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：
-
用MATLAB的"人脸扫描仪"（
vision.CascadeObjectDetector） -
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：
-
准备"人脸相册"：
收集每个人的多张照片（不同角度、表情）
-
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）
-
-
-
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"
-
-
识别新人脸：
-
当看到新照片时：
-
先找到人脸位置（检测）
-
提取这个人的"脸部指纹"
-
问SVM专家："这个指纹最像相册里的谁？"
-
-
💡 技术亮点
-
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
-
-
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
-
-
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
-
手机解锁：检测到人脸→提取特征→匹配机主
-
门禁系统：识别员工自动开门
-
相册整理：自动把奶奶的照片归类
-
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
-
更多照片：每人提供20张不同角度的照片
-
光线均衡：避免阴阳脸、背光脸
-
人脸对齐：把眼睛鼻子摆到标准位置再识别
-
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