简介：面向Matlab平台的表情识别完整源码包，适合计算机视觉、机器学习方向的学生与开发者参考。项目以Jaffe人脸库为测试数据，融合LBP（局部二值模式）与LPQ（局部相位量化）特征提取、PCA降维及SVM分类，实现了从图像预处理到情绪分类的完整流程。压缩包仅2.66MB，共235个文件，其中213张tiff图片为实验用正面人脸样本，18个m文件涵盖特征提取、核函数、多分类等核心代码，另附3个txt说明文档与1个asv自动保存备份。目前已有1200人学习下载，整体代码结构清晰，便于按模块逐段理解。通过实际运行调试，可深入掌握局部纹理描述符在高维特征下的降维策略与分类器参数设计，为表情识别相关课程设计或科研工作提供可直接复用的实验基础。

1. 表情识别在 Matlab 里的落地姿势：从 LBP+LPQ 特征到 SVM 分类的完整源码拆解

表情识别这个方向，论文里看着高大上，真落到工程上却常常卡在「特征怎么提、分类器怎么调、代码跑不通」这三道坎上。这套基于 Matlab 的表情识别源码，走的是经典的 LBP+LPQ 双特征融合、PCA 降维、SVM 分类的路线——不依赖深度学习框架，不需要 GPU，一台普通电脑就能跑通整个训练和测试流程。它解决的正是从业者最关心的那个问题：在样本量不大、算力有限的环境里，如何用传统方法做出可用的人脸表情分类模型。如果你正在做毕设、接横向项目，或者想把表情识别快速嵌入到现有 Matlab 处理流程里，这套源码值得花半小时拆一遍。

2. 特征提取选型：为什么是 LBP+LPQ 而不是单一的 LBP 或 HOG

2.1 LBP 特征的纹理刻画逻辑与参数语义

LBP（局部二值模式）的核心思想并不复杂：对图像中每个像素，取其邻域内若干个采样点的灰度值，与中心像素比较大小，大于记为 1，小于记为 0，然后按固定顺序排列得到一个二进制数，这个数的十进制值就是该像素的 LBP 码。代码层面，Matlab 里用一句话就能算出一个像素邻域的二进制编码，但真正影响识别率的其实是采样半径和采样点数这两个参数。

% 计算图像的 LBP 特征图，radius 为采样半径，nPoints 为采样点数 function lbpImage = computeLBP(img, radius, nPoints) % 将图像转为灰度并确保 double 类型 img = im2double(img); % 使用圆形邻域采样，边界的像素用插值处理 lbpImage = zeros(size(img)); offsets = zeros(nPoints, 2); for k = 1:nPoints angle = 2 * pi * (k - 1) / nPoints; offsets(k, 1) = radius * cos(angle); offsets(k, 2) = radius * sin(angle); end % 对每个采样点做偏移并比较灰度值 for k = 1:nPoints % 通过 imtranslate 做亚像素平移，再用插值恢复 shifted = imtranslate(img, offsets(k, :), 'FillValues', 0); bitValue = shifted > img; lbpImage = lbpImage + (bitValue * 2^(k - 1)); end end

这段代码把 LBP 计算拆成了「偏移采样」和「阈值编码」两步。参数 radius 决定纹理的尺度，radius 越大，捕捉到的纹理越粗糙；nPoints 决定编码的精细程度，通常取 8 或 16。需要说明的是，这里为了演示采用 imtranslate 近似实现圆形采样，实际工程中更规范的做法是直接用插值函数逐点采样，但核心的编码逻辑是一致的。如果你发现识别率上不去，优先检查这两组参数是否与图像分辨率匹配——比如 64×64 的人脸图像，radius 取 1 或 2 就够了，取大了反而丢失细节。

2.2 LPQ 特征在模糊人脸场景下的互补价值

LPQ（局部相位量化）是从频域角度提取纹理特征的方法，它对图像模糊的鲁棒性明显优于 LBP。原理是在像素邻域内计算短时傅里叶变换（STFT），量化频域系数的相位信息并编码成直方图特征。说白了，LBP 看的是「灰度变化的空间分布」，LPQ 看的是「频域相位在局部区域的稳定性」——两者恰好互补。

% 计算图像的 LPQ 特征描述子 function lpqFeatures = computeLPQ(img, winSize) % 设置 STFT 窗口大小，winSize 通常取 3、5、7 % 使用高斯窗口做加窗处理，减少频谱泄漏 win = fspecial('gaussian', [winSize winSize], winSize / 6); % 对图像做短时傅里叶变换，取频域系数 % 计算每个像素邻域在四个频点上的相位 % 将相位量化后转换为十进制编码，生成 LPQ 特征图 % 最后对特征图做分块直方图统计，得到整幅图像的特征向量 end

LPQ 的关键参数是 winSize，它控制 STFT 分析窗的大小。窗太小，频域分辨率不足；窗太大，局部性丢失。我在实践中一般先用 winSize = 5 跑一轮 baseline，再根据结果微调。与 LBP 分块统计不同，LPQ 的特征维度由窗口大小和分块策略共同决定，后续可以搭配 PCA 一并压缩。

2.3 特征融合的两种常见方案

特征融合通常有特征级融合和决策级融合两条路线。特征级融合的思路是把 LBP 和 LPQ 提取出的特征向量直接拼接，形成联合特征输入分类器；决策级融合则是各自训练 SVM 后对预测得分做投票或加权平均。这套源码采用的是特征级融合，原因在于实现简单且便于配合 PCA 做统一的降维处理。拼接前需要注意特征缩放——LBP 直方图的值域和 LPQ 直方图的值域可能差一个数量级，直接拼在一起会让数值大的特征在距离计算中占据主导，所以融合前先对每组特征做 L2 归一化是必须的动作。

3. PCA 降维与 SVM 分类器的配合逻辑

3.1 为什么要先降维再进 SVM

LBP 和 LPQ 特征拼接后的维度很容易冲到几千甚至上万维，而表情识别数据集通常只有几百到几千张样本。高维度小样本的场景直接喂给 SVM 会带来两个问题：一是计算复杂度高，训练时间不可接受；二是特征维度超过样本数量时，SVM 的核函数计算容易出现过拟合，泛化能力反而下降。

PCA 在这里的作用不是简单地压缩数据，而是把原始特征投影到方差最大的几个正交方向上，用少数几个主成分保留原始特征的大部分判别信息。以这套源码为例，具体用法是先对训练集的特征矩阵做主成分分析，求得投影矩阵，然后用这个投影矩阵同时变换训练集和测试集，保证两者处于同一特征空间。

% PCA 降维：保留 95% 的方差贡献率 function [projData, projMatrix, meanVec] = pcaProject(trainFeat, threshold) % trainFeat: 样本数 x 特征维度的矩阵 % 1. 对每个特征维度计算均值，做中心化 meanVec = mean(trainFeat, 1); centered = trainFeat - repmat(meanVec, size(trainFeat, 1), 1); % 2. 计算协方差矩阵的特征向量与特征值 covMat = centered' * centered / (size(trainFeat, 1) - 1); [V, D] = eig(covMat); % 3. 特征值降序排列，选取累计贡献率超过阈值的成分 [sortedD, idx] = sort(diag(D), 'descend'); V = V(:, idx); cumRatio = cumsum(sortedD) / sum(sortedD); k = find(cumRatio >= threshold, 1, 'first'); % 4. 得到投影矩阵并完成变换 projMatrix = V(:, 1:k); projData = centered * projMatrix; end

这里有两个细节值得留意：第一，协方差矩阵用的是 centered' * centered 而非直接调用 pca 函数，是因为某些版本的 Matlab 内置 pca 对内存的消耗更大，手写实现便于控制中间变量；第二，threshold 取 0.95 并非固定规则，而是经验默认值，如果你发现降维后 SVM 的准确率波动剧烈，可以把这个阈值调低到 0.9 观察变化。PCA 的计算结果需要保存 projMatrix 和 meanVec，测试阶段用完全相同的投影参数做变换，否则训练和测试的特征空间不一致，识别结果就是错的。

3.2 SVM 的核函数选择与参数网格搜索

SVM 在这套源码里承担最终分类任务，核函数的选型决定了分类边界的形式。线性核适合特征维度高且样本线性可分的情况；RBF 核能处理非线性边界，是表情识别这类任务中最常用的选择。RBF 核有两个核心参数：C（惩罚系数）和 gamma（核宽度）。

C 控制对误分类样本的惩罚力度。C 越大，模型越倾向于将训练样本全部正确分类，容易过拟合；C 越小，模型容忍度越高，但可能欠拟合。gamma 决定了单个样本的影响范围——gamma 越大，决策边界越复杂，同样容易过拟合。网格搜索是一种不依赖人工经验的参数调优方式，把 C 和 gamma 各取一组候选值排列组合，用交叉验证评估每组参数的泛化表现。

% SVM 参数网格搜索 CList = [0.1, 1, 10, 100]; gammaList = [0.001, 0.01, 0.1, 1]; bestAcc = 0; bestC = CList(1); bestGamma = gammaList(1); for i = 1:length(CList) for j = 1:length(gammaList) cmd = ['-s 0 -t 2 -c ', num2str(CList(i)), ' -g ', num2str(gammaList(j)), ' -v 5']; acc = svmtrain(trainLabels, trainData, cmd); if acc > bestAcc bestAcc = acc; bestC = CList(i); bestGamma = gammaList(j); end end end

这里用的是 libsvm 的命令行参数风格，-v 5 表示做 5 折交叉验证，输出的是平均准确率。网格搜索的代价是训练时间会呈倍数增长，4×4 的网格就是 16 次交叉验证，在样本量达到数千时可能耗时数分钟。实际工程中我会先用大步长的粗略网格快速锁定一个较优区间，再在小范围内精调。这套源码中附带的参数搜索脚本已经把常见候选值列好了，直接跑通就能得到一组可用的 C 和 gamma，入门阶段不用从零开始调。

4. 从训练到预测：完整流程与核心函数拆解

4.1 训练阶段的标准流程

训练流程的编排顺序决定了整个项目能不能闭环，不能跳步也不能倒序。第一步是读入人脸图像并统一尺寸，第二步是分别提取 LBP 和 LPQ 特征，第三步是特征融合与归一化，第四步是 PCA 降维，第五步是把降维后的特征送进 SVM 做交叉验证训练。

% 主训练脚本流程 clear; clc; % Step 1: 读取训练图像列表，图像存储在 train/ 目录下，按表情类别分文件夹 imgFiles = dir('train/**/*.jpg'); trainFeat = []; trainLabels = []; % Step 2: 遍历图像，提取特征并拼接 for i = 1:length(imgFiles) img = imread(fullfile(imgFiles(i).folder, imgFiles(i).name)); img = imresize(img, [64, 64]); lbpFeat = extractLBPHist(img, 1, 8); lpqFeat = extractLPQHist(img, 5); % 特征拼接与归一化 featVec = [lbpFeat, lpqFeat]; featVec = featVec / (norm(featVec) + eps); trainFeat = [trainFeat; featVec]; % 标签从文件夹名解析 trainLabels = [trainLabels; getLabelFromPath(imgFiles(i).folder)]; end % Step 3: PCA 降维 [trainData, projMatrix, meanVec] = pcaProject(trainFeat, 0.95); % Step 4: SVM 训练 model = svmtrain(trainLabels, trainData, '-s 0 -t 2 -c 10 -g 0.05');

这段流程里需要关注的细节是特征向量按行拼接的方式。trainFeat 每新增一个样本就多一行，样本量大时这种 append 操作效率不高——更高效的做法是预分配矩阵空间，但对于教学和中小规模数据集，这样写的可读性更好。imresize 到 64×64 是经验值，太小丢失细节，太大计算量不划算。getLabelFromPath 函数按文件夹名映射标签，能确保标签与特征顺序严格对齐，跳过这一步是训练结果错乱的常见原因。

4.2 测试阶段的对称处理

测试阶段最容易出的问题，是开发者忘记对测试特征做训练阶段完全相同的变换。测试特征必须先减去训练集的 meanVec，再乘以 projMatrix——这两个参数是训练阶段的产物，必须保存下来并在测试脚本中重新加载。

% 测试脚本流程 load('pcaParams.mat'); % 包含 projMatrix 和 meanVec load('svmModel.mat'); % 训练好的 SVM 模型 testFeat = []; for i = 1:length(testFiles) img = imread(fullfile(testFiles(i).folder, testFiles(i).name)); img = imresize(img, [64, 64]); featVec = extractFeatures(img); testFeat = [testFeat; featVec]; end % 使用训练集的 meanVec 做中心化，再投影 testData = (testFeat - repmat(meanVec, size(testFeat, 1), 1)) * projMatrix; % 预测并输出准确率 [predLabel, acc, prob] = svmpredict(testLabels, testData, model);

提示：这里必须用训练集的 meanVec，而不是用测试数据重新计算的均值。测试阶段的任何统计量只要不是来自训练集，特征分布就会偏移，导致识别率严重下降。

4.3 源码的目录结构与各文件职责

拆解这套源码时，先看目录结构能省不少时间。通常一个工程合理的组织方式是：main_train.m 和 main_test.m 作为入口脚本，feature_extract/ 目录存放 LBP 和 LPQ 的特征提取函数，pca/ 目录存放降维相关代码，svm/ 目录存放训练与预测封装函数，utils/ 目录存放图像预处理和文件读取工具。搞清楚每个文件被谁调用、参数从哪里传入，改起代码来才不至于像在黑匣子里瞎摸。

5. 表情识别源码的避坑指南：五条高频踩坑记录

5.1 特征尺寸不一致导致矩阵拼接报错

现象：运行训练脚本时，程序在特征拼接这行报错，提示矩阵维度不匹配。原因：部分训练图像不是严格的 64×64 尺寸，imresize 之后的图像尺寸虽然是统一的，但 LBP 特征直方图的分块数设置不一致，例如一个分块数为 4×4，另一个为 6×6，特征向量长度自然对不上。解决：在提取特征前强制断言图像尺寸，并统一分块参数。每次提取前打印特征向量长度，前后对比就能定位出是哪一类特征出了问题。

5.2 PCA 投影矩阵没有保存，测试阶段重新计算

现象：训练准确率很高，但测试准确率只有百分之二三十。原因：测试脚本里重新调用了 pca 函数对测试数据做降维，而不是加载训练阶段保存的 projMatrix。重新计算的 PCA 不一定错，但它找到的主成分方向与训练阶段不一致，等于把两个不同坐标系下的数据送进了同一个分类器。解决：训练结束后立即用 save 命令保存 projMatrix 和 meanVec，并在测试脚本中用 load 加载。这个坑是传统机器学习项目里最容易踩的，没有之一。

5.3 训练集和测试集数据泄露导致虚高准确率

现象：交叉验证准确率高得离谱，超过 95%，但在独立测试集上跌到 70% 左右。原因：特征标准化或 PCA 是在全部数据上计算的，而不是仅在训练集上计算再应用到测试集。这属于典型的数据泄露——降维方向已经偷偷看到了测试集的信息。解决：严格按流程走，PCA 只由训练集拟合，meanVec 和 projMatrix 在训练阶段固定，测试阶段不做任何重新计算。

5.4 SVM 的 C 和 gamma 取默认值导致欠拟合

现象：换了数据集后识别率始终在 60%~70% 徘徊，怎么调都上不去。原因：libsvm 的默认参数是通用场景下的兜底值，并不适合表情识别任务。C 太小导致模型欠拟合，gamma 过大或过小都会让决策边界脱靶。解决：先做一次完整的网格搜索。不要凭感觉填参数，把 C 和 gamma 各安排 4~5 个候选值跑交叉验证，一轮下来通常能把准确率拉高 5~10 个百分点。

5.5 灰度归一化忽略，人脸光照差异干扰特征提取

现象：在实验室数据上表现良好，但换到光照不均匀的实拍数据后准确率明显下降。原因：LBP 本身对单调光照变化有一定鲁棒性，但 LPQ 对高频成分敏感，极端光照下特征分布会偏移。解决：在提取特征前对图像做直方图均衡化或者归一化到零均值单位方差。这个预处理步骤很多人会跳过，但恰恰是跨数据集泛化时性价比最高的一个操作。

6. 用一个混淆矩阵脚本验证你的模型真的可用

训练完模型并测出准确率只是第一步，真正判断模型能不能落地，要看它在每个表情类别上的表现是否均衡。准确率 80% 的模型可能是「高兴」类识别得特别好，而「厌恶」类基本全错——这种偏科模型在真实场景中是不可用的。我习惯在测试结束后顺手输出一张混淆矩阵热力图，一眼就能看出模型在哪里犯迷糊。

% 测试完成后输出混淆矩阵和分类准确率 function plotConfusionMatrix(predLabel, testLabels, classNames) % 计算混淆矩阵 [C, order] = confusionmat(testLabels, predLabel); % 将矩阵归一化为百分比，方便对比 C = C ./ repmat(sum(C, 2), 1, size(C, 2)) * 100; % 可视化 figure; imagesc(C); colormap(parula); colorbar; xlabel('Predicted'); ylabel('True'); set(gca, 'XTick', 1:length(order), 'XTickLabel', classNames); set(gca, 'YTick', 1:length(order), 'YTickLabel', classNames); % 在格子中填入数值 for i = 1:size(C, 1) for j = 1:size(C, 2) text(j, i, sprintf('%.1f%%', C(i, j)), 'HorizontalAlignment', 'center'); end end title(sprintf('Confusion Matrix - Average Accuracy: %.2f%%', mean(diag(C)))); end

拿到混淆矩阵之后，我的检查顺序是：先看对角线上的数值是否普遍接近 90 分以上；再看哪些类别的行容易被分错到邻近的列上——「惊讶」被分到「恐惧」这类近似表情之间互相混淆通常不是代码问题，而是特征本身的区分度不足；最后回看特征融合参数，尝试调整 LBP 的 radius 或 LPQ 的 winSize，让混淆最严重的那个类别得到改善，而不是盲目追求整体数字的微小提升。体验表情识别从特征到分类的完整链路，把这套代码跑通并且改出一版适合自己的参数组合，才是拆这份源码最大的收获。希望这份拆解能帮你绕开我当年走过的弯路。

本文还有配套的精品资源，点击获取