基于PCA的人脸识别MATLAB实现：从特征提取到二分类

资 源 简 介

本MATLAB项目利用主成分分析(PCA)实现人脸与非人脸的自动分类识别。系统支持图像预处理、特征降维、阈值判断及可视化展示，能够输出特征脸图像和分类准确率统计，适用于随机过程课程案例研究。

详 情 说 明

基于PCA的人脸与非人脸分类识别系统

项目介绍

本项目为随机过程课程大作业实现，基于主成分分析（PCA）算法构建人脸与非人脸的图像分类识别系统。系统通过提取图像的主成分特征，建立特征脸空间，并采用距离分类器实现对输入图像的自动分类。该系统能够有效处理灰度图像，完成人脸检测的核心任务。

功能特性

• PCA特征提取与降维：自动计算训练集的主成分，并依据指定方差贡献率进行数据降维。
• 特征空间构建：基于降维后的特征向量构建人脸特征空间，并确定分类决策阈值。
• 图像二分类识别：对新输入的图像进行投影计算，通过比较特征空间中的距离完成“人脸”或“非人脸”的分类。
• 结果可视化：生成特征脸图像，并可展示测试样本在特征空间中的投影分布。
• 批量测试与性能评估：支持对多张图像进行批量测试，输出整体识别准确率、召回率等统计指标。

使用方法

1. 准备数据：将人脸正样本和非人脸负样本分别放入指定的训练文件夹。确保所有图像为统一尺寸的灰度图。
2. 配置参数：在代码中设置PCA降维的方差贡献率阈值（如95%）或直接指定主成分数量。
3. 运行主程序：执行主程序文件，系统将自动完成训练、特征提取和模型构建。
4. 进行分类：指定测试图像路径（单张或文件夹），系统将输出分类结果、置信度及可视化图表。
5. 查看报告：程序运行结束后，将在控制台或指定文件中输出分类性能报告。

系统要求

• 编程环境：MATLAB
• 图像要求：输入训练与测试图像需为灰度格式，并具有相同的像素尺寸（如M×N）。

文件说明

主程序文件作为系统的核心入口，整合了完整的算法流程。其功能包括：读取并预处理训练图像数据、执行PCA分析以提取特征脸、根据训练结果确定分类阈值、对新的测试图像进行投影和分类决策，并最终生成分类结果、可视化图形以及性能评估报告。