方差）
X = (X - mean(X)) ./ std(X);%% 3. PCA降维
[coeff, score, ~] = pca(X); % MATLAB内置PCA函数
explained = 100 * variance(score, 'all') / sum(variance(score, 'all'));% 选择保留95%方差的主成分
cum_var = cumsum(explained);
k = find(cum_var >= 95, 1);
X_pca = score(:, 1:k);%% 4. 划分训练集与测试集
rng(1); % 固定随机种子
cv = cvpartition(labels, 'HoldOut', 0.3); % 70%训练，30%测试
X_train = X_pca(cv.training,:);
y_train = labels(cv.training,:);
X_test = X_pca(cv.test,:);
y_test = labels(cv.test,:);%% 5. SVM分类
% 训练SVM模型（使用RBF核）
template = templateSVM('KernelFunction', 'rbf', 'Standardize', true);
model = fitcecoc(X_train, y_train, 'Learners', template);% 预测与评估
y_pred = predict(model, X_test);
accuracy = sum(y_pred == y_test) / numel(y_test);
fprintf('分类准确率: %.2f%%\n', accuracy*100);%% 6. 可视化
% 显示特征脸
figure;
for i = 1:min(k, 20)subplot(4,5,i);imshow(reshape(coeff(:,i), [112,92])); % ORL图像尺寸112×92title(sprintf('PC %d (%.1f%%)', i, explained(i)));
end% 显示混淆矩阵
confMat = confusionmat(y_test, y_pred);
confusionchart(confMat);

---

2. 关键函数说明​

**2.1 数据加载函数 loadORLData**​

function [imds, labels] = loadORLData(path)imds = imageDatastore(fullfile(path, 's*'), ...'IncludeSubfolders', true, ...'LabelSource', 'foldernames');labels = categorical(imds.Labels);labels = grp2idx(labels); % 转换为数值标签
end

2.2 PCA降维原理​

PCA通过奇异值分解（SVD）提取数据主成分：
X=UΣVT
其中 V 的列为特征向量（主成分），Σ 为奇异值矩阵。

可参考 # 附有人脸数据库，实现PCA降维，用PCA特征进行SVM训练

---

3. 结果分析​

1. 特征脸可视化​：显示前20个主成分对应的“特征脸”。
2. 分类准确率​：典型结果约为85%~95%（取决于数据划分和参数）。
3. 混淆矩阵​：展示各类别的分类细节。

---

4. 改进方向​

1. 数据增强​：添加旋转、平移等增强方法。
2. 参数调优​：使用fitcsvm的OptimizeHyperparameters自动调参。
3. 深度学习对比​：使用预训练CNN（如AlexNet）提取特征对比性能。

---

5. 注意事项​

1. 确保ORL数据库路径正确。
2. 如果内存不足，可降低图像分辨率（如将112×92缩放到64×64）。
3. 分类准确率可能因随机划分略有波动，建议多次实验取平均。

此代码实现了从数据加载到模型评估的完整流程，可直接运行并根据需求调整参数。