基于MATLAB的人脸表情识别系统含GUI界面

资 源 简 介

本项目旨在利用MATLAB强大的数学计算与图像处理能力，构建一个完整的人脸表情识别实战系统，专门针对MATLAB初学者及从事模式识别研究的人员设计。系统将涵盖计算机视觉处理的标准流程：首先通过MATLAB计算机视觉工具箱中的级联目标检测器（CascadeObjectDetector）实现复杂背景下的人脸自动检测与定位；随后对截取的人脸区域进行图像预处理，包括尺寸归一化、灰度转换及直方图均衡化，以消除光照影响并增强特征；在特征提取阶段，深入实现并对比局部二值模式（LBP）、方向梯度直方图（HOG）或Gabor小波等经典特征描述子，捕捉面部细微的纹理变化；在分类识别阶段，利用监督学习算法（如支持向量机SVM、K近邻KNN或浅层神经网络）构建分类模型，对“高兴、悲伤、愤怒、惊讶、恐惧、厌恶、中性”等基本表情进行训练与预测。此外，项目还将开发一个简洁的图形用户界面（GUI），支持本地图片读取与摄像头实时捕捉两种模式，直观展示人脸区域框选及表情识别结果标签，帮助用户深入理解算法原理与实现细节。

详 情 说 明

基于MATLAB的人脸表情识别系统

项目介绍

本项目是一个利用MATLAB构建的完整人脸表情识别实战系统。该系统设计直观、代码结构清晰，集成了计算机视觉的标准处理流程，专门针对MATLAB初学者及从事模式识别研究的人员设计。通过图形用户界面（GUI），用户可以轻松进行模型训练、加载本地图片进行测试或启动摄像头进行实时表情识别。

本项目核心算法采用 HOG（方向梯度直方图）特征提取 结合 SVM（支持向量机）分类器，实现了对“高兴、悲伤、愤怒、惊讶、恐惧、厌恶、中性”等基本表情的自动识别。

功能特性

• 图形用户界面 (GUI)：提供简洁的操作面板，单窗口即可完成所有交互，包括图像显示、状态监控和功能控制。
• 多模式识别：

* 本地图片模式：支持读取 JPG、PNG、BMP 等常见格式图片进行静态识别。 * 实时摄像头模式：调用计算机摄像头进行实时视频流的人脸检测与表情分类。

• 交互式模型训练：

* 支持选择自定义数据集文件夹进行训练（文件夹名即为标签）。 * 提供“模拟数据生成”功能，用于演示代码逻辑和流程跑通。

• 可视化反馈：在图像上实时绘制人脸边界框，并标注预测的表情类别及置信度分数。
• 鲁棒的预处理：包含灰度转换、尺寸归一化和直方图均衡化，以提高不同光照条件下的识别率。

系统要求

运行本项目代码需要安装 MATLAB 及以下工具箱：

1. Computer Vision Toolbox：用于人脸检测 (CascadeObjectDetector)、HOG特征提取 (extractHOGFeatures) 及图像标注。
2. Statistics and Machine Learning Toolbox：用于支持向量机模型训练 (fitcecoc) 和预测。
3. MATLAB Support Package for USB Webcams：用于摄像头实时调用 (webcam)。

详细实现原理与逻辑

本项目在 main.m 中实现了完整的计算机视觉处理流水线，具体逻辑如下：

1. 初始化与全局配置

程序启动时会初始化全局变量，设定图像标准处理尺寸为 64x64 像素，HOG特征提取的 Cell 尺寸为 8x8。同时会尝试根据当前环境初始化人脸检测器对象，并构建一个临时的模拟分类器以防止未训练时的调用错误。

2. 人脸检测与定位

通过 Computer Vision Toolbox 提供的级联目标检测器 (vision.CascadeObjectDetector) 扫描输入图像。代码中设定了合并阈值 (MergeThreshold = 5) 以减少误检，输出人脸所在的矩形区域（Bounding Box）。

3. 图像预处理

为了保证特征提取的一致性，系统会对每一个检测到的人脸区域进行如下处理：

• 裁剪：根据检测到的边界框从原图中截取人脸。
• 尺寸归一化：将截取的人脸图像统一缩放至 64x64 像素。
• 直方图均衡化：使用 histeq 函数对图像进行对比度增强，消除光照不均的影响。

4. 特征提取 (HOG)

采用方向梯度直方图 (Histogram of Oriented Gradients, HOG) 作为表情特征描述子。调用 extractHOGFeatures 函数，基于预设的 8x8 Cell 尺寸计算特征向量。该特征能有效捕捉面部的边缘和形状信息，对几何形变和光照变化具有一定的鲁棒性。

5. 分类识别 (SVM)

分类器采用多分类支持向量机 (Multiclass SVM)。

• 训练阶段：通过 fitcecoc 函数训练一个纠错输出编码 (ECOC) 模型，内部采用线性核的支持向量机作为学习器。
• 预测阶段：使用训练好的模型对新提取的特征向量进行预测，输出表情标签及对应的置信度分数。

关键函数说明

以下是 main.m 中核心函数的具体功能分析：

• createGUI

构建系统的主界面，包括绘图区域 (Axes)、状态栏、以及“加载图片”、“开启摄像头”、“训练模型”三个核心按钮，并绑定相应的回调函数。

• processAndDisplay(img)

这是本系统的核心处理引擎。它接收一帧图像作为输入，依序执行：灰度化 -> 人脸检测 -> 循环处理每个人脸 (裁剪、缩放、均衡化、提取HOG特征) -> 调用SVM预测 -> 在原图绘制红框和标签文字 -> 刷新界面显示。

• onTrainModel

负责模型的训练流程。用户通过对话框选择训练数据来源。如果选择文件夹，程序会遍历根目录下的子文件夹，将子文件夹名称作为标签，读取其中的图像提取特征并构建训练集，最后调用 fitcecoc 完成模型训练。

• startCamera / stopCamera

管理摄像头的生命周期。startCamera 使用 webcam 对象建立连接，并利用 while 循环不断获取视频帧快照 (snapshot)，将每一帧送入 processAndDisplay 进行实时处理和显示。

• extractFeatureFromImage

辅助函数，封装了标准的预处理步骤（转灰度、Resize、HistEq）和特征提取步骤，确保训练数据和测试数据经过了完全相同的处理流程。

使用方法

1. 准备数据（可选）：为了获得真实的识别效果，建议准备一个包含表情图片的文件夹。结构如下：

* 根目录/ * 高兴/ (包含若干表情图片) * 悲伤/ (包含若干表情图片) * ...

1. 启动程序：在 MATLAB 命令行运行 main 即可启动 GUI。
2. 训练模型：

* 首次运行请点击 “训练/重置模型”。 * 在弹出的对话框中选择 “选择文件夹(推荐)” 并指向上述准备好的数据根目录。 * 等待进度条或状态栏提示训练完成。 * *注：如果没有数据，可以选择“生成模拟数据”来体验程序流程，但该模式无法识别真实表情。*

1. 测试识别：

* 点击 “加载本地图片” 选择一张包含人脸的图片进行识别。 * 或者点击 “开启摄像头实时识别” 使用电脑摄像头进行实时演示。