matlab自带的人脸分类器,基于MATLAB，运用PCA+SVM的特征脸方法人脸识别

概述：

此文章将要描述一种基于MATLAB平台，运用PCA主成分分析方法对图片数据进行降维，运用SVM支持向量机分类器对降维后的图片数据进行分类处理，从而达到人脸识别的目的。

首先要感谢以下几篇文章的作者(后面引用会标识文章标号)

2.

PCA (主成分分析)详解 (写给初学者) 结合matlab(F)，E篇列出了具体的数据供大家检验，大家可以根据数据来验证数学过程，简单易懂。F篇与前篇有点相似，对初学者很有帮助。

4.浅谈协方差矩阵(G)此篇文章对于大家了解协方差矩阵以及matlab实现很有作用。

准备：

1.编程平台：MATLAB。

首先你得保证你的机器上安装有matlab，建议较高的版本。

2.libsvm工具箱。

本人在对第一篇文章中代码关于SVM分类的部分没有运行成功，所以运用了libsvm工具箱对样本训练，测试，并没有运用第一篇文章的代码，如果你能成功可忽略，但建议安装此工具箱，其对SVM分类有很大帮助。如果你一样没有成功，这里推荐一个链接，有关于libsvm工具箱的安装配置的视频。

3.数据：ORL人脸库。

这个数据为已经预处理的数据，格式为pgm，属于Linux格式，windows环境下无法直接打开，可以在matlab中打开，打开方式imshow(imread('图片路径'))；数据是400张人脸图片，属于40个人，每个人10张，每张大小112*92像素,数据下载地址在第一篇文章中有，这里也给个链接,第四段两个链接都可下载。

4.主成分分析法PCA。

主成分分析法是一种降维的方法，上面给出了几个有用的链接，本文只给出代码，以及代码说明，关于原理，大家尽可参照上面几个链接，写得非常详细也非常通俗。

5.SVM支持向量机分类器。

SVM支持向量机是一个二类分类器，但是本次人脸识别不仅只是分出两类，而是需要分出40个类别。本人以前有过一点机器学习基础，所以在支持向量机原理的理解上没有多大问题，如果读者没有SVM基础，可参考SVM入门(H)，以及写的非常给力的帖子，SVM三层境界(I)。

注：也许很多初学者看到这么多的资料，链接都已经晕了，失去了学习的动力。先别灰心，稍后我会把代码以及代码运行的结果和过程展示给大家，当大家看到这些图像的变换的美妙，就会有学习的兴趣。

编程实现：

以下将要展示的是几个.m文件的代码，.m文件即是能在matlab上面打开运行的代码文件，可以在其中定义函数，如果matlab的当前路径指定在含有这些.m文件的文件夹中，运行时就可以调用这些文件中定义的函数。

首先展示第一个.m文件，便是图片数据读取函数ReadFace.m

function [f_matrix,realclass]=ReadFace(n_persons,flag)

%ORL人脸库。pgm格式的图片。40人，每人10幅图，图像大小为112*92像素。

%每个人有10幅照片，前5幅当作训练集，后5幅当作测试集

%

%输入变量flag:

%   flag是一个标识变量

%   当flag为0时，表示输入为训练集，flag为1时，表示输入为测试集

%

%输入变量n_persons：

%   n_persons标志着你想要识别的人脸个数

%

%输出变量realclass：

%   realclass是一个n_person*5行，1列的列向量。

%   realclass即是数据的标签，无论训练集测试集都进行了标签处理

%

%输出变量f_matrix:

%   f_matrix是一个n_person*5行，112*92列的矩阵

%   每一行便是每一张图片的灰度数据