基于LBP算法的MATLAB人脸识别系统

资 源 简 介

本项目是基于MATLAB平台开发的完整人脸识别应用，重点利用局部二值模式（Local Binary Patterns, LBP）算法具有的旋转不变性和灰度不变性特点，实现由静态图像或图像库进行人脸身份认证的功能。系统执行流程包括：1. 图像预处理模块，负责读取人脸数据库（如ORL或Yale库），将图像转换为灰度图，并进行归一化和直方图均衡化处理以减少光照影响；2. 特征提取核心模块，采用分块LBP策略，将整幅人脸图像划分为若干个矩形子区域（Cells），对每个子区域内的像素计算LBP编码并统计局部直方图，最后将所有子区域的直方图序列连接起来，形成描述该人脸的全局特征向量，有效保留了人脸的空间结构和纹理细节；3. 分类识别模块，利用卡方统计量（Chi-square statistic）、欧氏距离或直方图交集等度量方法计算测试样本与训练样本特征向量之间的相似度，结合最近邻分类器（KNN）完成身份匹配；4. 结果分析与可视化模块，设计有GUI操作界面，能够展示原始图像、LBP特征图谱、识别结果及置信度，并能批量测试数据库以输出系统的整体识别准确率曲线。该项目适用于生物特征识别教学、安防监控模拟及计算机视觉算法研究。

详 情 说 明

基于局部二值模式(LBP)的人脸识别系统

项目简介

本项目是一个基于MATLAB平台开发的完整人脸识别应用系统。核心算法利用局部二值模式（Local Binary Patterns, LBP）提取人脸图像的纹理特征，结合分块空间直方图（Spatial Histogram）保留空间结构信息，并通过卡方距离（Chi-square Distance）进行相似度度量，实现高效的人脸身份认证。系统包含完整的图形用户界面（GUI），集成了数据加载、模型训练、单样本识别演示及批量测试分析功能。

系统要求

• 开发环境：MATLAB
• 工具箱依赖：基础图像处理工具箱（Image Processing Toolbox）用于图像读取、缩放和直方图均衡化操作。

功能特性

1. 交互式GUI界面：提供清晰的操作面板和可视化区域，实时展示识别过程中的原始图、LBP特征图和匹配结果。
2. 数据管理：支持加载用户自定义的人脸数据库（按文件夹分类）或生成模拟数据，并自动按 70% / 30% 的比例随机划分训练集和测试集。
3. 图像预处理：自动进行灰度转换、尺寸标准化和光照归一化处理。
4. 特征提取：采用经典LBP算子结合分块策略，生成高维特征向量。
5. 识别与评估：

* 单张测试：随机抽取样本进行识别，可视化展示特征分布及与数据库中最佳匹配项的对比。 * 批量测试：对测试集所有样本进行识别，计算系统整体准确率并绘制距离分布图。

算法实现细节

本项目的主要代码逻辑集中在单一文件中，核心算法的具体实现机制如下：

1. 图像预处理机制

系统在进行特征提取前，对所有输入图像执行标准化的预处理流程：

• 灰度化：若输入为彩色图像，首先转换为灰度图。
• 几何归一化：将所有图像强制缩放至 64x64 像素的标准尺寸，确保特征维度一致。
• 光照归一化：应用全局直方图均衡化（Histogram Equalization），增强图像对比度并减少光照变化对识别结果的影响。

2. LBP 特征提取核心逻辑

代码未直接调用工具箱函数，而是手动实现了高效的向量化LBP算法：

• LBP 算子计算：

* 在 3x3 的邻域内，将中心像素与周围 8 个邻居像素逐一比较。 * 若邻居像素值大于等于中心像素，标记为1，否则为0。 * 按顺时针方向对二值结果赋权（1, 2, 4, ..., 128），求和得到中心像素的 LBP 编码值（0-255）。 * 代码采用了矩阵位移（Vectorized shifting）的方式代替多层循环，显著提高了计算速度。

• 分块空间直方图（Spatial Histograms）：

* 为了保留人脸的空间结构信息，将 64x64 的 LBP 特征图划分为 4x4 的网格，共 16 个子区域（Cells）。 * 对每个子区域计算 256 维的 LBP 统计直方图，并进行归一化处理。 * 最终将这 16 个归一化的直方图首尾连接，形成一个长特征向量（维度为 16 * 256 = 4096维），作为该人脸的全局描述符。

3. 分类与度量方法

• 距离度量：系统实现了卡方距离（Chi-Square Distance）算法，专门用于衡量两个直方图分布之间的差异。相比于欧氏距离，卡方距离在纹理直方图匹配中通常具有更好的性能。
• 分类策略：采用了最近邻分类器（KNN, K=1）。识别时，计算测试样本特征向量与所有训练样本特征向量之间的卡方距离，距离最小的训练样本所属的类别即为预测身份。

4. 数据结构与流程控制

• 全局数据结构：使用 setappdata 和 getappdata 在 GUI 不同回调函数间共享数据结构，包括训练/测试图像集、标签及训练好的特征矩阵 (trainFeatures)。
• 训练流程：遍历训练集图像，预处理后提取 LBP 特征并存储，为后续识别建立特征库。
• 测试流程：对查询图像执行相同的预处理和特征提取，然后在特征库中搜索最佳匹配。

使用方法

1. 启动系统：运行主函数，系统界面将初始化并显示。
2. 加载数据：

* 点击 "1. 加载人脸数据库" 按钮，选择包含人脸图像的根目录（要求每个子文件夹代表一个人，包含相应的图片）。 * 或者点击 "生成模拟数据" 按钮，系统会尝试生成虚拟数据用于流程演示。 * 系统会自动完成训练集和测试集的随机划分。

1. 模型训练：

* 点击 "2. 训练模型" 按钮。 * 系统将提取训练集中所有图像的 LBP 特征。进度条或状态栏会显示当前提取进度。

1. 识别测试：

* 点击 "3. 单张识别测试"：系统将随机从数据集中选取一张图像，显示其原始图、计算得到的 LBP 特征图、以及数据库中匹配到的最相似人脸，并输出判别结果和卡方距离值。右下方会绘制两个样本的直方图曲线对比。 * 点击 "4. 批量测试与准确率"：系统将对预留的测试集进行全量测试，计算整体识别准确率，并在界面下方绘制所有测试样本的匹配距离分布直方图。

备注

• 代码中包含了详细的GUI构建逻辑，使用了 uipanel、uicontrol 和 axes 进行布局。
• 图像读取模块假设目录结构为 根目录/类别名/图片文件。