人脸识别-特征算法

人脸识别特征识别器是数字信息发展中的一种生物特征识别技术，其核心在于通过特定的算法和技术手段，从人脸图像中提取出具有区分性和稳定性的特征，用于后续的人脸识别和身份验证。Opencv提供了三种用于识别人脸的特征提取算法。分别是 LBPH 算法、EigenFaces 算法、FisherFaces 算法。以下是对人脸识别特征识别器的详细介绍：

一、LBPH算法

Local Binary Patterns Histograms（LBPH），即局部二值模式直方图，是一种用于图像识别和人脸识别的特征提取方法。以下是对LBPH的详细介绍：

1.基本原理

LBPH算法通过LBP算子描述图像局部纹理特征。LBP算子是一种用于描述图像局部纹理的算子，它将每个像素与其邻域内的像素进行比较，并将比较结果编码为二进制数。然后，通过统计这些二进制数的直方图来提取图像的局部纹理特征。在人脸识别中，LBPH算法将人脸图像划分为多个局部块，并计算每个块的LBP直方图，最后将这些直方图组合起来形成特征向量。

2.实现步骤

1、以每个像素为中心，判断与周围像素灰度值大小关系，对其进行二进制编码，从而获得整幅图像的LBP编码图像；

2、再将LBP图像分为个区域，获取每个区域的LBP编码直方图，继而得到整幅图像的LBP编码直方图。LBP特征与Haar特征很相似，都是图像的灰度变化特征。

特点：
通过比较不同人脸图像LBP编码直方图达到人脸识别的目的,其优点是不会受到光照、缩放、旋转和平移的影响。

3.代码实现

import cv2
import numpy as np

images=[]
images.append(cv2.imread('fmjj1.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('fmjj2.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('ss1.png', cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('ss2.png', cv2.IMREAD_GRAYSCALE))
labels = [0, 0, 1, 1]
dic = {0: 'fmjj', 1: 'ss', -1: '无法识别'}
predict_image = cv2.imread('fmjj.png', cv2.IMREAD_GRAYSCALE)

recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=80)

recognizer.train(images, np.array(labels))

label, confidence = recognizer.predict(predict_image)
print('这人是：', dic[label])
print('置信度：', confidence)
aa = cv2.putText(cv2.imread('fmjj.png').copy(), dic[label], (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)
cv2.imshow('aa', aa)
cv2.waitKey(0)
cv2.destroyAllWindows()

本代码通过对四张照片进行读取，前两种为同一人图像，后两张为另一人图像，转为灰度图，并设置对应的标签，然后读取测试图片，通过使用LBPHFaceRecognizer来创建一个人脸识别器，并为其设置了一个阈值为80，然后使用测试图像和对应的标签来训练这个识别器。最后使用predict方法来对新的人脸图像进行识别。结果如下：

二、Eigenfaces算法

基于主成分分析（PCA）的算法，通过对人脸图像进行PCA处理，将高维的人脸数据转换为低维数据，提取出人脸的主要特征。

1.特点

• 降维效果好：Eigenfaces算法通过PCA降维，将高维的人脸图像数据转换为低维数据，同时保留了人脸的主要特征，有效降低了计算复杂度。
• 识别精度高：由于Eigenfaces算法提取了人脸图像的主要特征向量，因此在识别阶段能够较好地区分不同的人脸。
• 对光照和表情变化敏感：然而，Eigenfaces算法对光照和表情变化较为敏感，因为这些变化会改变人脸图像的主要特征向量，从而影响识别精度。

2.代码实习

import cv2
import numpy as np

def image_re(image):
    a = cv2.imread(image, 0)
    a = cv2.resize(a, (120, 180))
    return a

images = []
a = image_re('fmjj1.png')
b = image_re('fmjj2.png')
c = image_re('ss1.png')
d = image_re('ss2.png')
images.append(a)
images.append(b)
images.append(c)
images.append(d)

labels = [0, 0, 1, 1]
pre_image = cv2.imread('fmjj.png', 0)
pre_image = cv2.resize(pre_image, (120, 180))

recognizer = cv2.face.EigenFaceRecognizer_create()

recognizer.train(images, np.array(labels))
label, confidence = recognizer.predict(pre_image)
dic = {0: 'fmjj', 1: 'ss'}
print('这人是：', dic[label])
print("置信度：", confidence)
aa = cv2.putText(cv2.imread('fmjj.png').copy(), dic[label], (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)
cv2.imshow('aa', aa)
cv2.waitKey(0)
cv2.destroyAllWindows()

代码基本与上述一致，这里我们使用EigenFaceRecognizer创建人脸识别器，然后再对其进行训练，预测得到最终结果。

三、FisherFaces算法

1.算法原理

Fisherfaces算法的核心思想是利用LDA算法对人脸特征进行降维，并通过计算投影系数，将原始图像投影到低维空间中。这样不仅可以大大减少计算量，提高识别速度，还能在一定程度上保持较高的识别准确率。LDA是一种经典的线性学习方法，它能够在降维的同时考虑类别信息，使得投影后的同类样本点尽可能靠近，异类样本点尽可能远离。

2.算法特点

• 考虑类别信息：与Eigenfaces算法相比，Fisherfaces算法在降维过程中考虑了类别信息，这使得投影后的特征更具区分性。
• 对光照和角度变化具有鲁棒性：由于Fisherfaces算法在提取特征时考虑了人脸的几何形状和纹理信息，因此它对光照和角度变化具有一定的鲁棒性。
• 计算复杂度较高：虽然Fisherfaces算法在识别阶段具有较快的速度，但由于在训练阶段需要计算类内和类间散度矩阵以及投影系数，因此计算复杂度相对较高。

3.代码实现

import cv2
import numpy as np


def image_re(imgae):
    a = cv2.imread(imgae, 0)
    a = cv2.resize(a, (120, 180))
    return a


image = []
a = image_re('fmjj1.png')
b = image_re('fmjj2.png')
c = image_re('ss1.png')
d = image_re('ss2.png')
image.append(a)
image.append(b)
image.append(c)
image.append(d)
labels = [0, 0, 1, 1]
pre_image = image_re('fmjj.png')
recognizer = cv2.face.FisherFaceRecognizer_create()
recognizer.train(image, np.array(labels))
label, confidence = recognizer.predict(pre_image)
dic = {0: 'fmjj', 1: 'ss'}
print("这人是：", dic[label])
print('置信度：', confidence)
aa = cv2.putText(cv2.imread('fmjj.png').copy(), dic[label], (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)
cv2.imshow('aa', aa)
cv2.waitKey(0)
cv2.destroyAllWindows()

四、总结

Eigenfaces、Fisherfaces和LBPH都是人脸识别中的经典算法，它们各自具有不同的特点和优势。Eigenfaces和Fisherfaces关注全局信息，而LBPH注重局部特征。在实际应用中，可以根据具体需求和场景选择合适的算法进行人脸识别。例如，在需要处理大规模数据集时，可以选择Eigenfaces算法；在需要注重分类性能时，可以选择Fisherfaces算法；在复杂环境下进行人脸识别时，可以选择LBPH算法。