最近用matlab做的一個簡單的人臉識別，代碼非原創，忘了從哪裏找到的了，修改了一部分之後，代碼可運行，詳見我的資源。效果圖如下：
1.數據採集
本文選擇的人臉數據是英國劍橋大學的ORL人臉數據庫是英國劍橋大學的ORL人臉數據庫。下載址：
http://www.cl.cam.ac.uk/Research/DTG/attarchive/pub/data/att_faces.tar.Z
該數據庫由40個人的400幅人臉圖像構成，圖像的分辨率爲112*92的灰度圖。人臉的面部表情和細節均有很大的變化，例如笑與不笑，眼睛睜着或不戴眼鏡等；人臉姿態也有很大的變化，其深度旋轉和平面旋轉可達20度，人臉尺寸的也有最多的10%的變化。
2.數據預處理
了保證所有的人臉在圖像中的大小、位置和偏斜的不變性，需要去除頭髮、脖子、肩膀及圖像背景等與人臉無關的部分。在特徵提取前必須對人臉圖像進行幾何歸一化處理。
具體包括：
1)人臉圖像旋轉：保證了人臉方向上的一致性，也就保持圖1中的ErEl水平
2)人臉圖像剪裁：人臉位置的一致性，按圖1中的比例剪裁人臉圖像
3)圖像尺度變換：保證人臉大小的一致性，把人臉圖像縮放到32*32大小。
相關代碼：procORL.m
3.特徵提取
這裏的選取圖像的（x,y）點的灰度值做爲特徵值I(x,y)，爲了後面算法的方便，把I(x,y)變爲一維列向量：X=（x1,x2,…,xn）,對於32*32=1024個像素點的人臉圖像由維變到一維的特徵數量就是1024個。
相關代碼：getfacedata.m
4.PCA主成分分析
本文選取的是ORL庫中5個人的10張人臉圖像，其中從每人中抽取5張作訓練圖像，其餘5張做測試圖像。那麼訓練集，跟測試集都有25張人臉圖像。根據模式識別的有關理論，所選取的訓練圖像應該遠大於特徵數1024個。在樣本數量遠小於圖像特徵數的情況下，過多的特徵數會導致峯值現像，也就是使識別錯誤變大。所以我們這裏要通過PCA主成分分析法降維。PCA方法能夠生成有用的特徵，並且使生成的特徵不相關，從而達到降維的目的。
本文1024維的特徵向量經過PCA主成分分析後變爲11維的特徵向量，些時11維的特徵向量對識別的貢獻率已經達90%以上。
相關代碼：pcapro.m
5.待測人臉圖像識別
識別方法通過計算待測人臉圖到培訓人臉圖像集的距離進行識別，也就是計算PCA反回後的11維向量間的距離d(X,Y) = sqrt((X-Y).^2);
6.結論
PCA的能夠對高維線性數據進行降維，在PCA主成分分析能有效的對人臉進行識別。
備註：本文的提供的代碼已經存儲了相應的歸一化的培訓、測試集，跟生成了相應的PCA分析返回的向量，協方差矩陣。故把下面的代碼進行了註釋
% imglist = readFolderOrl(direct,'*.pgm');%讀取orl庫中的人臉圖片路徑
% tr_orl(imglist,tr_face);%提取培訓集
% tt_orl(imglist,tt_face);%提取測試集
% imglist =readFolderOrl(tr_face,'*.jpg');%培訓集中的人臉圖片路徑
% tr_facedata = getfacedata( imglist );%獲取培訓集中的人臉圖片數據
% save tr_facedata; %存儲數據
% imglist =readFolderOrl(tt_face,'*.jpg');%測試集中的人臉圖片路徑
% tt_facedata = getfacedata( imglist );%測試集中的人臉圖片數據
% save tt_facedata; %存儲數據
% [pc,latent,mixedisg]= pcapro(sample,rate);%PCA分析，只要做一次就夠了，要點時間
% save pc; %PCA分析返回的特徵向量
% save mixedisg;%協方差矩陣
直接運行代碼中的test.m就可以了。
