official_classification.py ： 使用了较多的sklearn中提供的聚类函数 self_classification.py ： 使用了较多的手写聚类函数（手写高斯聚类由于计算高维矩阵n次方报错，就没有使用） 两者可以相互比较看手写函数效果如何。 model.py ： 其中包含了kmeans，lvq，mixture-of-gaussian聚类函数，以及计算精度和NMI的手写函数，处理标签映射的匈牙利算法。 由于学习向量量化是依据ground truth的得到的一组原型向量，是有监督的学习，因此计算其精度没有意义，在函数里就没有计算精度和NMI，只打印出了原型向量 函数运行时会有warning，不用在意，手写的函数没有优化，速度较慢 代码对三个数据集，分别使用了kmeans，lvq，mixture-of-gaussian三个方法，在得到预测标签后，采用匈牙利算法对标签进行处理，计算其精确度acc和标准互信息nmi 这三种方法聚类的精度只有百分之五十几，在数据集yale中效果较差 运行方法： 安装相应需求的库，直接运行official_classifica

Yale人脸数据库,15人，每人11幅图片，bmp格式,100×100像素。 原网站上下载不到，到处找，要什么C币，我没有。现在终于找到，免费分享。

YALE数据库[5]是由耶鲁大学计算视觉与扼制中心创立,包括15位志愿者，每个人有11张不同姿势、光照和表情的图片，共计165张图片,图片均为80*100像素的BMP格式图像。我们将整个数据库分为两个部分，每个人的前5幅图片作为网络的训练使用，后6副图片作为测试使用。

MIT ORL YALE 数据库包

Yale人脸库 15种，165张人脸

真的气不过他们。理论研究应当秉持自由公开的原则，大家应该相互讨论，相互学习。由于没有办法设置成免费，所以这里我给了最低的分数。因为没有办法上传重复的资源，我自己添加了一个文本文件（数据文件只有一个mat文件）。

在一个yale人脸库中，有15个人，每人有11幅图像。要求选定每一个人的若干幅图像组成样本库，由样本库得到特征库。再任取yale图像库的一张图片，识别它的身份。 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量。如一幅N*N象素的图像可以视为长度为N2的矢量，这样就认为这幅图像是位于N2维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。因此，本次采用PCA算法确定一个子空间，最后使用最小距离法进行识别，并用matlab实现。

做人脸识别离不开的人脸库 有做生物识别的来看看，内含有代码

EAD3从耶鲁大学档案馆寻找帮助 您可以通过点击下面的链接浏览我们的寻找帮助 识别码 描述 另请参阅我们的

kaggle2018年耶鲁大学公开的人脸表情识别数据集，该数据集包含15个受试者的165个GIF图像（subject01，subject02等）。每个主题有11个图像，一个用于以下每个面部表情或配置：中心光，带眼镜，快乐，左光，没有眼镜，正常，右光，悲伤，困，惊讶，和眨眼。