基于ORL数据集与PCA特征脸的Matlab人脸识别系统实现

简介：这是一套基于Matlab实现人脸识别系统并配备GUI操作界面的毕业设计资料包，面向计算机、电子信息工程、数学等专业学生，适合作为课程设计、期末大作业或毕业设计的参考资料。压缩包内共423个文件，以402张bmp格式人脸图像为主体，附带11个m格式Matlab源码、3个mat数据文件，以及fig界面文件和txt说明文档，整体大小34.21MB，目录结构清晰，便于按模块查阅。已有619人学习下载。资料包含完整的GUI界面源码和人脸图片数据集，可帮助读者快速运行演示系统，理解PCA特征提取、人脸匹配等经典算法在真实图像上的处理流程；课题介绍文档和代码文件则为选题汇报、系统实现与论文撰写提供支撑。若需改动界面或增加识别功能，可基于现有m文件进行二次开发，适合具备一定Matlab基础、能自行调试代码的读者使用。

1. 用ORL数据集复现PCA人脸识别，Matlab毕业设计主线的选择依据

在毕业设计里做人脸识别，最容易被带偏的方向是一上来就堆深度学习。ORL库总共只有40人、每人10张112×92灰度图，这点数据量连一个浅层CNN都未必喂得饱，却恰好是PCA特征脸这类传统人脸识别算法的标准测试集。用Matlab从零实现PCA降维加最近邻分类，训练样本每人才5张，识别率通常能跑到94%上下，核心算法代码量可以控制在200行内。从矩阵运算到特征脸可视化再到GUI操作界面，每一步都能在答辩时讲出数学依据和实验曲线。这套资源打包了完整Matlab源码、BMP格式图片数据集和课题介绍文档，适合计算机、电子信息工程、数学等专业做课程设计、期末大作业或毕业设计，入手后关键是把每一行代码在算什么弄清楚，替换成自己的数据集也能直接跑通。

2. ORL图片数据集的读取、重排与训练测试划分

2.1 ORL库两种打包形式

ORL人脸库的标准结构是40个子目录，分别命名s1到s40，每个目录放同一个人在不同光照、表情和细节（戴镜/不戴镜）条件下的10张PGM图片，单张尺寸112×92像素、256级灰度。因为PGM格式在Windows下预览不方便，网上流通的版本常被转成BMP并平铺到一个目录里，文件名用全局编号，例如ORL385.BMP，这套资源里的图片集就是这种形态。

两种形式在Matlab里都能处理，难点不在格式而在标签对齐：平铺版的全局编号是重编号过的，不能想当然地认为每连续10张属于同一个人，必须先确认编号规则。

2.2 平铺BMP按数值编号重排

文件名是ORL385.BMP、ORL244.BMP这种三位数编号时，直接对dir返回的name做sort会按字典序排列，ORL100会排在ORL244前面，ORL244又会排在ORL300前面，顺序在数值上并不连续，直接切片会把人脸标签打乱。稳妥做法是正则提取数字再按数值排序。

files = dir(fullfile('ORL', '*.BMP')); numList = cellfun(@(f) str2double(regexp(f, '\d+', 'match', 'once')), {files.name}); [~, idx] = sort(numList); files = files(idx); X = []; labels = []; for k = 1:length(files) img = imread(fullfile('ORL', files(k).name)); img = im2double(img); % uint8的0-255映射到double的0-1 X = [X, img(:)]; % 每张图展成112*92=10304维列向量 labels = [labels; ceil(k / 10)]; % 每10张编为一个人 end

代码逻辑分三段：先用regexp抓取文件名里的连续数字，str2double转成数值后排序，保证ORL2不会排到ORL19后面；然后用im2double做灰度归一化，每张图按列展开变成10304维向量，存进X矩阵，X的尺寸是10304×400；最后ceil(k/10)把连续10张图归到同一个人，得到1到40的标签向量。

提示：如果你的平铺版不是按人连续编号，打开前20张图人工核对一下。判断方法很简单，前10张如果是同一张脸在换表情、换眼镜，那顺序就是对的。

im2double这里有个容易踩的行为差异：输入uint8时它把0-255线性映射到0-1；如果某张图已经是double类型，im2double默认不缩放。规范做法是统一在读取后立即转uint8再交给im2double，避免同一批数据里出现两套数值尺度。

2.3 训练集与测试集的划分约定

人脸识别实验最忌讳训练测试交叉污染，常见做法是同一人的10张图随机取5张进训练集、5张进测试集，用randperm做无放回抽取。

rng(2026); % 固定随机种子，保证答辩结果可复现 trainIdx = []; testIdx = []; for s = 1:40 perm = randperm(10); % 打乱当前人的10个图片序号 base = (s - 1) * 10; trainIdx = [trainIdx, base + perm(1:5)]; testIdx = [testIdx, base + perm(6:10)]; end Xtrain = X(:, trainIdx); Xtest = X(:, testIdx); labelTrain = labels(trainIdx); labelTest = labels(testIdx);

rng固定种子这一点在毕业设计里非常关键。同一份代码换台机器跑，结果应当完全一致；不固定种子时识别率每次都在波动，演示时一次91%、一次95%，评委的第一反应会是算法不稳定而不是随机性。把种子写死并写进论文实验部分，数据才立得住。

3. PCA特征脸降维：原理、矩阵规格与q值选择

3.1 为什么不能在10304维原始空间直接分类

每张112×92的图展开就是10304维向量。直接在这个空间做最近邻有两个问题：一是距离计算量随维度线性上涨，二是维度灾难让距离度量失去区分力。ORL每类只有10个样本，高维空间里样本点极其稀疏，任意两张图的欧氏距离都差不多，分类边界被噪声淹没。PCA的目标是找一组正交基，让数据在投影方向上方差最大，把有效信息压缩到几十维，同时去掉光照变化和传感器噪声带来的冗余分量。

从矩阵角度看，训练集Xtrain是d×n的矩阵，d=10304、n=200，协方差矩阵是XX^T，直接对它做特征分解需要处理10304×10304的矩阵，在Matlab里用eig分解要占用超过800MB内存，运行也慢。经典的小样本技巧是转而分解X^TX这个n×n小矩阵，因为X^TX和XX^T的非零特征值完全相同，特征向量通过左乘X再归一化就能还原。这个推导写进论文是标准的加分步骤。

3.2 SVD分解构造特征脸投影矩阵

实际代码里用svd比eig数值稳定性更好，eig对对称矩阵的微小扰动更敏感，而svd直接给出按奇异值降序排列的正交基。

function [W, meanFace, projTrain] = pcaTrain(Xtrain, q) [d, n] = size(Xtrain); % d: 特征维度10304, n: 训练样本数 meanFace = mean(Xtrain, 2); % 平均脸，之后所有样本都要减它 Xc = Xtrain - meanFace; % 中心化 [U, S, ~] = svd(Xc, 'econ'); % Xc = U*S*V'，econ返回d×n的U W = U(:, 1:q); % 取前q个左奇异向量作特征脸 W = W ./ vecnorm(W); % 列归一化 projTrain = W' * Xc; % 训练集投影，尺寸 q×n end

svd的'econ'选项是关键参数，它只计算前n个奇异值对应的U列，避免生成完整的10304×10304矩阵。奇异值S按降序排列，U的列天然按主成分重要性排序，直接取前q列就是投影矩阵。vecnorm对每一列做L2归一化，保证投影后计算距离时不会被特征脸向量本身的长度差带偏。projTrain是q×200的矩阵，每一列对应一个人的5张训练图在特征脸空间里的坐标。

提示：q的上限不是随便取的。Xc的秩最大是n-1=199，但数据本身按人分组，实际有效主成分到几十个时识别率已经饱和，取太大反而把噪声当有效特征。

3.3 主成分个数q与识别率的关系

q是这套系统里最值得调的参数。调得太小，判别信息被丢在丢掉的那些分量里；调得太大，噪声维度参与距离计算，识别率反而下降。用第2章的划分方式，每类5张训练、5张测试，q与识别率的经验关系如下。

q取到39附近识别率触顶，再往上边际收益趋零，个别随机划分下甚至会掉1到2个点。把q做成GUI里的可输入控件，让使用者自己改参数观察识别率变化，是这类毕业设计最容易出交互亮点的地方。

4. 最近邻分类器与GUI操作界面的数据流

4.1 距离度量：欧氏距离和余弦相似度怎么选

特征脸空间的分类不需要训练分类器，只需把测试样本投影到同一子空间，再与所有训练模板比较距离。两种常用度量各有特点。

欧氏距离计算点与点之间的绝对差，对特征脸空间的全局偏移敏感；余弦相似度只看方向夹角，对模板间整体亮度差有一定免疫能力。ORL库光照变化幅度有限，两者识别率差距通常不到2个百分点，但换到光照差异更大的数据集时余弦优势会更明显。GUI里做成下拉框，让训练和识别共用同一个度量参数，代码只改一行。

4.2 识别函数的完整实现

识别函数要接收待识别图的像素向量，以及训练阶段算好的W、meanFace、projTrain和标签。

function pred = recognizeFace(imgVec, W, meanFace, projTrain, labelTrain, metric) xc = imgVec - meanFace; % 减训练集平均脸 y = W' * xc; % 投影到特征脸空间 if strcmp(metric, 'euclidean') score = sum((projTrain - y).^2, 1); % 欧氏距离 [~, best] = min(score); else projNorm = vecnorm(projTrain, 2, 1); yNorm = norm(y); score = (y' * projTrain) ./ (yNorm * projNorm); % 余弦相似度 [~, best] = max(score); % 相似度越大越匹配 end pred = labelTrain(best); end

注意识别阶段同样要减meanFace，这个均值来自训练集，绝不能拿待识别图自己重新算。projTrain - y用到了Matlab的隐式扩展，projTrain是q×200矩阵，y是q×1列向量，相减后每一列得到待识别样本与该模板的差向量，按列求和后得到200个距离值。整段没有显式循环，所有模板的距离一次向量化算完。

4.3 GUI里三个按钮怎么串起训练和识别

这类Matlab毕业设计的GUI常见做法是用GUIDE搭建，解压后能看到同名.fig和.m文件。打开.fig后通常布局三个核心按钮：训练模型、批量测试、单张识别。界面数据流的核心是回调函数之间通过handles结构体传递变量。

% 训练模型按钮回调 function trainBtn_Callback(hObject, eventdata, handles) q = str2double(get(handles.qEdit, 'String')); % 从输入框读主成分数 [W, meanFace, projTrain] = pcaTrain(Xtrain, q); handles.W = W; handles.meanFace = meanFace; handles.projTrain = projTrain; handles.labelTrain = labelTrain; guidata(hObject, handles); % 保存到handles set(handles.statusText, 'String', '模型训练完成'); end % 单张识别按钮回调 function recognizeBtn_Callback(hObject, eventdata, handles) [file, path] = uigetfile({'*.bmp;*.pgm;*.jpg'}, '选择待识别图片'); if isequal(file, 0); return; end img = imread(fullfile(path, file)); img = im2double(img); pred = recognizeFace(img(:), handles.W, handles.meanFace, ... handles.projTrain, handles.labelTrain, 'euclidean'); set(handles.resultText, 'String', sprintf('识别结果：第 %d 号人脸', pred)); end

guidata(hObject, handles)这一步最容易被漏掉。GUIDE回调里改了handles后不调用guidata保存，下一次回调拿到的是旧副本，训练好的W、meanFace全都会丢。批量测试按钮是单张识别的循环版本，把testIdx里的图逐张送入recognizeFace，统计正确数除以测试总数，把准确率显示在界面文本框。如果要在训练后保存模型，用save('model.mat', 'W', 'meanFace', 'projTrain', 'labelTrain')，下次运行时load回来即可跳过训练，这是把演示版推向可用工具的关键一步。

5. 交叉验证脚本与两个高频答辩坑

5.1 五次随机划分交叉验证

单次随机划分的识别率带运气成分，论文里至少报五次划分的均值和标准差。把第2章的划分逻辑包进循环，每次换随机种子。

accList = zeros(1, 5); for trial = 1:5 rng(trial); % 不同种子打乱训练测试集 trainIdx = []; testIdx = []; for s = 1:40 perm = randperm(10); base = (s - 1) * 10; trainIdx = [trainIdx, base + perm(1:5)]; testIdx = [testIdx, base + perm(6:10)]; end [W, meanFace, projTrain] = pcaTrain(X(:, trainIdx), 30); correct = 0; for k = 1:length(testIdx) pred = recognizeFace(X(:, testIdx(k)), W, meanFace, projTrain, ... labelTrain, 'euclidean'); if pred == labelTest(k); correct = correct + 1; end end accList(trial) = correct / length(testIdx); end fprintf('平均识别率: %.2f%% (+/- %.2f%%)\n', mean(accList)*100, std(accList)*100);

识别率标准差能压在2个百分点以内，说明系统稳定。答辩时把这组五次结果画成柱状图放进论文，比一句“识别率很高”有说服力得多。

5.2 数据泄漏和预处理不一致

两个坑在答辩时几乎必被追问。第一个是数据泄漏：PCA的平均脸和投影矩阵只能用训练集计算，如果先拿全部400张图做PCA再划分训练测试，测试集信息已经渗进投影空间，识别率会虚高2到4个百分点，这在学术规范上站不住。第二个是预处理一致性：训练时所有图都经过im2double和减平均脸，识别阶段就要对输入图做完全相同的两步，少一步投影坐标就会偏离训练分布，识别率立刻掉一截。ORL原始图片是PGM格式，个别版本Matlab对12位PGM支持不完整，转成BMP可以规避这类兼容问题，这也是这套资源把图片改成BMP后缀的实用价值所在——批量读图、归一化、投影这三步全部用统一的BMP路径，代码在R2018b到R2026b之间的版本都能直接运行。

本文还有配套的精品资源，点击获取