OpenCV人脸识别实验(一)——特征脸(Eigenfaces)及其重构的源代码详解
来源:互联网 发布:阿里云lamp环境搭建 编辑:程序博客网 时间:2024/05/19 23:56
1、介绍Introduction
从OpenCV2.4开始,加入了新的类FaceRecognizer,我们可以使用它便捷地进行人脸识别实验。
本实验采用的编程环境为:opencv3.0+VS2013。人脸识别的实验已经转移到face模块中,
face模块在我这里的路径为:D:\Program Files\opencv3.0\opencv\sources\modules\opencv_contrib-master\modules\face。
代码在OpenCV安装目录下为:D:\Program Files\opencv3.0\opencv\sources\modules\opencv_contrib-master\modules\face\samples\facerec_eigenfaces.cpp.
如果需要在高版本的opencv中使用face模块,需要自己进行编译,其编译和配置流程请参照题目为:
【图像处理】windows 10 + vs2015+ opencv3.0.0 +附加模块opencv_contrib编译和配置的博客,在此不在赘述。
face模块目前支持的算法有:
(1)主成分分析(PCA)——Eigenfaces(特征脸)——函数:createEigenFaceRecognizer()
PCA:低维子空间是使用主元分析找到的,找具有最大方差的哪个轴。
缺点:若变化基于外部(光照),最大方差轴不一定包括鉴别信息,不能实行分类。
(2)线性判别分析(LDA)——Fisherfaces(特征脸)——函数: createFisherFaceRecognizer()
LDA:线性鉴别的特定类投影方法,目标:实现类内方差最小,类间方差最大。
(3)局部二值模式(LBP)——LocalBinary Patterns Histograms——函数:createLBPHFaceRecognizer()
PCA和LDA采用整体方法进行人脸辨别,LBP采用局部特征提取,除此之外,还有的局部特征提取方法为:
盖伯小波(Gabor Waelets)和离散傅里叶变换(DCT)。
2、人脸库及数据准备
在研究人脸识别,所以我们需要人脸图像!你可以自己创建自己的数据集,也可以从这里(http://face-rec.org/databases/)下载一个。本实验采用ORL人脸数据库,40个人,每人10张照片。本次实验ORL人脸库图像解压缩在的目录路径为:D:\Program Files\opencv3.0\opencv\sources\data\FaceData\ORL。CSV文件的目录路径为:
D:\Program Files\opencv3.0\opencv\sources\data\at.txt。我们需要在程序中读取它,我决定使用CSV文件读取它。一个CSV文件包含文件名,紧跟一个标签。
如:D:\Program Files\opencv3.0\opencv\sources\data\FaceData\ORL\s1\1.pgm;0
我们给它一个标签0,这个标签类似代表这个人的名字,所以同一个人的照片的标签都一样。创建一个CSV文件,
at.txt文件的部分内容的截图如下:
3、算法描述
图像表示的问题是他的高维问题。二维灰度图像p*q大小,是一个m=qp维的向量空间,
所以一个100*100像素大小的图像就是10,000维的图像空间。问题是,是不是所有的维数空间对我们来说都有用?
我们可以做一个决定,如果数据有任何差异,我们可以通过寻找主元来知道主要信息。
主成分分析(PrincipalComponent Analysis,PCA)是KarlPearson (1901)独立发表的,
而 Harold Hotelling (1933)把一些可能相关的变量转换成一个更小的不相关的子集。
想法是,一个高维数据集经常被相关变量表示,因此只有一些的维上数据才是有意义的,包含最多的信息。
PCA方法寻找数据中拥有最大方差的方向,被称为主成分。
令 表示一个随机特征,其中 .
1. 计算均值向量
2. 计算协方差矩阵 S
3. 计算 的特征值 和对应的特征向量
4. 对特征值进行递减排序,特征向量和它顺序一致. K个主成分也就是k个最大的特征值对应的特征向量。
x的K个主成份:
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:
A. 把所有的训练数据投影到PCA子空间
B. 把待识别图像投影到PCA子空间
C. 找到训练数据投影后的向量和待识别图像投影后的向量最近的那个。4、代码实现及实验结果
#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc/imgproc.hpp>#include <opencv2/face/facerec.hpp>#include <iostream>#include <fstream> //文件操作的集合,以流的方式进行#include <sstream> //此库定义了stringstream类,即:流的输入输出操作。 //使用string对象代替字符数组,避免缓冲区溢出的危险using namespace cv;using namespace std;using namespace cv::face;//归一化图像矩阵函数static Mat norm_0_255(InputArray _src){Mat src = _src.getMat(); //将传入的类型为InputArray的参数转换为Mat的结构Mat dst; //创建和返回一个归一化后的图像switch (src.channels()){case 1:normalize(_src, dst, 0, 255, NORM_MINMAX, CV_8UC1);break;case 3:normalize(_src, dst, 0, 255, NORM_MINMAX, CV_8UC3);break;default:src.copyTo(dst);break;}return dst;}//使用CSV文件读取图像和标签,主要使用stringstream和getline方法static void read_csv(const string& filename, vector<Mat>& images, vector<int>& labels, char separator = ';'){ifstream file(filename.c_str(), ifstream::in); //以输入方式打开文件 //c_str()函数将字符串转化为字符数组,返回指针if (!file){string error_massage = "No valid input file was given,please check the given filename!";CV_Error(CV_StsBadArg, error_massage);}string line, path, classlabel;while (getline(file, line)) //getline(字符数组,字符个数n,终止标志字符){stringstream liness(line);getline(liness, path, separator); //遇到分号就结束getline(liness, classlabel); //继续从分号后边开始,遇到换行结束if (!path.empty() && !classlabel.empty()){images.push_back(imread(path, 0));labels.push_back(atoi(classlabel.c_str())); //atoi函数将字符串转换为整数值}}}int main(int argc, const char* argv[]){//[1] 检测合法的命令,显示用法//如果没有参数输入,则退出//if (argc < 2)//{//cout << "usage:" << argv[0] << "<csv.ext> <output_folder>" << endl;//exit(1);//}string output_folder;output_folder = string("D:\\Program Files\\opencv3.0\\opencv\\sources\\data\\FaceData\\result6");//[2] 读取CSV文件路径string fn_csv = string("D:\\Program Files\\opencv3.0\\opencv\\sources\\data\\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; //读取数据,如果文件不合法就会出错。输入的文件名已经有了try{read_csv(fn_csv, images, labels);}catch (Exception& e){cerr << "Error opening file" << fn_csv << ".Reason:" << e.msg << endl;exit(1);}//没有读取到足够多的图片,也需要退出if (images.size() <= 1){string error_message = "This demo need at least 2 images,please add more images to your data set!";CV_Error(CV_StsError, error_message);}//[3] 得到第一张图片的高度,在下面对图像变形得到他们原始大小时需要int height = images[0].rows;//[4]下面代码仅从数据集中移除最后一张图片,用于做测试,需要根据自己的需要进行修改Mat testSample = images[images.size() - 1];int testLabel = labels[labels.size() - 1];images.pop_back(); //删除最后一张图片labels.pop_back(); //删除最后一个标签//[5] 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//这里是一个完整的PCA 变换//如果想保留10个主成分,使用如下代码 cv::createEigenFaceRecognizer(10);//如果希望使用置信度阈值来初始化,使用代码 cv::createEigenFaceRecognizer(10, 123.0);//如果使用所有特征并使用一个阈值,使用代码 cv::createEigenFaceRecognizer(0, 123.0);Ptr<BasicFaceRecognizer> model = createEigenFaceRecognizer();model->train(images, labels);//[6] 对测试图像进行预测,predictedLabel是预测标签结果int predictedLabel = model->predict(testSample);// 还有一种调用方式,可以获取结果同时得到阈值:// int predictedLabel = -1;// double confidence = 0.0;// model->predict(testSample, predictedLabel, confidence);string result_message = format("Predicted class = %d / Actual class = %d.", predictedLabel, testLabel);cout << result_message << endl;//[7] 如何获取特征脸模型的特征值例子,使用getEigenValues方法Mat eigenvalues = model->getEigenValues();//[8] 获取特征向量Mat W = model->getEigenVectors();//[9] 得到训练图像的均值向量Mat mean = model->getMean();//[10] 显示或保存imshow("mean", norm_0_255(mean.reshape(1, images[0].rows)));imwrite(format("%s/mean.png", output_folder.c_str()), norm_0_255(mean.reshape(1, images[0].rows)));//[11] 显示或保存特征脸for (int i = 0; i < min(10, W.cols); i++) //修改数值10可以修改特征脸的数目{string msg = format("Eigenvalue #%d = %.5f", i,eigenvalues.at<double>(i));cout << msg << endl;//得到第i个特征向量Mat ev = W.col(i).clone();//把它变成原始大小,把数据显示归一化到0-255Mat grayscale = norm_0_255(ev.reshape(1, height));//使用伪彩色来显示结果,为了更好的观察Mat cgrayscale;applyColorMap(grayscale, cgrayscale, COLORMAP_JET);//显示或保存imshow(format("eigenface_%d", i), cgrayscale);imwrite(format("%s/eigenface_%d.png", output_folder.c_str(), i),norm_0_255(cgrayscale));}//[12] 预测过程中,显示或保存重建后的图像 //修改值300可改变重构的图像的数目 for (int num_components = min(W.cols, 10); num_components < min(W.cols,300); 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)); //在重构时,images[0]为ORL人脸库的第一张人脸图, //修改此数值0的大小可对其他人脸图像进行特征脸处理与重构的实验 Mat projection = LDA::subspaceProject(evs, mean, images[0].reshape(1, 1)); //投影样本到LDA子空间 Mat reconstruction = LDA::subspaceReconstruct(evs, mean,projection); //重构来自于LDA子空间的投影 //归一化结果 reconstruction = norm_0_255(reconstruction.reshape(1, images[0].rows)); //[13] 若不是存放到文件夹中就显示他,使用暂定等待键盘输入 imshow(format("eigenface_reconstruction_%d", num_components),reconstruction); imwrite(format("%s/eigenface_reconstruction_%d.png",output_folder.c_str(), num_components), reconstruction); }waitKey(0);return 0;}实验结果截图为:(特征值或特征脸数目为10,重构人脸图像为20)
修改代码:
(1)for (int i = 0; i < min(50, W.cols); i++)//修改数值50可以修改特征脸的数目
(2)//修改重构图像的范围或数目,修改值为400
for (int num_components = min(W.cols, 10); num_components < min(W.cols,400); num_components += 15)
实验运行结果截图为:(特征值或特征脸数目为50,重构人脸图像为26)
再次修改代码:(代码中红色注解部分)
//修改此数值0的大小为其他值,可对其他人脸图像进行特征脸处理与重构的实验
Mat projection = LDA::subspaceProject(evs, mean, images[50].reshape(1, 1));
实验截图为:
5、实验结论
(1)50个特征向量可以有效的编码出重要的人脸特征。
(2)对比下面两幅图,重构图像的范围或数目越大,重构的效果越好,重构的图片越清晰!
- OpenCV人脸识别实验(一)——特征脸(Eigenfaces)及其重构的源代码详解
- OpenCV人脸识别实验(二)——特征脸(fisherface)及其重构的源代码详解
- 人脸识别算法(一)---eigenfaces
- 基于Eigenfaces+SVM人脸识别实验
- 人脸识别特征提取(LBP)及其opencv实现
- PCA 的具体实现 (Eigenfaces特征脸)
- PCA 的具体实现 (Eigenfaces特征脸)
- PCA 的具体实现 (Eigenfaces特征脸)
- PCA 的具体实现 (Eigenfaces特征脸)
- PCA 的具体实现 (Eigenfaces特征脸)
- OpenCV中使用Eigenfaces 或 Fisherfaces进行人脸识别
- OpenCV中使用Eigenfaces 或 Fisherfaces进行人脸识别
- 特征脸(Eigenfaces)
- 利用OpenCV的Haar特征目标检测方法进行人脸识别的尝试(一)
- PCA数据降维(Eigenfaces特征脸)
- 机器学习: 特征脸算法 EigenFaces
- 使用opencv作物件识别(一) —— 积分直方图加速HOG特征计算
- 使用opencv作物件识别(一) —— 积分直方图加速HOG特征计算
- 微信小程序页面跳转传值以及获取值方法
- Android流畅度总结
- protobuf入门教程(一):简介和安装
- 进程通信之 Socket笔记
- Vue-cli使用axios从跨域服务器获取JSON数据
- OpenCV人脸识别实验(一)——特征脸(Eigenfaces)及其重构的源代码详解
- 使用idea初次创建maven项目无法创建Java文件的解决办法
- 创建一个shiro例子(未完成)
- YARN常用的3种调度器
- 【OPNET学习系列文章之5】建立端口表
- UICollisionBehavior 详细介绍
- 你为什么要使用CDN?
- 深入理解React 组件状态(State)
- rac 常用命令