OpenCV实现人脸识别——EigenFace特征脸法

来源：互联网发布：php推广链接代码编辑：程序博客网时间：2024/06/02 05:01

从OpenCV2.4开始，加入新的类FaceRecognizer，可以用它方便的进行人脸识别实验。

目前支持的算法有

Eigenface特征脸 createEigenFaceRecognizer()

Fisherface createFisherFaceRecognizer()

Local Binary Patterns Histograms局部二值直方图 createLBPHFaceRecognizer()

这篇文章就特征脸方法进行了实验，代码是根据OpenCV2.4.3里面的samples/cpp文件的facerec_demo.cpp例程所改写的，人脸库用的是ORL人脸数据库，使用CSV文件来记录人脸库中图片所在的目录和标签。

算法描述：

令表示一个随机特征，其中 .

计算均值向量

计算协方差矩阵 S

计算的特征值和对应的特征向量

对特征值进行递减排序，特征向量和他的顺序一致。K个主成分也就是K和最大的特征值对应的特征向量。

x的K个主成分：

其中 .

PCA基的重构：

其中 .

然后特征脸通过下面的方式进行人脸识别：

1.把所有的训练数据投影大PCA子空间

2.把待识别的图像投影到PCA子空间

3.找到训练数据投影后的想来那个和待识别图像投影后的向量最近的那个。

源代码：

[cpp] view plain copy
 print?
#if 1  
  
#include <opencv2\contrib\contrib.hpp>  
#include <opencv2\core\core.hpp>  
#include <opencv2\highgui\highgui.hpp>  
  
#include <iostream>  
#include <fstream>  
#include <sstream>  
  
using namespace std;  
using namespace cv;  
  
static  Mat norm_0_255(cv::InputArray _src)  
{  
    Mat src = _src.getMat();  
    Mat dst;  
  
    switch(src.channels())  
    {  
    case 1:  
        cv::normalize(_src, dst, 0, 255, cv::NORM_MINMAX, CV_8UC1);  
        break;  
    case 3:  
        cv::normalize(_src, dst, 0, 255, cv::NORM_MINMAX, CV_8UC3);  
        break;  
    default:  
        src.copyTo(dst);  
        break;  
    }  
  
    return dst;  
}  
  
static void read_csv(const string &filename, vector<Mat> &images, vector<int> &labels, char separator = ';')  
{  
    std::ifstream file(filename.c_str(), ifstream::in);  
    if(!file)  
    {  
        string error_message = "No valid input file was given.";  
        CV_Error(CV_StsBadArg, error_message);  
    }  
  
    string line, path, classlabel;  
    while(getline(file, line))  
    {  
        stringstream liness(line);  
        getline(liness, path, separator);  //遇到分号就结束  
        getline(liness, classlabel);     //继续从分号后面开始，遇到换行结束  
        if(!path.empty() && !classlabel.empty())  
        {  
            images.push_back(imread(path, 0));  
            labels.push_back(atoi(classlabel.c_str()));  
        }  
    }  
}  
  
int main(int argc, char *argv[])  
{  
    string output_folder;  
    output_folder = string("D:\\ORL\\result");  
  
    //读取你的CSV文件路径  
    string fn_csv = string("D:\\ORL\\to\\at.txt");  
  
    //两个容器来存放图像数据和对应的标签  
    vector<Mat> images;  
    vector<int> labels;  
  
    try  
    {  
        read_csv(fn_csv, images, labels);     
    }  
    catch(cv::Exception &e)  
    {  
        cerr<<"Error opening file "<<fn_csv<<". Reason: "<<e.msg<<endl;  
        exit(1);  
    }  
  
    //如果没有读到足够的图片，就退出  
    if(images.size() <= 1)  
    {  
        string error_message = "This demo needs at least 2 images to work.";  
        CV_Error(CV_StsError, error_message);  
    }  
  
    //得到第一张照片的高度，在下面对图像变形到他们原始大小时需要  
    int height = images[0].rows;  
  
    //移除最后一张图片，用于做测试  
    Mat testSample = images[images.size() - 1];  
    cv::imshow("testSample", testSample);  
    int testLabel = labels[labels.size() - 1];  
  
    images.pop_back();  
    labels.pop_back();  
  
  
    /* 
    * 下面创建一个特征脸模型用于人脸识别， 
    * 通过CSV文件读取的图像和标签训练它。 
    */  
  
    cv::Ptr<cv::FaceRecognizer> model = cv::createEigenFaceRecognizer();  
    model->train(images, labels);  
  
    /* 
    * 下面对测试图像进行预测，predictedLabel 是预测标签结果 
    */  
    int predictedLabel = model->predict(testSample);  
  
    string result_message = format("Predicted class = %d / Actual class = %d.", predictedLabel, testLabel);  
    cout<<result_message<<endl;  
  
  
    //获取特征脸模型的特征值的例子，使用了getMat方法  
    Mat eigenvalues = model->getMat("eigenvalues");  
    //获取特征向量  
    Mat W = model->getMat("eigenvectors");  
  
    //得到训练图像的均值向量  
    Mat mean = model->getMat("mean");  
  
    imshow("mean", norm_0_255(mean.reshape(1, images[0].rows)));  
    cv::imwrite(format("%s/mean.png", output_folder.c_str()), norm_0_255(mean.reshape(1, images[0].rows)));  
  
    //实现并保存特征脸  
    for(int i=0; i <min(10, W.cols); i++)  
    {  
        string msg = format("Eigenvalue #%d = %.5f", i, eigenvalues.at<double>(i));  
        cout<<msg<<endl;  
  
        Mat ev = W.col(i).clone();  
  
        //把他变成原始大小，为了把数据显示归一化到0-255.  
        Mat grayscale = norm_0_255(ev.reshape(1,height));  
  
        //使用伪彩色来显示结果  
        Mat cgrayscale;  
        cv::applyColorMap(grayscale, cgrayscale, COLORMAP_JET);  
  
        imshow(format("eigenface_%d", i), cgrayscale);  
        imwrite(format("%s/eigenface_%d.png", output_folder.c_str(), i), cgrayscale);  
    }  
      
    //在预测过程中，显示并保存重建后的图片  
    for(int num_components = 10; num_components < 390; num_components += 15)  
    {  
        //从模型中的特征向量截取一部分  
        Mat evs = Mat(W, Range::all(), Range(0, num_components));  
        //投影  
        Mat projection = cv::subspaceProject(evs, mean, images[0].reshape(1,1));  
        //重构  
        Mat reconstruction = cv::subspaceReconstruct(evs, mean, projection);  
  
        reconstruction = norm_0_255(reconstruction.reshape(1, images[0].rows));  
  
        imshow(format("eigenface_reconstruction_%d", num_components),reconstruction);  
        imwrite(format("%s/eigenface_reconstruction_%d.png", output_folder.c_str(),num_components), reconstruction);  
  
    }  
      
    cv::waitKey(0);  
    return 0;  
}  
  
#endif  

阅读全文

0 0