基于Gabor小波变换与PCA的人脸识别系统

资 源 简 介

本项目实现了一个结合局部特征与整体特征的高效人脸识别算法。该系统首先利用Gabor小波变换对人脸图像进行多尺度、多方向的特征提取，Gabor滤波器能够有效捕捉人脸的关键局部纹理信息，并对光照、姿态及表情变化具有较好的鲁棒性。由于Gabor变换后的特征维数极高，项目接着引入主成分分析（PCA）算法对提取的Gabor特征向量进行降维处理，通过计算协方差矩阵和特征值，将数据投影到低维的子空间中，在保留主要识别信息的同时大幅降低计算复杂度。最后，系统采用最近邻分类器（如欧氏距离）在低维特征空间中完成人脸的匹配与识别。代码包含完整的训练与测试流程，能够显示特征提取的中间结果（如Gabor核可视化、特征图），并计算最终的识别准确率，非常适合用于本科毕业设计参考及图像处理算法的学习。

详 情 说 明

基于Gabor小波变换与PCA的人脸识别系统

项目简介

本项目是一个基于MATLAB实现的经典人脸识别算法演示系统。该系统结合了像元级的局部特征提取（Gabor小波变换）与全局统计特征降维（PCA主成分分析），构建了一个鲁棒的人脸特征表达与识别框架。

项目代码包含完整的数据生成/加载、特征提取、模型训练、识别分类以及可视化评估流程。为了方便演示与学习，系统默认内置了模拟数据生成器，无需外部数据集即可直接运行并观察算法效果。

功能特性

• 模拟数据生成：内置合成数据生成功能，能够自动生成具有不同形状（圆形、方形、十字）和随机位移、噪声的模拟人脸样本，方便在没有真实数据集的情况下测试算法。
• Gabor特征提取：利用多尺度、多方向的Gabor滤波器组提取图像的纹理和边缘特征，具有良好的光照和形变鲁棒性。
• 特征降维：采用主成分分析（PCA）算法，利用Snapshot方法高效处理高维Gabor特征向量，降低计算复杂度。
• 最近邻分类：基于欧氏距离的最近邻分类器，实现测试样本的身份匹配。
• 全流程可视化：提供Gabor滤波器核、特征响应图、PCA三维空间分布图以及样本图像的实时可视化展示。

系统要求

• MATLAB R2016b 或更高版本
• Image Processing Toolbox（用于图像滤波 imfilter 和大小调整 imresize）

使用方法

1. 直接在MATLAB中运行主函数。
2. 模式选择：

* 默认模式：代码中 use_synthetic_data 设置为 true，系统会自动生成模拟数据进行训练和测试。 * 真实数据模式：若需使用ORL或其他真实人脸库，需将 use_synthetic_data 改为 false，并确保 load_dataset 函数中的路径逻辑适配本地文件结构。

1. 参数调整：可在代码开头的“参数设置”区域调整以下参数：

* n_person, n_train, n_test：调整类别数及样本分布。 * n_scale, n_orient：调整Gabor滤波器的复杂度和细粒度。 * pca_dim：调整保留的主成分维数。

项目实现细节逻辑

本项目的主程序严格按照以下步骤执行：

1. 环境初始化与参数配置

程序首先清理工作区并固定随机数种子，以确保实验结果的可复现性。随后定义图像归一化尺寸（32x32）、Gabor滤波器的尺度与方向数量（默认3尺度、4方向），以及PCA保留的维度。

2. 数据集加载与生成

程序通过 load_dataset 函数获取数据。

• 在合成数据模式下，系统根据类别索引生成特定的几何形状（圆形、方形或十字），并叠加高斯随机位移和背景噪声，模拟不同人脸样本的类内差异。
• 图像数据被重塑为列向量，并划分为训练集和测试集。

3. Gabor滤波器组构建

系统通过 build_gabor_bank 函数构建滤波器组。利用基于高斯包络和正弦波的公式，生成指定尺度和方向的复数Gabor核。这些滤波器旨在模拟人类视觉系统对特定频段和方向纹理的响应。同时，程序会弹窗可视化展示这些滤波器的实部形态。

4. Gabor特征提取

对训练集和测试集图像执行特征提取操作：

• 卷积滤波：使用构建好的Gabor核与图像进行卷积。代码中实际使用滤波响应的实部作为特征基础。
• 降采样：为了抑制过高的维度，特征图经过降采样处理（默认因子为4）。
• 向量化拼接：将所有尺度和方向对应的特征图拉平，并串联成一个长向量，作为该图像的原始高维特征表示。
• 此阶段还会展示一个示例样本在不同Gabor滤波器下的响应图（取模值显示）。

5. PCA特征降维与投影

由于Gabor特征维度极高（图像像素数 x 滤波器个数 / 降采样因子），直接计算协方差矩阵困难，系统采用 Snapshot方法 进行PCA训练：

• 计算中心化数据矩阵。
• 通过计算 $X^TX$ 而非 $XX^T$ 来获取特征值和特征向量，从而大幅减少内存消耗。
• 将原始高维Gabor特征投影到计算出的低维PCA子空间中，得到最终用于分类的特征向量。
• 程序会绘制训练样本在PCA前三个主成分空间中的三维散点分布图，以直观展示类间分离度。

6. 识别与性能评估

• 分类器：遍历每个测试样本，将其映射后的低维特征向量与所有训练样本的特征向量计算欧氏距离。
• 决策：选择距离最近的训练样本所属的标签作为预测结果。
• 统计：对比预测标签与真实标签，计算并打印系统的最终识别准确率。

关键算法与函数说明

数据生成逻辑

该部分通过判断 base_shape_type (取模运算) 来决定生成圆形、方形还是十字形图案。每个样本都是在基准中心坐标上叠加了随机扰动 (offset_r, offset_c) 和随机像素噪声生成的，这模拟了人脸识别中常见的对齐误差和环境噪声问题。

Gabor变换实现

函数 build_gabor_bank 实现了经典的2D Gabor函数，参数包括最大频率、频率缩放因子和高斯包络的带宽。extract_features 函数中采用了 imfilter 进行空域卷积，并利用 real() 提取实部响应，replicate 边界填充方式减少了边缘效应。

Snapshot PCA

在 train_pca 函数中，专门针对 $d gg n$ （特征维度远大于样本数）的情况进行了优化。通过求解较小的 $L = X^T X$ 矩阵的特征向量，再将其映射回原始空间并归一化，得到了协方差矩阵的近似特征向量。这使得在普通PC上处理高维Gabor特征成为可能。

图像可视化

• Gabor核可视化：网格化显示不同尺度和方向的滤波器实部。
• 特征响应图：展示原始图像经过滤波后的幅值响应，直观反映了纹理提取效果。
• PCA空间分布：利用 plot3 函数展示降维后数据的聚类情况，不同颜色代表不同类别的人员。