文件包含40个人在不同光线，不同角度下的人脸图片，每个人有10张图片，共有400张图片。图片的格式都为.pgm，可用于人脸识别

ORL、Yale、YaleB、FERET、PIE、UMIST、AR史上最全机器学习人脸数据集打包 ORL、Yale、YaleB、FERET、PIE、UMIST、AR史上最全机器学习人脸数据集打包 ORL、Yale、YaleB、FERET、PIE、UMIST、AR史上最全机器学习人脸数据集打包

深度学习，神经网络，基于alexnet架构的神经网络训练以及测试代码，里面还有orl人脸数据库，本人自己写的，确定能用，可直接下载。要五十个字，废话不多说，就这样。

PCA的理论知识已经有很多博客做了清晰的解释，主要概括为找到投影的面使得类间误差最大，转化为找到构建的协方差的特征值与特征向量，在新的投影方向（特征向量）上投影，构建数据库和待检索的人脸进行比对，得到相似度最高的人脸作为查询结果，本文使用ORL人脸数据库基于PCA方法实现人脸识别。

ORL人脸数据集，包括40个人，每个人10张照片，每张图片的格式为bmp灰色图，人脸识别的经典数据集。格式和分类非常一目了然，方便训练。

ORL人脸数据集一共包含40个不同人的400张图像，是在1992年4月至1994年4月期间由英国剑桥的Olivetti研究实验室创建。 此数据集下包含40个目录，每个目录下有10张图像，每个目录表示一个不同的人。所有的图像是以PGM格式存储，灰度图，图像大小宽度为92，高度为112。对每一个目录下的图像，这些图像是在不同的时间、不同的光照、不同的面部表情（睁眼/闭眼，微笑/不微笑）和面部细节（戴眼镜/不戴眼镜）环境下采集的。所有的图像是在较暗的均匀背景下拍摄的，拍摄的是正脸（有些带有略微的侧偏）。 每个目录分别命名为sx，其中x表示受试者编号（在1到40之间）。在每一个目录所选受试者的10

自计算机视觉产生开始，视觉信息则自动成为其处理的对象。纹理特征作为视觉信息的重要部分，成为图像特征提取的重点。针对纹理特征提取中，传统LBP 算法作为一种基于灰度的算法，仅仅局限对低分辨率图片，其识别率通常比较低的问题，提出一种基于小波变换的LBP算法。该算法利用小波变换的局部特性、方向性和多方向性等特点，并结合LBP算法自身具有的旋转不变形、灰度不变形等特点，从而通过小波变换对高分辨率图片的分解，再通过局部二值模式的优势，从而实现对图像纹理特征的提取。最后通过MATLAB软件编程与ORL数据库的对比测试，改进算法的识别率明显优于传统LBP算法。

.YALE人脸数据库（美国，耶鲁大学） 由耶鲁大学计算视觉与控制中心创建,包含15位志愿者的165张图片,包含光照,表情和姿态的变化。 Yale人脸数据库中一个采集志愿者的10张样本，相比较ORL人脸数据库Yale库中每个对象采集的样本包含更明显的光照、表情和姿态以及遮挡变化。

Yale人脸库可以用于人脸识别，图像分割等等

基于PCA算法的Matlab人脸识别算法，本压缩包里面含有ORL人脸库，matlab源代码（可运行），pdf文档介绍