基于PCA简单的人脸识别opencv实现-图像处理学习笔记

思路简述

PCA即主成分分析。计算主成分的目的是将高维数据投影到较低维空间。给定 n 个变量的 m 个观察值，形成一个 n ′ m 的数据矩阵， n 通常比较大。
按自己的理解就是，将一个空间的数据投影到一个子空间里，实现降维，并且变换到特定的子空间，会使相似的数据聚合在一起，不同类的数据图像分开的远些（所以就用到变换空间），在这个子空间里实现数据的比较分析更容易些。

实现步骤

1。读取训练样本

将人脸数据库加载到内存中，每幅图像用一个行向量表示，将所有数据库中图像用一个矩阵来表示。

for (int i = 1;i <= 250;i++)    {        data = imread(path +to_string(i)+"\\1.png", CV_LOAD_IMAGE_GRAYSCALE);        data.reshape(1, 1).row(0).convertTo(row_tmp, CV_32FC1);        row_copy(row_tmp, database, i * 2 - 2);        data = imread(path + to_string(i) + "\\2.png", CV_LOAD_IMAGE_GRAYSCALE);        data.reshape(1,1).row(0).convertTo(row_tmp, CV_32FC1);        row_copy(row_tmp, database, i * 2 - 1);    }

注意一定要读取灰度图，并且转换成CV_32FC1

求特征向量（特征脸）

    int number_principal_compent = 10;//保留最大的主成分数（特征向量数）（为对应特征值（贡献度）最大前十的特征向量）                                      //构造pca数据结构    PCA pca(database, Mat(), CV_PCA_DATA_AS_ROW, number_principal_compent);//Mat为掩码 对象为整个矩阵不用操作    Mat eigenvectors = pca.eigenvectors.clone();

求出每个训练样本和测试样本在子空间中的投影系数

Mat cv=pca.project(database);Mat test = pca.project(testimage);

计算每个训练样本和测试样本的欧式距离，取其中最小的为识别图片

vector< double > distance

for (int i = 0;i < cv.rows;i++)    {        distance[i]=norm(test,cv.row(i));    }auto smallest = min_element(begin(distance), end(distance));    cout << "min element is " << *smallest << " at position " << std::distance(std::begin(distance), smallest) << std::endl;