简介：这是一套面向人脸识别与PCA降维学习的MATLAB项目包，由31att.com提供，内含完整的att_faces人脸图像数据集及配套算法脚本。数据集涵盖约40位不同对象在多种角度、表情与光照条件下的面部样本，其中400个bmp与400个pgm格式图像分别对应原始图像与灰度版本，另有txt说明文件与m脚本各1个，整体802个文件、6.24MB。项目核心价值在于演示PCA主成分分析的完整流程：对图像进行灰度化与中心化处理，计算协方差矩阵并提取前k个特征向量构建特征脸空间，最终实现降维与分类识别。对于正在学习模式识别、机器学习入门或MATLAB图像处理的中级学习者而言，这是可直接运行、便于对照理论理解算法细节的实操素材。目前已有598人学习下载。

1. 它是什么：一份被无数MATLAB人脸识别作业翻来覆去用的经典数据集

做MATLAB图像处理相关的工作，绕不开一个叫att_faces的东西。这个数据集全称是 AT&T Database of Faces，早期也叫 ORL 人脸库，标题里那串31att是早期镜像站点的路径残留，本质上是同一份数据：40 个人，每人 10 张 112×92 的 8 位灰度人脸照片。拍摄条件有光照、表情、是否戴眼镜、拍摄时间间隔等变化，但这个体量对做算法验证来说刚好——人不多、样本不多、数据不大，MATLAB 里 load 进来直接就能跑。

很多搜这个标题的人是拿着它做课程设计或者论文实验，比如人脸识别、PCA 降维、LDA 分类、深度学习前的基线对比。它之所以被用得这么频繁，是因为结构规整：40 个子文件夹，每类 10 张，天然适合做监督分类实验。你不需要自己做数据清洗，也不需要处理标注文件，文件名编号就是标签。这篇笔记就按我实际做实验的顺序，从数据导入到 PCA、LDA 两个经典方法跑通，再把最容易翻车的地方挨个讲一遍。

2. 把 att_faces 变成 MATLAB 能直接用的矩阵：从目录到 .mat 的完整转换

2.1 先搞清楚数据集的目录结构，别急着写代码

这个数据集最常见的发布形态是一个压缩包，解压后是orl_faces或者att_faces目录，里面按s1、s2一直到s40分子文件夹。每个文件夹里是1.pgm到10.pgm的 PGM 格式灰度图。PGM 是 NetPBM 家族的简易格式，MATLAB 的imread直接支持，不需要额外装插件。

我见过太多人在第一步就栽跟头：下载的压缩包解压后套了两层目录，或者某些第三方镜像把文件名改成了*.png、*.jpg。先花 30 秒确认路径和文件后缀再动手写脚本，比后面排错省时间。常见的目录结构长这样：

att_faces/ ├── s1/ │ ├── 1.pgm │ ├── 2.pgm │ └── ... ├── s2/ │ ├── 1.pgm │ ├── 2.pgm │ └── ... └── s40/ ├── 1.pgm └── ...

如果解压出来不是这个结构，比如文件名变成了1.png或者多了一层ORL/att_faces/，改一下下面的遍历路径就行。核心是把所有图片读进来，按「人」和「该人的第几张」两个维度组织数据。这个数据结构直接决定了后面的标签怎么生成。

2.2 写一个可复用的人脸数据导入脚本

下面这段脚本我一直在用，读入后直接生成两个变量：data是样本矩阵，每一行是一张拉直后的图片向量；labels是对应的类别标签，从 1 到 40。这样设计是为了后面接 PCA、LDA 甚至简单的神经网络都不用再改数据格式。

% 人脸数据集导入脚本 % 假设数据集根目录为 ./att_faces，子文件夹 s1~s40，每个文件夹 10 张 pgm rootDir = './att_faces'; numClasses = 40; % 类别数 numSamplesPerClass = 10; % 每类样本数 imgH = 112; % 图像高度 imgW = 92; % 图像宽度 imgDim = imgH * imgW; % 拉直后向量长度 % 预分配矩阵：10304 = 112*92 data = zeros(numClasses * numSamplesPerClass, imgDim); labels = zeros(numClasses * numSamplesPerClass, 1); sampleIdx = 1; for i = 1:numClasses for j = 1:numSamplesPerClass filePath = fullfile(rootDir, sprintf('s%d', i), sprintf('%d.pgm', j)); img = imread(filePath); % 读入 PGM，输出是 uint8 的二维矩阵 img = im2double(img); % 转成 [0,1] 区间的 double，避免后续计算溢出 data(sampleIdx, :) = img(:)'; % 按行存储：每行是一张拉直的图 labels(sampleIdx) = i; sampleIdx = sampleIdx + 1; end end % 随机打乱数据，避免按顺序划分导致的偏差 rng(42); % 固定随机种子，保证实验可复现 permIdx = randperm(size(data, 1)); data = data(permIdx, :); labels = labels(permIdx); % 保存成 .mat 文件，后续所有实验直接从 mat 读 save('att_faces_processed.mat', 'data', 'labels', 'imgH', 'imgW');

这段代码有几点值得说明。im2double这一步非常关键，imread读 PGM 默认返回uint8类型，如果你直接对uint8矩阵做减法或者特征分解，MATLAB 会做类型截断，算出来的方差和特征值完全是错的。用im2double把像素归一化到[0,1]，既保精度又避免数值溢出。

另一个细节是打乱顺序。如果不打乱，你切训练集和测试集时，很可能会把前几个人的全部样本切进训练集，后几个人的切进测试集，导致测试集类别覆盖不全。固定rng(42)保证每次跑出来的划分一致，这在调参阶段非常重要——否则你没法判断是算法改进了还是数据划分变了。

2.3 数据划分：按人切还是按样本切，要看你验证什么

导入数据后第一件事就是切训练集和测试集。人脸识别实验里有两种切法：按样本切（每类随机抽几张做训练，其余做测试）和按人切（前 30 人训练，后 10 人测试）。按样本切验证的是「见过这个人，但没见过这张照片」的识别能力；按人切验证的是「完全没见过这个人，能否判断他是谁」——这是一个更难也更接近真实场景的任务。

大多数课程实验用的是按样本切，因为这样可以保证测试集和训练集的类别完全一致，准确率数值会比较好看。做法是每个类别内部做随机划分，而不是整体随机。整体随机会导致某一个类在训练集中只有 5 张、测试集中却有 5 张,比例不均。

% 按类别划分训练集和测试集：每类取前 7 张做训练，后 3 张做测试 % 前提：data 已经按类别排好序，或者记录了下标 trainData = []; trainLabels = []; testData = []; testLabels = []; for i = 1:numClasses classIdx = find(labels == i); % 找到当前类的所有样本下标 % 这里要确保 classIdx 内部是乱序的，否则取"前7张"有排序偏差 classIdx = classIdx(randperm(length(classIdx))); trainData = [trainData; data(classIdx(1:7), :)]; trainLabels = [trainLabels; repmat(i, 7, 1)]; testData = [testData; data(classIdx(8:end), :)]; testLabels = [testLabels; repmat(i, 3, 1)]; end

注意repmat(i, 7, 1)这个写法，在循环里逐类拼接trainLabels时，它保证每一行的标签和对应图片是对齐的。很多人喜欢直接trainLabels = [trainLabels; i]，这在现代 MATLAB 里也能跑，但隐式扩展在老版本（R2016a 之前）会报错。用repmat是对兼容性更负责的写法。

这个脚本跑完后，trainData是 280×10304，testData是 120×10304。这个比例（7 : 3）是我常用的，AT&T 一共 10 张每类，7 张训练 3 张测试基本能反映模型真实水平。如果训练样本太少（比如每类只给 3 张），PCA 的效果会明显下滑，这个后面避坑章节会展开。

3. 用 PCA 跑通第一个基线：特征脸方法与核心参数设置

3.1 为什么人脸识别首选 PCA 而不是直接像素比对

像素比对的做法是把测试图和训练图逐像素算欧氏距离，找最近的。这个思路在严格受控的环境下能用，但只要光照变一点、表情变一点，像素级的差值就会剧烈跳动。PCA 的核心思路是去相关：人脸图像相邻像素之间相关性极强，真正起区分作用的可能是少数几个模式，比如脸型轮廓、眼睛位置的相对布局、面颊的明暗分布。

特征脸法（Eigenface）本质上就是把 280×10304 的训练矩阵做协方差分析，找到方差最大的若干个投影方向，把每张 10304 维的图降到几十维，再在这个低维空间里做最近邻分类。这里的降维不是偷懒，而是去噪——原始像素空间的噪声和无关变化被丢弃了，留下的才是区分身份的主成分。

这里要特别注意一个问题：直接对 10304×10304 的协方差矩阵做特征分解，在普通笔记本上是能跑但很慢的（大约需要 8GB 内存存 doubles）。所以标准做法是用一个小技巧：样本数远小于维度数时，对 280×280 的矩阵做特征分解，再映射回原空间。这就是 Turk 和 Pentland 论文里那个经典步骤，数学推导不展开，直接给可用代码。

3.2 Eigenface 的完整 MATLAB 实现：训练与识别一段代码搞定

% PCA 特征脸训练 + 识别 % 输入：trainData(280x10304), testData(120x10304) % 这个脚本可以直接跑通 % 1. 中心化：减去均值脸 meanFace = mean(trainData, 1); % 1 x 10304 的均值脸 X = trainData - meanFace; % 中心化后的训练数据 % 2. 用小矩阵技巧计算特征向量 % 协方差矩阵 C = X'*X，但直接算会得到 10304x10304 的巨型矩阵 % 改用 X*X'，维度是 280x280，特征值相同，特征向量可映射回来 L = X * X'; % 280 x 280 [V, D] = eig(L); % V 的列是特征向量 [eigVals, sortIdx] = sort(diag(D), 'descend'); % 特征值从大到小排序 V = V(:, sortIdx); % 排序后特征向量 % 3. 映射回原空间：U = X' * V，然后归一化 U = X' * V; % 10304 x 280 for i = 1:size(U, 2) U(:, i) = U(:, i) / norm(U(:, i)); % 归一化，使特征脸为单位向量 end % 4. 投影训练集到特征脸空间 k = 50; % 保留前 50 个主成分，这是个需要调的参数 trainProjected = trainData * U(:, 1:k); % 280 x 50 % 5. 投影测试集 testProjected = testData * U(:, 1:k); % 120 x 50 % 6. 最近邻分类（欧氏距离） predLabels = zeros(size(testData, 1), 1); for i = 1:size(testProjected, 1) % 计算测试样本到所有训练样本的欧氏距离 diff = trainProjected - testProjected(i, :); dists = sum(diff.^2, 2); % 按行求和得到距离向量 [~, minIdx] = min(dists); predLabels(i) = trainLabels(minIdx); end % 7. 计算准确率 accuracy = sum(predLabels == testLabels) / length(testLabels) * 100; fprintf('PCA Accuracy (k=%d): %.2f%%\n', k, accuracy);

这段代码里有三个参数值得单独说。第一个是k，保留的主成分数量。k取小了欠拟合——丢掉了太多区分性信息；取大了过拟合——把噪声当信号学进去了。在这个数据集上，k取 50 到 80 之间通常能拿到 95% 以上的准确率，但具体最优值要跑一个循环去试。第二个是特征值分解方式，代码里用了eig而不是svd。对小矩阵X*X'来说eig够用且速度快，但如果你对数值稳定性有疑虑，用svd(X, 'econ')直接得到主成分方向更稳健。第三个是距离度量，欧氏距离是最常用的，但换成余弦距离在某些光照变化明显的场景下表现更好。

这段代码跑完，你得到的U的前几列就是「特征脸」，可以用reshape(U(:,1), 112, 92)再imshow出来看，第一张通常是整体亮度模式，第二、第三张开始出现明显的脸部结构特征。这个可视化验证很重要——如果你画出来的特征脸是纯噪声（雪花点），说明中心化或者归一化出了问题，后面识别结果再高也不可信。

3.3 调 k 值：一分钟画一条准确率曲线

上面代码里k=50是拍脑袋定的。工程上更严谨的做法是扫一遍。

% k 值扫描：观察不同主成分数量下的分类准确率 kRange = [5, 10, 20, 30, 40, 50, 60, 80, 100, 150, 200, 250]; accuracies = zeros(length(kRange), 1); for idx = 1:length(kRange) k = kRange(idx); trainProjected = trainData * U(:, 1:k); testProjected = testData * U(:, 1:k); % 最近邻分类（同上，略去重复代码） % ... accuracies(idx) = accuracy; end % 画曲线 figure; plot(kRange, accuracies, 'o-', 'LineWidth', 1.5); xlabel('Number of Principal Components (k)'); ylabel('Accuracy (%)'); title('PCA: Accuracy vs. k'); grid on;

从经验值来说，k=10时准确率可能只在 80% 左右，k=30到k=50之间会有一个快速上升区间，k超过 100 之后基本进入平台期，甚至可能略微下降——因为后面那些主成分对应的特征值很小，基本都是噪声。这条曲线的形状本身就是一份很好的实验报告材料，比你直接在论文里写「选取前 50 个主成分」要可信得多。

4. 用 LDA 做有监督降维：Fisherface 和 PCA 的对比实验

4.1 PCA 和 LDA 的本质区别：无监督 vs 有监督

PCA 不知道任何标签信息，它只看方差。方差大的方向不一定是区分身份的方向——比如光照变化导致的整体灰度偏移，方差可能很大，但对身份识别没有帮助。LDA（线性判别分析）则利用标签信息，寻找让类间散度最大、类内散度最小的投影方向。

在这个数据集上，LDA 的 Fisherface 方法通常在训练样本充足时优于 Eigenface，原因是人脸身份区分确实是一个有监督问题。但 LDA 有个著名的坑：当特征维度远大于样本数时，类内散度矩阵是奇异的，没法直接求逆。这就是所谓的「小样本问题」（SSS 问题）。在 10304 维特征、280 个训练样本的设置下，类内散度矩阵一定是奇异的。

解决办法是先 PCA 降维，再做 LDA。这实际上就是 Fisherface 的原始做法：先用 PCA 把维度降到N - C（样本数减类别数），再在降维后的空间里跑 LDA。参数上要保证 PCA 降到的维度小于类内散度矩阵的秩，否则 LDA 那一步还是要爆炸。

4.2 Fisherface 的稳定实现：先 PCA 后 LDA 的两步走

% LDA / Fisherface 实现 % 两步走：先 PCA 降维到 N-C（280-40=240），再在低维空间做 LDA % 第一步：PCA 降维到 240 维 N = size(trainData, 1); % 280 C = numClasses; % 40 pcaDim = N - C; % 240，保证类内散度矩阵可逆 meanFace = mean(trainData, 1); X = trainData - meanFace; % 用 SVD 做 PCA，注意这里用 'econ' 拿到经济型分解 [U_pca, ~, ~] = svd(X', 'econ'); U_pca = U_pca(:, 1:pcaDim); trainPca = trainData * U_pca; % 280 x 240 % 第二步：在 240 维空间里算 LDA % 计算每个类的均值 classMeans = zeros(C, pcaDim); globalMean = mean(trainPca, 1); % 全局均值 % 类内散度矩阵 Sw 和类间散度矩阵 Sb Sw = zeros(pcaDim, pcaDim); Sb = zeros(pcaDim, pcaDim); for i = 1:C classIdx = find(trainLabels == i); classData = trainPca(classIdx, :); % 当前类的所有样本 classMeans(i, :) = mean(classData, 1); % 当前类均值 % 类内散度：每个样本减类均值的外积累加 diffWithin = classData - classMeans(i, :); Sw = Sw + diffWithin' * diffWithin; % 类间散度：类均值减全局均值的外积，乘该类样本数 diffBetween = classMeans(i, :) - globalMean; Sb = Sb + length(classIdx) * (diffBetween' * diffBetween); end % 求解广义特征值问题：Sb * w = lambda * Sw * w % 这里 Sw 是 240x240，已经可逆（因为做了 PCA 降维） [V_lda, D_lda] = eig(Sb, Sw); [eigValsLda, sortIdxLda] = sort(diag(D_lda), 'descend'); V_lda = V_lda(:, sortIdxLda); % LDA 最多保留 C-1 个有效方向（因为 Sb 的秩最大为 C-1） ldaDim = C - 1; % 39 W = V_lda(:, 1:ldaDim); % 投影到 Fisherface 空间 trainLda = trainPca * W; testPca = testData * U_pca; testLda = testPca * W; % 最近邻分类（欧氏距离），省略重复代码 % ...

这段代码里eig(Sb, Sw)是广义特征值分解，MATLAB 对eig(A, B)的底层实现是geig，当 B 接近奇异时数值可能不稳定。我这里提前用 PCA 把维度降到了 240，Sw是满秩的，所以没问题。如果你跳过了 PCA 直接做，Sw会是 10304×10304 且秩最多 240，eig会返回一堆 NaN 或者无穷大的特征值，结果完全不可用。

另一个关键点是ldaDim最大只能取到 39，因为Sb是 40 个类的均值散布矩阵，它的秩最多是C-1。你即使把ldaDim设置成 100，后面的方向对应的特征值也为零或接近零，没有任何判别力，纯属浪费计算量。

4.3 PCA vs LDA 在这个数据集上的横向对比

我在这个数据集上跑过几十组实验，一个稳定的结论是：训练样本充足时（每类 7 张以上），LDA 要好于 PCA；训练样本稀少时（每类 3 张左右），PCA 反而更稳。原因是 LDA 需要足够多的样本才能稳定估计类内散度矩阵，样本太少时类内散布被严重低估，Fisher 准则选出来的方向偏斜严重。

具体数值可以参考下面这个表（同样实验条件下，随机打乱后取三次平均）：

这个对比说明一件事：不要无脑选 LDA。很多人听说 LDA 用到了标签、是「有监督的」，就觉得一定比 PCA 好，但在小样本场景下它反而更差。如果你想在论文里论证「本方法优于传统方法」，至少 PCA 和 LDA 这两个基线都得跑。

5. 六条血泪踩坑记录：从加载报错到结果虚高的排错清单

5.1 读取 PGM 后图像是反的或者变形

现象：imshow显示出来的人和原图不一样，有的左右颠倒、有的上下翻转。

原因：部分镜像站点的 PGM 文件头部信息不规范。PGM 格式允许在P5和宽高之间夹杂注释行，MATLAB 的imread通常能自动跳过注释，但某些老旧镜像文件里注释行格式不符合规范，imread会误读宽高参数，导致图像被截断或转置。

解决：先用info = imfinfo(filePath)查看返回的Width、Height是否正确。如果发现宽高和 92×112 对不上，用脚本预处理统一校正，不要手动一张张转。

5.2uint8矩阵直接做特征分解，准确率虚高或完全不可用

现象：代码能跑，但准确率要么接近 100% 到不真实，要么只有 20% 左右，特征脸可视化全是雪花噪声。

原因：uint8类型做减法会截断负数，比如uint8(10) - uint8(20)在 MATLAB 里结果是 0 而不是 -10。这严重破坏了中心化步骤。

解决：在导入环节加im2double。另外注意，如果读入后做img(:)拉直，double()转换要在拉直之前完成，之后转类型并不改变数据已经截断的事实。检查方法：在命令行敲mean(trainData(:))，如果结果恰好是一个很小的整数或者 0，说明数据还是整数类型。

5.3eig和svd选错导致特征向量质量低

现象：同样的数据，用eig(X'*X)和svd(X)得到的准确率有 2%~3% 的差距。

原因：X'*X这个矩阵的条件数是原矩阵条件数的平方。当人脸数据矩阵本身接近病态时（很多行几乎线性相关），eig对舍入误差非常敏感。svd通过二步分解直接处理原矩阵，数值稳定性好很多。

解决：在做 PCA 时优先用svd(X, 'econ')而不是显式构造协方差矩阵再做eig。如果你坚持用eig（比如为了提取特征脸做展示），至少要在中心化后的数据上做，并且检查特征值序列是否单调递减且没有负值——出现负特征值说明数值已经炸了。

5.4 训练集测试集划分方式不对，准确率虚高 5 个百分点

现象：测试集准确率高达 99%，但你换一种划分方式就掉到 88%。你自己也说不清哪个是真实水平。

原因：整体随机划分时，同一个人的照片可能同时出现在训练集和测试集，这本身没问题。问题在于没有固定随机种子，每次划分的难易程度不同，运气好时测试集恰好都是比较容易的样本，准确率直接虚高。

解决：用rng固定种子，并且在论文或报告里写明「使用随机种子 42，按每类 7:3 划分」。这是最基本的实验可复现要求。另外，更严格的验证方式是交叉验证，后面第 6 章会展开。

5.5 自己写最近邻分类时循环写法太慢

现象：for循环对比 280 个训练样本和 120 个测试样本，每次算欧氏距离，总耗时不到一秒，但如果训练集扩大或者每张图拉直维度超高（比如你用 256×256 的图），循环会慢到怀疑人生。

原因：diff = trainProjected - testProjected(i, :)这行代码在循环里重复分配内存，MATLAB 是 JIT 加速的，但循环体内的内存分配开销逃不掉。

解决：用向量化写法一次性算完整距离矩阵。pdist2(trainProjected, testProjected, 'euclidean')或者手动广播。在这个数据集上两条路差别不大，但养成向量化的习惯对后续做更大规模实验很有价值。

5.6 路径里有中文或者空格，imread静默返回空

现象：代码不报错，但img是空的，size(img)返回[0 0]，后续算均值、特征分解全部 NaN。

原因：老版本 MATLAB 的imread对含中文的路径支持有问题，部分版本甚至对路径中的空格敏感。静默失败是 MATLAB 最坑的行为之一——不抛异常，但给你一个空矩阵。

解决：数据集根目录改成纯英文路径，比如D:\face_data\att_faces。如果你非要放在中文路径下，用dir先做一次存在性验证，确认读到的文件数等于 400 再做归一化处理。我在实验早期因为这个浪费过一下午，后来习惯在脚本开头加一段校验逻辑。

6. 交叉验证的正确打开方式：用有限的 400 张图换一个可信的准确率

7:3 划分能反映模型水平，但一次划分的偶然性太大。更稳的做法是 5 折交叉验证：把每类 10 张图分成 5 份，每份 2 张，每次拿其中 4 份（8 张）训练、1 份（2 张）测试，轮转 5 次，最后的准确率取平均。这样每一张图都有机会当测试样本，评估结果的方差小得多，也比 k-fold 整体打乱更合理——人脸数据必须按类分折。

在 MATLAB 里做这件事不需要复杂的工具箱，cvpartition就能直接生成分层划分：

% 5 折交叉验证：按类别分层划分 rng(42); cv = cvpartition(labels, 'KFold', 5); % labels 是 400x1 的类别标签 % cvpartition 返回的是整体划分，但我们要的是按类分层 % 对于每类10张的情况，KFold=5 自动平均分成每折2张

需要注意一点：cvpartition(labels, 'KFold', 5)会尽量让每折中每一类分布均匀，但它不能保证每类严格出现两次。严格做法是每类内部手动分折，把 10 张图按随机顺序切成 5 组每组 2 张。虽然复杂一点，但能保证每折类别完整、样本均衡。

交叉验证跑完，你会得到 5 个准确率，取均值和标准差。报告中写「95.2% ± 1.8%」比写「95.2%」可信得多。这个习惯我是在一次实验复现失败后养成的——别人论文里写 98%，我怎么调都只有 92%，后来发现他的划分方式让训练集和测试集存在同源样本。交叉验证不能说完全杜绝这类问题，但至少能让你自己的实验结论站得住。

还有一个我常用的技巧：把识别错误的样本全部打印出来，拼成一张网格图看看。这能快速告诉你错误集中在哪个人身上——是某个类本身难分（比如戴眼镜和不戴眼镜的差异），还是某张图质量太差。这种错误模式分析的价值不低于准确率数字本身。人脸识别实验跑通不难，跑出可信的结论需要这些验证手段。希望这些踩过的坑能帮你少走一段弯路。

本文还有配套的精品资源，点击获取