基于Python的PCA人脸识别：原理、实现与避坑完整指南

简介：这份资源提供一套完整的基于Python的PCA人脸识别算法实现与配套讲解，适合计算机专业学生、算法初学者及需要完成课程设计的开发者。资源包含4个Python脚本，分别覆盖PCA算法核心实现、数组运算辅助、人脸识别示例等环节；16张PNG图片直观展示实验过程与可视化结果；另有README文档和ORL数据集，便于对照说明逐步复现。所有内容打包为3.76MB的zip压缩包，共22个文件，结构简洁，特别适合在本地快速运行验证。目前已有473人学习使用，对于希望从原理到代码完整掌握PCA降维与人脸识别流程的读者，这份资料能有效缩短上手路径，同时提供可扩展的改进基础。

1. 基于Python的PCA人脸识别：这个老算法为什么还没被淘汰？

人脸识别这几年被深度学习刷屏，但如果你去翻很多高校的毕业设计、课程大作业，甚至一些工业界的嵌入式方案，还是会看到“PCA人脸识别”这个名词。它没有神经网络那么能打，却在“小样本、低算力、可解释”这三个维度上有着不可替代的位置。基于Python的PCA人脸识别算法，核心思想是把一张高维度的人脸图像压缩成一组低维度的“特征脸”系数，再用这些系数做分类。你不需要GPU，一台普通笔记本就能跑通，而且每一步数学含义都看得见摸得着，这对初学者理解机器学习里的“降维”和“特征提取”是极好的入口。

这篇文章不讲虚的，直接拆解从原理到代码的完整落地路径。你会看到怎么用Python从零实现PCA人脸识别，什么参数最该调，以及我踩过的那些“看似能跑、一换数据就翻车”的坑。无论你是要做课程设计，还是想给嵌入式设备做一个轻量人脸识别原型，这条路线都能给你一个能复现的底子。

2. PCA为什么能做人脸识别：特征脸的本质是一组“平均脸”的偏差

2.1 从“像素矩阵”到“特征脸空间”的数学直觉

一张 64x64 的灰度人脸图，把它拉直后就是一个 4096 维的向量。如果直接用这个向量去算相似度，会遇到两个问题：维度太高导致计算量爆炸；像素点之间有大量冗余信息，比如背景、光照梯度这些与人脸身份无关的成分。PCA（主成分分析）做的事情，就是找到一组新的正交坐标轴，使得原始数据在这些轴上的方差最大化。用人话说，就是找到人脸图像“差异最明显”的方向，把数据投影到这些方向上。

在人脸识别场景里，这组坐标轴经过可视化之后，看起来就是一张张模糊的人脸轮廓，所以它们被称为“特征脸”（Eigenface）。每一张输入人脸，都可以表示为“平均脸 + 一堆特征脸的线性组合”。组合系数就是这张脸在新空间里的坐标。同一个人的不同照片，因为光照、表情、角度带来的干扰大多落在方差较小的方向上，所以投影到主成分空间后，它们会聚成一团——这就是PCA能用于人脸识别的几何基础。

你不需要把PCA的数学推导背下来，但有几个概念必须分清：协方差矩阵、特征值、特征向量、投影。协方差矩阵描述的是原始像素两两之间的相关程度；特征值和特征向量描述的是“哪个方向方差最大”以及“这个方向有多大方差”。在PCA里，我们按特征值从大到小排序，取前k个特征向量组成投影矩阵，把原始数据从高维空间压到k维空间。这个k就是你要调的“保留多少主成分”。

2.2 为什么PCA人脸识别在学术作业中最常用，而不是LDA或SVD

你可能在网上看到过LDA（线性判别分析）和人脸识别绑定在一起。LDA和PCA的差别在于，PCA是无监督的，它不看标签，只管方差最大化；LDA是有监督的，它要找的是“类间距离最大、类内距离最小”的方向。理论上LDA分类效果更好，但实际落地时LDA需要估计类内散度矩阵，而人脸样本通常很少，这个矩阵经常是奇异的，必须加正则化或者先用PCA降维。所以很多教学项目干脆只用PCA，简单、稳定、代码短。

而SVD（奇异值分解）在PCA里其实是个计算工具。直接求解协方差矩阵的特征值分解，在图像维度很高时非常慢，因为协方差矩阵是DxD的（D是像素数）。SVD可以绕过这个瓶颈：先对数据矩阵做SVD，右奇异向量就是特征向量，计算复杂度降一个量级。很多库函数内部就是在用SVD算PCA，但你写作业时直接调np.linalg.eigh也够用，前提是你先算协方差矩阵，且样本数不要太大。

这里需要强调一个常见的认知误区：PCA不是分类器，它只是一个特征提取器。PCA人脸识别系统能做识别，是因为在PCA降维之后接了一个分类器——通常是最近邻（距离度量）。如果只降维不分类，你得到的只是一个“人脸编码器”。所以你在读论文时看到“PCA人脸识别算法”，其实隐含了“PCA + 最近邻”这个完整链路。

2.3 让PCA起作用的三个前提：对齐、光照、样本量

特征脸在理想条件下效果很好，但它的适用前提非常苛刻，这也是后面避坑章节的重头戏。第一个前提是对齐。PCA对像素位置极其敏感，两只眼睛相差几个像素，特征脸就会被污染。你在预处理时必须把人脸裁剪到统一尺寸，并且最好用眼睛坐标做仿射对齐，否则同一人的类内距离可能比不同人之间的还大。

第二个前提是光照归一化。特征脸提取的是亮度变化的方向，如果光照差异大于身份差异，主成分就会偏向描述光照。所以拿到图像后要做直方图均衡化，或者做局部归一化。第三个前提是每类样本不能太少。PCA是无监督的，它只看到所有训练图像的整体方差，如果某个人只有一张训练图，那他的身份信息很难成为主成分方向上的显著变量。一般建议每人至少4-5张不同条件下的样本，这在公开数据集上是容易满足的，但你自己拍照采集时就比较麻烦。

3. 用Python实现PCA人脸识别：从加载图片到输出识别结果

3.1 准备数据和工具：先把你的人脸库组织成规范目录

我常用的做法是用AT&T（ORL）人脸数据集来验证流程，它有40个人、每人10张图，灰度、尺寸统一，很适合PCA这种敏感于对齐的算法。但你不一定下载得到这个数据集，用自己拍的图片也可以，只要按下面的目录结构存放：每个人一个文件夹，文件夹名字就是标签。不管用什么数据集，请务必保证图片是灰度图、尺寸一致（通常缩放到 64x64 或 112x92）。

首先安装必要的库。numpy提供矩阵运算，matplotlib用来可视化特征脸，opencv-python负责图像读取和预处理，scikit-learn用来做数据切分和最终效果验证。

pip install numpy matplotlib opencv-python scikit-learn

这里要说明一下为什么需要scikit-learn：虽然我们打算手写PCA主体逻辑，但用train_test_split来划分训练集和测试集是最稳妥的，避免你手动切分时出现类别分布不均匀的问题。如果你完全不想依赖它，自己按索引切片也可以，但要小心打乱顺序时标签同步出错。

3.2 从零实现PCA核心：协方差矩阵、特征值分解与投影

下面这段代码是PCA人脸识别最核心的部分。我刻意不用sklearn.decomposition.PCA，而是手写一遍，目的是让你看见每一步在干什么。代码里包含两个关键函数：train_pca负责从训练集中提取特征脸和投影矩阵；project_to_face_space负责把任意人脸图像投影到特征脸空间。

import numpy as np import cv2 import os def load_images(data_dir, target_size=(64, 64)): """ 加载数据集目录下的所有图片，返回像素矩阵和标签列表。 目录结构：data_dir/person_id/xxx.jpg """ images = [] labels = [] for person_name in sorted(os.listdir(data_dir)): person_dir = os.path.join(data_dir, person_name) if not os.path.isdir(person_dir): continue for img_name in os.listdir(person_dir): img_path = os.path.join(person_dir, img_name) img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) if img is None: continue img = cv2.resize(img, target_size) images.append(img.flatten()) # 转成行向量 labels.append(person_name) return np.array(images, dtype=np.float32), np.array(labels) def train_pca(X, n_components=50): """ 输入：X 是 (n_samples, n_features) 的矩阵，每行是一张拉平的人脸图。 返回：投影矩阵、均值脸、特征值（用于后续的解释方差比）。 """ # 1. 中心化：减去平均脸 mean_face = np.mean(X, axis=0) X_centered = X - mean_face # 2. 计算协方差矩阵 (n_features x n_features) # 注意：直接算特征分解很慢，但样本量小的时候够用 cov_matrix = np.cov(X_centered, rowvar=False) # 3. 特征值分解 eigenvalues, eigenvectors = np.linalg.eigh(cov_matrix) # 4. 特征值是升序排列的，需要翻转取最大的 n_components 个 idx = np.argsort(eigenvalues)[::-1][:n_components] eigenvalues = eigenvalues[idx] eigenvectors = eigenvectors[:, idx] # 5. 投影矩阵：每一列是一个特征向量 projection_matrix = eigenvectors # 6. 训练集投影到特征脸空间，得到低维表示 X_projected = np.dot(X_centered, projection_matrix) return projection_matrix, mean_face, eigenvalues, X_projected

这里必须解释三个关键参数和它们对结果的影响。np.cov(X_centered, rowvar=False)中rowvar=False表示每一列是一个特征（像素），每一行是一个样本，这个参数写错会导致协方差矩阵变成样本间的相似度矩阵，后面全乱套。np.linalg.eigh专门用于对称矩阵，它返回的特征值默认升序排列，所以必须用argsort翻转后取前n_components个。最后一步X_projected = np.dot(X_centered, projection_matrix)把每张训练人脸从4096维（64x64）压到n_components维，这就是后续识别的输入特征。

3.3 训练和识别：最近邻分类与欧氏距离

有了特征脸空间，接下来的识别逻辑非常简单：把测试图片也投影到同一空间，然后和所有训练样本的投影坐标算距离，距离最近的那个训练样本的标签就是识别结果。常见做法是用欧氏距离，你也可以用余弦相似度，但要根据你的特征分布来选择。下面给出完整的训练和识别函数。

def predict_face(test_img, projection_matrix, mean_face, X_projected, labels, k=1): """ 测试图片 -> 特征脸空间 -> 与所有训练样本算距离 -> 返回最近邻的标签 """ # 1. 预处理测试图片：灰度、缩放、拉平 test_img = cv2.cvtColor(test_img, cv2.COLOR_BGR2GRAY) test_img = cv2.resize(test_img, (64, 64)) test_vec = test_img.flatten().astype(np.float32) # 2. 中心化：用训练集的均值脸，而不是测试集的 test_vec_centered = test_vec - mean_face # 3. 投影到特征脸空间 test_projected = np.dot(test_vec_centered, projection_matrix) # 4. 计算到所有训练样本的欧氏距离 distances = np.linalg.norm(X_projected - test_projected, axis=1) # 5. 取距离最小的 k 个样本，投票或直接返回最近邻 nearest_indices = np.argsort(distances)[:k] predicted_labels = labels[nearest_indices] if k == 1: return predicted_labels[0] else: # k > 1 时做多数投票 from collections import Counter return Counter(predicted_labels).most_common(1)[0][0] # 训练流程 data_dir = "data/orl_faces" # 改成你的数据路径 X, y = load_images(data_dir) # 手动划分训练集：每类前5张训练，后5张测试 train_indices = [] test_indices = [] for person in np.unique(y): person_idx = np.where(y == person)[0] train_indices.extend(person_idx[:5]) test_indices.extend(person_idx[5:]) X_train, X_test = X[train_indices], X[test_indices] y_train, y_test = y[train_indices], y[test_indices] projection_matrix, mean_face, eigenvalues, X_projected = train_pca(X_train, n_components=50) # 测试流程 correct = 0 for i in range(len(X_test)): test_vec = X_test[i] # 这里为了演示，直接使用训练阶段的投影逻辑 test_centered = test_vec - mean_face test_projected = np.dot(test_centered, projection_matrix) distances = np.linalg.norm(X_projected - test_projected, axis=1) pred_idx = np.argmin(distances) if y_train[pred_idx] == y_test[i]: correct += 1 accuracy = correct / len(X_test) print(f"识别准确率: {accuracy:.2%}")

这段代码有一个关键细节值得琢磨：测试样本中心化时用的是mean_face，这个均值人脸来自训练集，绝不能用包含测试数据的整体均值去算。否则测试样本的信息在训练阶段就泄漏了，得到的准确率虚高，换了真实场景立刻原形毕露。我在初学时就犯过这个错，后面避坑章节会再强调。

另外，n_components这个参数对准确率的影响非常大。设太小时，人脸的判别信息被丢掉了；设太大时，噪声和人脸细节被保留下来，反而干扰最近邻判断。通常经验值是在10到100之间，具体要根据你的样本总数来定。我的调参方法后面单独讲。

3.4 可视化和保存模型：让特征脸真的“看得见”

很多人把PCA人脸识别跑出准确率就结束了，但课程设计或毕业答辩时，老师几乎一定会问：“特征脸长什么样？你保留了哪些主成分？”这一步最好提前准备好可视化结果。

import matplotlib.pyplot as plt def visualize_eigenfaces(projection_matrix, mean_face, target_size=(64, 64), num=10): """ 可视化平均脸和前 num 个特征脸。 projection_matrix 的每一列是一个特征向量，范围在 [-1, 1] 左右， 需要归一化到 [0, 255] 才能正常显示。 """ plt.figure(figsize=(12, 4)) # 平均脸 mean_img = mean_face.reshape(target_size) plt.subplot(2, (num + 1) // 2, 1) plt.imshow(mean_img, cmap='gray') plt.title("Mean Face") plt.axis('off') # 前 num 个特征脸 for i in range(num): eigen_img = projection_matrix[:, i].reshape(target_size) # 归一化到 0~1 区间显示 eigen_img_norm = (eigen_img - eigen_img.min()) / (eigen_img.max() - eigen_img.min()) plt.subplot(2, (num + 1) // 2, i + 2) plt.imshow(eigen_img_norm, cmap='gray') plt.title(f"Eigenface {i + 1}") plt.axis('off') plt.tight_layout() plt.savefig("eigenfaces.png", dpi=150) plt.show() visualize_eigenfaces(projection_matrix, mean_face)

保存模型这一步也建议做好。PCA的训练结果就是projection_matrix、mean_face、X_projected、y_train这四样东西。用np.savez把它们打包，识别阶段根本不需要重新读原始图片训练。

# 保存训练产物 np.savez("pca_model.npz", projection_matrix=projection_matrix, mean_face=mean_face, X_projected=X_projected, y_train=y_train) # 加载时这样恢复 # model = np.load("pca_model.npz", allow_pickle=True) # projection_matrix = model["projection_matrix"]

4. 参数怎么调：n_components、距离度量与样本量的三角关系

4.1 n_components从10到100逐个试：累计解释方差比是最佳导航

在调参之前，我先用一个简单表格总结三个最关键的参数和它们各自的调整方向，这样你心里有个谱，不至于每次都从头摸索。

“累计解释方差比”是PCA里最经典的指标，它的含义是“前k个主成分保留了原始数据多少比例的信息”。通常我们会画一条碎石图，横轴是主成分序号，纵轴是累计解释方差比，找一个拐点或者达到95%的位置作n_components。但人脸识别的场景下，追求95%信息量往往不是最优解法——因为那部分“被舍弃的5%”里可能恰好包含身份判别信息，也包含大量噪声。所以我的经验是：在10到80之间按10步长做一轮准确率扫描，先粗后细，以识别准确率说话，不要迷信方差比。

# 扫描 n_components 对准确率的影响 for n in [10, 20, 30, 40, 50, 60, 80]: projection_matrix_tmp, mean_face_tmp, _, X_projected_tmp = train_pca(X_train, n_components=n) correct_tmp = 0 for i in range(len(X_test)): test_centered = X_test[i] - mean_face_tmp test_projected = np.dot(test_centered, projection_matrix_tmp) distances = np.linalg.norm(X_projected_tmp - test_projected, axis=1) if y_train[np.argmin(distances)] == y_test[i]: correct_tmp += 1 acc_tmp = correct_tmp / len(X_test) print(f"n_components={n}: 准确率={acc_tmp:.2%}")

这段扫描代码会输出一张准确率随n变化的曲线数据。你会发现，在某个值之前，准确率猛涨；之后变成了一条平线，甚至略微回退。回退的原因是过多的主成分把光照变化、拍摄噪声这些干扰也编码进去了，导致同类样本在特征空间里的距离变大。

4.2 距离度量：欧氏距离和余弦相似度分别在什么场景用

最近邻分类里距离度量不是玄学，它决定了一个更底层的问题——你的特征空间“长什么样”。欧氏距离衡量的是绝对位置差异。在PCA特征脸空间里，这表示两张脸投影坐标的绝对偏移量。它适合训练样本比较密集、各类样本分布近似球形的情况。

余弦相似度衡量的是方向差异，对向量长度不敏感。如果你发现同一个人的两张照片因为光照原因投影向量的模长差异很大，但方向保持一致，那么余弦相似度可能比欧氏距离更稳健。但余弦相似度在特征向量经过中心化（减去平均脸）之后使用时要小心：中心化后的样本坐标有正有负，余弦相似度的几何含义不如欧氏距离直观。我的建议是，默认优先用欧氏距离，只有在光照明显变化导致整体亮度偏移的场景才尝试余弦相似度。

# 用余弦距离替换欧氏距离的写法 def cosine_distance(a, b): dot_product = np.dot(a, b) norm_a = np.linalg.norm(a) norm_b = np.linalg.norm(b) if norm_a == 0 or norm_b == 0: return float('inf') return 1 - dot_product / (norm_a * norm_b) # 识别时替换： # distances = np.array([cosine_distance(test_projected, xp) for xp in X_projected])

4.3 每类样本数的下限：5张是及格线，2张是翻车线

我在实践中发现，PCA人脸识别有个比n_components更悬的变量——每个人用于训练的图片数量。如果每人只有1张训练图，PCA提取出来的“身份信息”极大概率会被表情和光照淹没。因为PCA是无监督方法，它不懂哪张图是哪个人，只知道这些像素点的方差在哪些方向上最大。

每类至少5张训练图是我自己的及格线。AT&T数据集的原始划分就是每类5张训练、5张测试，这个配置下的准确率经验值在90%-95%左右。如果你只有每人2张图，准确率可能直接掉到70%以下，并且无论你怎么调n_components都无法修复。这时候不要把时间花在调参上，去补充样本或者改用其他算法（比如基于深度学习的人脸识别）。

5. PCA人脸识别避坑：我踩过的五个实际问题

5.1 翻车现象一：识别准确率99%，一换真实场景就崩

原因分析：测试集和训练集来自同一个数据集，且经过了完全相同的预处理管线；真实场景中人脸检测框位置、大小不一致，导致切出来的图和对齐模板对不上。

解决办法：在评估时模拟更真实的测试条件。用OpenCV的人脸检测器从不同照片中裁出人脸区域，再进行对齐缩放。如果条件允许，加入“负样本”测试——即不在训练集中的人脸，看系统是否会产生误识别。具体来说，对每张测试图，不仅要看最近邻距离，还要设定一个距离阈值，超过这个阈值就返回“未知身份”，而不是硬给一个标签。

# 设置距离阈值，防范“未知人脸被硬分类” THRESHOLD = 3000.0 # 这个阈值要根据你的投影空间大小来调 if distances[nearest_idx] > THRESHOLD: print("未识别：未知用户") else: print(f"识别结果：{y_train[nearest_idx]}")

5.2 翻车现象二：训练时内存爆炸，协方差矩阵算不出来

原因分析：如果用 128x128 的图，特征维度是 16384 维，协方差矩阵是 16384x16384，约 2GB 内存，普通笔记本直接卡死。

解决办法：换用SVD方法绕开大协方差矩阵。PCA的另一种等价实现是：先对中心化后的数据矩阵做SVD分解，Vt的行就是特征向量。当样本数n小于特征维度d时，花费的时间远小于直接求协方差矩阵的特征分解。sklearn.decomposition.PCA内部就是这么优化的，这也是为什么我不建议你在样本量很大的时候手写np.cov的原因。

# 用SVD代替协方差矩阵的特征分解，降低计算量 def train_pca_svd(X, n_components=50): mean_face = np.mean(X, axis=0) X_centered = X - mean_face # full_matrices=False 是关键：省掉一大堆无用的奇异向量 U, S, Vt = np.linalg.svd(X_centered, full_matrices=False) # Vt 的每一行是一个主成分方向（特征向量） eigenvectors = Vt[:n_components].T X_projected = np.dot(X_centered, eigenvectors) return eigenvectors, mean_face, S, X_projected

5.3 踩坑记录：图片读取时彩色图转灰度图出错

原因分析：有些人脸数据集虽然是黑白照片，但存储格式是三通道JPEG。直接用cv2.imread(img_path)读出来是BGR三通道，直接把三通道均值当灰度值用，会把图像对比度抹掉一大截。

解决办法：显式调用cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)强制灰度化；如果图像已经是灰度图但被当作三通道保存了，这个参数也能正确转换。另外，如果你是从MATLAB导出的.mat格式人脸库，读取后记得用np.squeeze去掉多余的单例维度，再转成float32，不然矩阵形状不匹配会让后面的广播计算出错。

5.4 踩坑记录：训练集和测试集划分时标签不同步

原因分析：手动划分训练集时，常常出现X_train和y_train不是按顺序一一对应的情况。比如先用[:5]切了图像，但忘记对标签做同样的切片。

解决办法：永远不要单独切图像或单独切标签。要么用sklearn.model_selection.train_test_split，要么用索引数组一次性切两者。我在前面的示例代码里就是这么做的：先算好train_indices再同时索引X和y。这看起来像新手错误，但哪怕写过几年代码的人，在熬夜调参时也容易犯。

5.5 血泪经验：均值脸必须只来自训练集

原因分析：这是最隐蔽的泄漏错误。如果你在加载完所有数据后，先算全体均值再划分训练和测试集，那么测试数据的信息已经进入了均值脸。PCA的投影中心被人为拉向测试集，测试准确率虚高，但真实部署时没有这种情况，性能立刻缩水。

解决办法：严格按“先划分，再训练”的顺序执行。任何预处理参数（均值、方差、缩放系数）都只能从训练集中统计，然后套用到测试集上。这不仅是PCA的规则，也是所有机器学习模型的基本要求，但PCA这种“中心化后算距离”的流程特别容易忽视它。

6. 进阶玩法：在PCA特征空间上做可视化、误报分析与模型压缩

如果你跑通了上面的基础流程，可以再用一个技巧检验你的模型是否真的学到了身份信息——把投影到二维的特征向量画成散点图。取n_components=2，把所有训练样本投影到前两个主成分上，用不同颜色标记不同身份。你会看到，同一身份的点通常聚成一团，不同身份之间有明显间距。如果这个图上一堆颜色混在一起，后面的准确率再高也是运气好，需要回头检查对齐和光照预处理。

import matplotlib.pyplot as plt # 只用前2个主成分做可视化 proj_2d, mean_face_2d, _, X_projected_2d = train_pca(X_train, n_components=2) plt.figure(figsize=(8, 6)) for i, label in enumerate(np.unique(y_train)): mask = y_train == label plt.scatter(X_projected_2d[mask, 0], X_projected_2d[mask, 1], label=label, s=20) plt.xlabel("First Principal Component") plt.ylabel("Second Principal Component") plt.legend(loc="best", fontsize="small") plt.savefig("pca_2d_scatter.png", dpi=150)

另外一个实用技巧是“误报分析”。不要只统计一个总准确率，把误判的样本逐对打出来看看。我见过一个有意思的现象：同一人戴眼镜和不戴眼镜的照片被PCA分到了距离很远的区域。也就是说，PCA会把“眼镜”当成比“人脸身份”更显著的方差来源。这时候的解决办法是把眼镜摘掉再采集样本，或者增加佩戴眼镜的样本到训练集中，让算法在特征脸空间里把“眼镜”和“身份”两个方向解耦。

模型压缩方向上，PCA本身就自带压缩属性。你可以把projection_matrix保存为float16类型，把一张4096维的人脸图降到50维特征后，存储空间从16KB变成100字节。这在嵌入式设备上很有用。实际部署时，每张新照片只需做一次矩阵乘法，耗时可忽略不计。

最后说一个我的个人习惯：写完PCA人脸识别代码后，我一定会单独跑一遍“未知面孔测试”——取一个训练集中不存在的人的照片，观察最近邻距离是否超出阈值。如果系统把这个陌生人识别成了某个熟人，说明距离阈值设得太松，或者训练样本太少导致特征空间覆盖不全。这个测试能防住90%的“演示时翻车”场景。希望这些路径和踩坑记录能帮你少走几步弯路，早日把人脸识别原型跑得既稳又透明。

本文还有配套的精品资源，点击获取