MATLAB实战：人脸检测与识别实现方案

我们要用电脑识别照片或视频中的人脸，并知道是谁的脸。就像手机相册能自动识别照片里的人是谁一样。

---

🔍 人脸检测（找脸）

目标：在图片中找到人脸的位置
怎么做：

1. 用MATLAB的"人脸扫描仪"（vision.CascadeObjectDetector）

2. 这个扫描仪的工作原理：

   • 像在图片上移动一个"放大镜"🔍

   • 检查每个区域是否符合人脸特征（眼睛、鼻子、嘴巴的排列）

   • 发现人脸就用方框标出来

举个栗子🌰：
你给电脑一张班级合照，它会在每个人脸上画个红框。

---

👤 人脸识别（认人）

目标：认出这是谁的脸
步骤：

1. 准备"人脸相册"：

   收集每个人的多张照片（不同角度、表情）

2. 提取"人脸指纹"：

   • 电脑不是记整张脸，而是记关键特征

   • 两种常用方法：

     • HOG特征：记录脸部轮廓线条的方向（像画简笔画✏️）

     • LBP特征：记录皮肤纹理的斑点图案（像记雀斑位置）

3. 训练"人脸识别专家"：

   • 用SVM（支持向量机）算法

   • 把"张三"的脸部特征和名字关联起来

   • 就像教小孩："这种眼睛+鼻子组合是张三"

4. 识别新人脸：

   • 当看到新照片时：

     1. 先找到人脸位置（检测）

     2. 提取这个人的"脸部指纹"

     3. 问SVM专家："这个指纹最像相册里的谁？"

---

💡 技术亮点

1. Viola-Jones算法（找脸神器）：

   • 超快扫描，能处理模糊/侧脸

   • 原理：用多个简单特征快速排除非人脸区域

2. HOG+LBP（黄金组合）：

   • HOG：擅长捕捉轮廓（适合辨认脸型）

   • LBP：擅长记录纹理（适合辨认皮肤细节）

   • 合起来=看脸型+看肤质，双保险

3. SVM分类器（最强大脑）：

   • 在特征空间画"分界线"

   • 例如：张三的脸部特征在A区，李四的在B区

   • 新人脸落在哪个区就判断是谁

---

🚀 实际应用场景

1. 手机解锁：检测到人脸→提取特征→匹配机主

2. 门禁系统：识别员工自动开门

3. 相册整理：自动把奶奶的照片归类

4. 会场签到：扫一眼就知道谁到场了

---

⚠️ 注意事项

• 光线问题：暗光下可能认不出（就像你看不清暗处的人脸）

• 双胞胎难题：长得太像可能分不清（需要更多细节特征）

• 戴口罩：遮住大半脸会困难（就像你认不出戴口罩的朋友）

---

🔧 如何提高准确率

1. 更多照片：每人提供20张不同角度的照片

2. 光线均衡：避免阴阳脸、背光脸

3. 人脸对齐：把眼睛鼻子摆到标准位置再识别

4. 更新相册：定期增加新照片（比如换了发型）

以下是完整代码演示

人脸检测部分（Viola-Jones算法）

% 创建人脸检测器
detector = vision.CascadeObjectDetector();

% 读取测试图像
img = imread('test_face.jpg');

% 检测人脸
bboxes = step(detector, img);

% 显示结果
detectedImg = insertObjectAnnotation(img, 'rectangle', bboxes, 'Face');
imshow(detectedImg);
title('Detected Faces');

人脸识别部分（HOG特征 + SVM分类器）

%% 数据集准备
% 假设数据集结构为：dataset/class/personXX_imYY.png
datasetPath = 'att_faces'; % ORL数据集路径
imds = imageDatastore(datasetPath, ...
    'IncludeSubfolders', true, ...
    'LabelSource', 'foldernames');

% 划分训练集和测试集（80%训练，20%测试）
[trainSet, testSet] = splitEachLabel(imds, 0.8, 'randomized');

%% 特征提取 - HOG
cellSize = [4 4];  % 特征单元尺寸
hogFeatureSize = 5184;  % 根据图像大小计算得到

% 提取训练集HOG特征
trainFeatures = zeros(numel(trainSet.Files), hogFeatureSize, 'single');
for i = 1:numel(trainSet.Files)
    img = readimage(trainSet, i);
    img = im2gray(img);
    trainFeatures(i, :) = extractHOGFeatures(img, 'CellSize', cellSize);
end

% 获取训练标签
trainLabels = trainSet.Labels;

%% 训练多类SVM分类器
classifier = fitcecoc(trainFeatures, trainLabels);

%% 测试集评估
testFeatures = zeros(numel(testSet.Files), hogFeatureSize, 'single');
for i = 1:numel(testSet.Files)
    img = readimage(testSet, i);
    img = im2gray(img);
    testFeatures(i, :) = extractHOGFeatures(img, 'CellSize', cellSize);
end

testLabels = testSet.Labels;
predictedLabels = predict(classifier, testFeatures);

% 计算准确率
accuracy = sum(predictedLabels == testLabels) / numel(testLabels);
fprintf('识别准确率: %.2f%%\n', accuracy * 100);

% 显示混淆矩阵
confMat = confusionmat(testLabels, predictedLabels);
figure;
confusionchart(confMat);
title('混淆矩阵');

完整人脸检测+识别流程

% 1. 加载预训练模型
load('faceRecognitionModel.mat'); % 包含classifier和hog参数

% 2. 读取测试图像
testImg = imread('group_photo.jpg');

% 3. 人脸检测
detector = vision.CascadeObjectDetector();
bboxes = detector(testImg);

% 4. 对每个检测到的人脸进行识别
recognizedImg = testImg;
for i = 1:size(bboxes, 1)
    % 裁剪人脸区域
    face = imcrop(testImg, bboxes(i, :));
    
    % 预处理
    faceGray = im2gray(face);
    faceResized = imresize(faceGray, [112 92]); % ORL数据集尺寸
    
    % 提取HOG特征
    features = extractHOGFeatures(faceResized, 'CellSize', cellSize);
    
    % 预测标签
    label = predict(classifier, features);
    
    % 标记结果
    recognizedImg = insertObjectAnnotation(recognizedImg, ...
        'rectangle', bboxes(i, :), char(label), ...
        'FontSize', 16, 'TextBoxOpacity', 0.8);
end

% 显示最终结果
figure;
imshow(recognizedImg);
title('人脸识别结果');

技能点实现说明

1. Viola-Jones人脸检测

   • 使用vision.CascadeObjectDetector实现

   • 基于Haar级联分类器，适合实时检测

2. HOG特征提取

   • extractHOGFeatures函数提取梯度方向直方图

   • 参数CellSize控制特征粒度（常用[4×4]或[8×8]）

3. SVM分类器

   • 使用fitcecoc训练多类SVM（支持向量机）

   • ECOC（Error-Correcting Output Codes）处理多分类问题

4. 模型评估

   • 混淆矩阵可视化分类性能

   • 计算测试集准确率

优化方向

1. 添加人脸对齐预处理

2. 尝试LBP特征替代HOG：extractLBPFeatures

3. 使用深度学习模型（AlexNet/ResNet迁移学习）

% 迁移学习示例
net = alexnet;
layers = net.Layers(1:end-3);
layers(end+1) = fullyConnectedLayer(numClasses);
layers(end+1) = softmaxLayer();
layers(end+1) = classificationLayer();

注意事项

1. 训练前统一图像尺寸（建议与ORL数据集一致）

2. 光照归一化可提升识别率

3. 人脸检测阶段可添加MergeThreshold参数调整灵敏度