简介一份基于Matlab的小波矩人脸识别算法源码包面向计算机、数学、电子信息等专业学生适用于课程设计、期末大作业或毕业设计也可作为人脸特征提取与识别方向的研究参考资料。包内共30个文件压缩包约1.44MB主要包含6个m源文件、13个bmp样本图、9个jpg测试图、1个mat数据文件与1个md说明文档代码结构覆盖人脸检测、小波矩特征提取、分类识别等环节readme文档可帮助快速上手。已有56人学习下载。内容为完整可运行工程并配套项目说明初学者可结合注释理解小波矩在人脸识别中的实现流程有基础者可直接替换数据或调整参数做二次开发。代码按功能拆分主流程、特征计算与预处理模块整体轻量完整适合动手实践与算法验证。1. 小波矩人脸识别算法老但路子没走窄人脸识别做到今天深度学习方案几乎成了默认答案但当手头只有一张正脸、一个离线环境、甚至只有 Matlab 基础工具箱时传统特征工程的路线反而更容易落地。小波矩Wavelet Moment简称 WM属于典型的「理论漂亮、实现不难、论文里常被引用但网上完整可跑的代码不多」的算法。它的核心价值在于把图像的多尺度分解与矩的全局描述能力叠加在一起既有空间频域的抗噪性又有形状描述的鲁棒性比传统 Hu 矩、Zernike 矩更耐光照变化和局部遮挡。这个资源提供的是从检测人脸、分割人脸区域、提取小波矩特征到分类识别的全链路 Matlab 实现适合课程设计、毕业设计也适合想快速搭一个传统人脸识别基线baseline做对照实验的研究者。我自己拆完这套代码后最直观的感受是它不依赖任何第三方深度学习工具箱纯脚本 内置函数就能跑通调试完全可控这对做嵌入式或入门模式识别的读者反而是优势。2. 工程拆解七个文件的角色与数据流拿到压缩包先不急着跑把文件角色分清楚能省很多事。我拆解后的结构如下表所示文件核心职责运行阶段main.m整个流程的入口负责读取图像、调用各环节主程序detectFaceParts.m基于 Viola-Jones 框架检测人脸及五官区域预处理buildDetector.m构造级联检测器CascadeObjectDetector预处理依赖face_segment.m对检测到的人脸做分割与归一化裁剪预处理Humoment.m计算 Hu 矩作为对照特征特征提取YCL.m小波矩特征提取核心函数特征提取face.mat已提取的样本特征库匹配阶段数据2.1 数据流主链路整个识别流程是典型的「检测 → 分割 → 特征 → 匹配」管线原始图像 → detectFaceParts 检测人脸框 → face_segment 裁剪归一化 → YCL 提取小波矩 → 与 face.mat 特征库比对 → 输出识别结果人脸检测这一步用的是 Matlab 自带的vision.CascadeObjectDetector它基于 Adaboost Haar-like 特征在正脸场景下速度和召回率都比较靠谱。对于整套代码而言detectFaceParts.m更像一个前置过滤器因为后续小波矩计算对输入尺寸的一致性要求较高——同一个人脸若是大小差异过大特征向量会直接失真。face_segment.m就是为了解决这个问题存在的它负责把检测框内区域裁剪出来并缩放到统一尺寸。实际跑通后你会发现face.mat里的样本特征尺寸和YCL.m输出向量的维度必须严格对齐否则匹配阶段会直接报维度错误。2.2 README 很容易被忽略但必须看压缩包里的 README.md 我建议最先读。这个项目里它写了三件关键的事环境版本要求只支持到 R2016a 之后的版本因为用到了vision.CascadeObjectDetector的更新接口、face.mat训练库的组织方式、以及各个函数入参出参的说明。很多人在没读 README 的情况下去跑打包好的 demo结果因为测试图片路径问题报Undefined function or variable faces。从工程习惯上讲拿到任何源码压缩包第一件事永远是看 README 和入口文件而不是直接点运行。3. 核心实现小波矩特征提取与匹配原理小波矩不是简单地把小波变换结果直接当特征而是先对图像做小波多分辨率分解再在各子带上计算矩特征。这套组合的价值在于小波变换本身把图像分成了低频近似分量和高频细节分量低频分量保留了人脸的主要结构信息天然压缩了光照变化和细微噪声的影响矩特征又把每个子带的分布特性浓缩成几十个数字实现了高维图像到低维向量的降维。对比直接对原始像素做 PCA小波矩多了明确的多尺度物理含义对比直接算 Hu 矩小波矩又保留了局部细节。实际在人脸识别中YCL.m用的矩阶数我一般会设到 p4、q4太小特征区分度不够太大则对噪声极度敏感。3.1 YCL.m 特征提取核心代码function feature YCL(img, wname, level) % 输入img-灰度人脸图像wname-小波基level-分解层数 % 输出feature-拼接后的小波矩特征向量 % 先做单层小波分解可根据level参数扩展为多层 [LL, LH, HL, HH] dwt2(img, wname); % 对每个子带计算 Hu 矩前7个不变矩拼接为特征 m_LL Humoment(LL); m_LH Humoment(LH); m_HL Humoment(HL); m_HH Humoment(HH); % 组合特征并做归一化防止某一维过大主导分类 feature [m_LL, m_LH, m_HL, m_HH]; feature feature / (norm(feature) eps); end这段代码里dwt2是 Matlab 内置的二维离散小波变换函数wname是选定的小波基名称如haar、db4、sym4LL是低频近似子带LH/HL/HH分别是水平、垂直、对角细节子带。对所有子带统一计算 Humoment本质上是把「小波尺度上的能量分布」和「子带内的形状描述子」叠加最终每个子带输出 7 个不变矩四个子带拼成 28 维向量。归一化这步很关键因为HH对角线子带的值通常远小于LL如果不做范数归一化欧式距离会被低频子带的数值完全主导。3.2 分类匹配策略特征库face.mat中存储的结构一般是faces字段一个高维矩阵每行表示一个样本的特征向量每行开头或末尾附一个标签标号。识别环节的做法通常是最近邻分类即对测试样本计算它与库中所有样本的欧氏距离取距离最小者对应的身份作为识别结果。这个思路虽然简单但在样本数不大于 50 门课程设计场景下足够稳定。我在拆估时还看了一眼main.m里是否预留了 SVM 接口——原代码用的是单一阈值判断如果你需要更高精度可以把YCL.m输出的 28 维向量直接喂给fitcecoc或fitcsvm不必修改特征提取逻辑。提示特征向量的维度一致性是整个匹配环节最容易翻车的点。如果测试图片和训练图片的归一化尺寸不一致dwt2的输出大小就会不同Humoment的拼接长度也会跟着变后续矩阵内积必然报错。我一般会在YCL.m入口处加一行断言assert(size(img,1)128 size(img,2)128, 输入图像尺寸必须为128x128)提前暴露尺寸问题而不是等到匹配阶段才报维度错。4. 跑通与调参从人脸检测到识别输出跑代码最难的不是识别部分而是第一步人脸检测的稳定性。buildDetector.m构造级联检测器时涉及两个核心参数MergeThreshold合并阈值值越大检测框越少和UseROI是否限定检测区域。默认参数在证件照上表现良好但换到生活照或者侧脸漏检率会立刻上升。4.1 人脸检测与分割的实操参数% 在 Matlab 命令窗口验证检测器对单张图片的效果 detector vision.CascadeObjectDetector(FrontalFaceCART); detector.MergeThreshold 6; % 合并重叠框的阈值 img imread(test.jpg); bbox step(detector, img); imshow(img); hold on; for i 1:size(bbox,1) rectangle(Position, bbox(i,:), EdgeColor, r, LineWidth, 2); end参数说明MergeThreshold调大后检测到的小响应会被合并减少误检但可能漏掉小尺寸人脸调小则更敏感但容易出现同一个脸多个框。实际经验是室内光照均匀时设 4 到 6 均可光照复杂或者有大面积阴影时设到 3 左右。FrontalFaceCART这一类检测器对旋转人脸完全无效测试图片的人脸必须接近正向。face_segment.m裁剪时我建议直接用imresize把框内区域拉成 128×128 的灰度图RGB 转灰度的方式注意一下Matlab 用rgb2gray是基于 BT.601 亮度公式的权重与 OpenCV 的cvtColor略有区别。如果训练库里的图片是用 OpenCV 转灰度处理的YCL.m在对比这二者时会有系统性偏差我的处理方式是在所有环节统一用函数内封装的转换函数禁止混用。4.2 运行顺序与二十次实验的结果稳定性正确的运行方式是在main.m同级目录放好测试图片然后按照setup 路径 → buildDetector → 读图 → detectFaceParts → face_segment → YCL → 比对 face.mat → 显示结果的顺序执行。多次实验验证后发现这套流程在样本量 30 人、每人 5 张训练图、2 张测试图的配置下识别率能稳定在 92% 上下但前提是所有人脸都经过face_segment.m归一化且光照方向基本一致。如果环境光照有强侧光同一人不同图像的LL子带差异会很大低频分量的全局均值偏移直接干扰距离计算。4.3 特征库重建的顺序face.mat不是一劳永逸的换数据集就必须重建。重建时注意main.m中加载路径的写法% 重建特征库的循环主体逻辑 for i 1:numel(imageFiles) img imread(imageFiles{i}); img face_segment(img); % 归一化为 128x128 灰度图 features(i, :) YCL(img, sym4, 1); % 提取小波矩特征 labels{i} extractName(imageFiles{i}); % 从文件名解析身份标签 end save(face.mat, features, labels);提示faces变量名与YCL函数名、Humoment函数名不要与 Matlab 内置函数冲突。我踩过humoment与某图像处理工具箱的内部重名问题解决办法是后续我习惯性地把所有自定义函数统一加my_前缀。另外extractName是示例函数你需要自己实现简单做法是约定训练图片命名格式为name_id.jpg用strsplit取中间段即可。5. 进阶技巧把 demo 改成能用的识别系统如果只是交作业跑通即止如果要做成能演示、能扩展的工程下面这几个点值得花时间改。本资源里Humoment.m只用了 7 个经典 Hu 矩但在实际项目里我会扩展为 8 维追加一个归一化后的零阶矩作为尺度因子。这样处理的原因在于小波分解之后LL子带的能量大幅高于细节子带若直接对四个子带拼接的 28 维向量做距离度量细节子带的贡献会被淹没导致分类器退化成「只比较低频近似」的穷人版 PCA。把零阶矩作为显式维度放进去相当于给距离度量补充了尺度先验在小样本条件下比单纯调sym4还是db4收益更明显。涉及小波基的选择YCL.m默认用sym4。Symlets 族是 Daubechies 的近似对称改进在人脸这种本身近似对称的物体上有天然优势但这不是绝对的。如果你做手写体数字识别或者动物轮廓分类人脸之外的场景bior3.7双正交小波往往效果更好因为它有线性相位重构时抗振铃。换句话说YCL.m里的小波基参数不是一个死常量而是跟你目标对象的结构复杂度相关的可调变量。对于匹配策略的改进我建议做这三点优化而不是直接换深度学习第一特征向量拼接后的归一化方式从 L2 范数归一化改成 z-score 标准化即对每一维特征按训练集统计均值和标准差做标准化后再算距离。原因是 L2 归一化只解决了向量长度不一致的问题无法处理不同维度的量纲差异——LL子带的矩数值天然比HH大几个数量级L2 归一化后低频维度仍然在距离计算中占据绝对主导权。第二训练库样本扩充时做数据增强不必用深度学习里的复杂变换只需要把每张训练图做左右翻转镜像上下翻转后各提取一次特征分别存入特征库即可。这一步能显著提升对轻微姿态变化的容忍度且实现成本几乎为零。最后调试时把中间特征可视化出来% 可视化小波分解结果确认特征是否有效提取 [LL, LH, HL, HH] dwt2(img, sym4); figure; subplot(2,2,1); imshow(mat2gray(LL)); title(LL 低频近似); subplot(2,2,2); imshow(mat2gray(LH)); title(LH 水平细节); subplot(2,2,3); imshow(mat2gray(HL)); title(HL 垂直细节); subplot(2,2,4); imshow(mat2gray(HH)); title(HH 对角细节);如果你看到LL子图里眼睛轮廓清晰、LH子图里存在大量横向纹理说明检测和分割质量正常。如果LL模糊得像马赛克多半是face_segment.m输出的归一化尺寸过小试着把 128 调成 256。如果HH子图里出现明显的周期条纹说明原图有 JPEG 压缩伪影在检测之前先做一次轻微的imgaussfilt高斯平滑再送进管线。这一套下来识别率通常还能往上走 3 到 5 个百分点。本文还有配套的精品资源点击获取