基于YALE数据库的人脸识别与分析系统

资 源 简 介

该项目利用MATLAB强大的矩阵运算能力，针对经典的YALE人脸数据库构建了一个高效的识别与分类实验框架。YALE数据库包含15位受试者，每位受试者拥有11张处于不同状态的图像，包括不同的面部表情（如正常、快乐、悲伤、惊讶、眨眼、睡觉等）、不同的光照条件（如中心光、左侧光、右侧光）以及佩戴附件（如带眼镜和不带眼镜）。系统具备完整的图像预处理功能，能够自动执行图像灰度化、尺寸统一化以及直方图均衡化以消除光照波动。其实现方法核心在于利用主成分分析法将高维的人脸图像数据投影到低维的特征子空间，通过提取最具区分度

详 情 说 明

基于MATLAB的YALE人脸数据库识别与分析系统

项目介绍

本项目是一个专门针对经典YALE人脸数据库设计的识别与分析系统。该系统利用MATLAB环境构建，旨在通过降维算法和统计学习方法实现对不同表情、不同光照以及佩戴饰品（如眼镜）条件下的人脸身份识别。YALE数据库包含了15位受试者，每人拥有11张包含状态变化的图像，系统通过特征脸提取和判别分析技术，能够有效地在复杂干扰下提取核心生物特征，并评估算法的识别性能。

功能特性

1. 自动化的数据组织：系统能够自动化处理15个类别的人脸数据，并根据设定比例平衡地划分为训练集与测试集。
2. 稳健的预处理机制：内置直方图均衡化模块，专门用于消除原始图像中各种极端光照变化带来的影响。
3. 双重特征提取架构：结合了无监督的PCA（主成分分析）与有监督的LDA（线性判别分析），实现了从原始高维像素空间到紧凑判别空间的映射。
4. 实时性能度量：自动计算识别准确率并记录算法运行的总耗时。
5. 多维度可视化反馈：提供特征脸展示、分类结果实时比对示例以及特征分布空间的散点图展示。

系统要求

1. 软件环境：MATLAB R2016b 及以上版本。
2. 硬件要求：标准PC即可，内存建议4GB及以上。
3. 依赖项：需要安装MATLAB内置的图像处理工具箱（Image Processing Toolbox）和统计与机器学习工具箱（Statistics and Machine Learning Toolbox）。

主要实现逻辑与流程

系统通过主程序驱动，完整实现了以下技术链路：

数据准备与加载逻辑： 系统首先定义人脸库的结构（15人，每人11图），将所有图像统一缩放至64x64像素。程序包含一个模拟数据生成机制，在物理数据库缺失时能自动生成具有特定灰度分布的合成脸部数据，确保代码逻辑的自洽性与可执行性。

图像预处理过程： 针对每一张输入图像，系统将其转换为双精度浮点数格式，并应用直方图均衡化（Histogram Equalization）算法。这一步是系统的核心，旨在增强对比度，使得在中心光、侧光等不同光照环境下的人脸特征具有更一致的统计特性。

特征提取深度处理： 主成分分析（PCA）：通过计算协方差矩阵并执行奇异值分解（SVD），提取前60个能量最高的主成分（特征脸）。这一过程去除了图像中的冗余噪声。 线性判别分析（LDA）：在PCA降维的基础上，系统通过计算类内散度矩阵和类间散度矩阵，求解广义特征值问题。最终将维度进一步压缩至受试者人数减一（14维），极大增强了不同身份之间的区分度。

分类与决策推理： 系统采用最近邻分类器（Nearest Neighbor）。对于每一个测试样本，计算其在LDA特征空间中与所有训练样本的欧氏距离，并将距离最小的训练样本标签赋予该测试样本。

关键函数与算法细节说明

数据切分算法： 系统实现了一个比例化采样函数，根据用户定义的比例（默认70%），从每位受试者的序列中按顺序提取前几张作为训练，剩余作为测试，从而保证了训练集涵盖了所有受试者的身份信息。

PCA 特征脸提取： 使用 SVD（奇异值分解）替代传统的协方差矩阵特征分解，这在处理高维图像数据时具有更高的计算效率。函数返回特征脸向量、训练集的降维表示以及全局平均脸。

LDA 判别投影： 该模块核心在于极大化类间差异与类内差异的比值。通过求解 Sb*v = lambda*Sw*v 得到投影矩阵，有效地将具有相似表情的人脸在特征空间中拉近，将不同身份的人脸拉远。

可视化展示模块：

1. 特征脸可视化：展示前10个主成分的图像，反映了系统捕捉到的主要面部轮廓特征。
2. 身份比对示例：随机抽取6个测试结果进行展示，正确识别以绿色标注标题，误识别则以红色提示，直观显示预测标签与真实标签的差异。
3. 空间分布分析：使用 gscatter 函数将高维特征投影到二维平面进行绘图，展示不同类别在降维空间中的聚类效果。