基于MATLAB的人脸识别gui

鼠标在MATLAB的App Designer界面拖动控件的时候，我突然意识到人脸识别这玩意做起来比想象中有趣。咱们今天不整那些高大上的深度学习框架，就用最朴素的图像处理思路搞个能跑的人脸识别GUI，你会发现传统方法在某些场景下依然能打。

界面布局先整利索。左侧放个坐标轴axes1用来显示原始图像，右侧axes2放预处理后的灰度人脸，底下塞两个按钮分别控制导入图片和启动识别。这里有个坑要注意：image和uiaxes组件别用混了，2020版之后的MATLAB对图形对象管理做了调整，用错组件会导致莫名其妙的图像显示问题。

% 图像预处理回调函数片段
function PreprocessButtonPushed(app, ~)
    if isempty(app.OriginalImage)
        uialert(app.UIFigure,'请先选择图片','提示');
        return;
    end
    grayImg = im2gray(app.OriginalImage); % 灰度化
    equalizedImg = histeq(grayImg); % 直方图均衡
    faceDetector = vision.CascadeObjectDetector();
    bbox = step(faceDetector, equalizedImg); % 人脸检测
    if ~isempty(bbox)
        croppedFace = imcrop(equalizedImg, bbox(1,:)); 
        app.PreprocessedImage = imresize(croppedFace,[150 150]);
        imshow(app.PreprocessedImage, 'Parent', app.axes2);
    else
        warndlg('未检测到人脸','警告');
    end
end

这段代码里的vision.CascadeObjectDetector是MATLAB自带的Viola-Jones算法实现，实际测试中发现对侧脸识别不太友好。解决方法是在检测参数里调整MergeThreshold，数值越大误检越少但可能漏检，建议设置在3到5之间比较平衡。

特征提取部分尝试过LBP和HOG两种方式，最终选了运行速度更快的LBP。这里有个骚操作：把特征向量存入.mat文件时，记得用-append参数避免覆盖历史数据。训练集积累到200张左右时，发现直接用矩阵索引比cell数组处理快三倍不止。

% 特征数据库更新逻辑
function UpdateFeatureDB(app, newFeature)
    if exist('faceDB.mat','file') 
        data = load('faceDB.mat');
        app.FeatureMatrix = [data.FeatureMatrix; newFeature]; 
    else
        app.FeatureMatrix = newFeature;
    end
    save('faceDB.mat','-mat','-v7.3','FeatureMatrix');
    % 这里用v7.3格式支持大于2GB的数据存储
end

识别算法部分用余弦相似度做比对，实测比欧氏距离更适合我们的场景。当特征维度升到128时，在i5处理器上跑1000次比对大概需要0.8秒，这个速度在GUI里勉强能接受。后来加了进度条控件提升用户体验，结果发现uitree组件在循环更新时容易卡顿，改成text字段+定时器刷新才解决。

最后打包成独立应用时踩了个大坑：必须手动把OpenCV库文件加到打包路径里，否则在别的电脑上运行会报找不到cascade分类器的错误。测试阶段最搞笑的是同事拿猩猩照片来试，系统居然识别成我的工牌照——这说明特征降维时可能丢失了关键区分度，后来在预处理阶段加入边缘强化滤波才改善这个问题。

完整项目里其实还藏了个彩蛋：按住识别按钮超过3秒会进入调试模式，实时显示特征匹配的热力图。这个GUI现在挂在实验室门口当考勤机用，虽然偶尔把戴墨镜的同事认错，但比起买商业软件省下的预算，这点小毛病完全可以忍。