下载即可直接运行，包括了源程序以及测试数据库，程序比较老，仅供参考。

针对人脸多姿态导致人脸识别率下降这一问题，提出一种改进姿态矫正处理方法,通过改进对人脸特征点的有效定位，来计算人脸姿态旋转的角度，再通过角度和改进姿态矫正方法来矫正非标准姿态人脸到近似标准姿态。由于人脸是不规则的椭球形，提出对人脸“三庭五眼”的局部区域进行二次矫正方法，再改进SURF算法进行人脸特征点匹配。该方法能够将一定角度范围内的多姿态人脸矫正到近似标准姿态。实验结果表明，该方法能在一定程度上提高多姿态人脸识别率，较经典PCA方法错误率可下降10%左右。

人脸识别算法详细实验报告

人员承载量以数据图表展示 获取实际各地铁线路承载量分布 人脸轨迹以记录形式展示

PCA方法由于其在降维和特征提取方面的有效性，在人脸识别领域得到了广泛的应用。 PCA方法的基本原理是:利用K-L变换抽取人脸的主要成分，构成特征脸空间，识别时将测试图像投影到此空间，得到一组投影系数，通过与各个人脸图像比较进行识别。 主要包括两个阶段：训练阶段+识别阶段

人脸识别算法实现 基于PCA降维和SVM分类器实现 包含工程文件代码和测试人脸数据库

基于matlab的人脸识别算法，经过测试，算法高效且实用

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。

基于matlab的人脸识别算法(PCA)

首先，针对单一的 Gabor 人脸特征在姿态、表情、光照变化下效果不佳的问题，提出了基于 Gabor 小波特征和核函数融合的人脸识别方法。通过融合方法将二维 Gabor 小波提取的不同尺度、方向的 Gabor 特征进行前期融合，使用支持向量机的 rbf 和 linear 核函数进行后期融合并使用 KMOD 算法确定核函数之间的参数。最终实验结果表明融合后的人脸识别方法能够提高机器学习的传统人脸识别效果。 其次，鉴于互补深度特征的融合能够提高单一特征性能，设计了基于 Facenet 稀疏表示和卷积网络集成的人脸识别方法。具体表现为将 Facenet 的卷积特征和稀疏表示结合，提出了基于 Facenet 稀疏表示的人脸识别方法，通过 Facenet 卷积特征构建归一化字典实现稀疏表示分类；融合 softmax loss 和 center loss 损失函数，在 Facenet 预训练模型上重新训练并比较人脸验证和识别效果；最后通过硬投票策略将基于 Facenet 稀疏表示的人脸识别方法和不同卷积网络集成，以提高人脸识别效果。最终的实验结果表明，集成方法能够各个卷积网络模型的基础上使识别率进一步提升。 最后，针对深度神经网络对剧烈光照变化性能不佳的问题，提出了基于 GIR 特征和卷积特征融合的人脸识别方法。GIR 模型用于人脸图像的光照处理，获得 GIR 特征。根据光照处理过程中局部区域的不同，GIR 特征又可以分为 EGIR-Face 和 BGIR-Face 人脸特征。将 GIR特征分别与 Facenet、Insigtface、Resnet50 的卷积特征通过距离度量进行融合，通过最近邻分析实现人脸识别。使得卷积网络可以获得 GIR 模型优势，在人脸识别过程中更加侧重于光照这一影响因素。最终实验结果表明融合 GIR 特征和卷积特征的人脸识别方法确实能够提升严重光照变化下的人脸识别效果。