转自:https://blog.csdn.net/freedom098/article/details/52088064
近来想要做一做人脸识别相关的内容,主要是想集成一个系统,看到opencv已经集成了三种性能较好的算法,但是还是想自己动手试一下,毕竟算法都比较初级。
操作环境:python2.7
第三方库:opencv for python、numpy
第一种比较经典的算法就是特征脸法,本质上其实就是PCA降维,这种算法的基本思路是,把二维的图像先灰度化,转化为一通道的图像,之后再把它首尾相接转化为一个列向量,假设图像大小是20*20的,那么这个向量就是400维,理论上讲组织成一个向量,就可以应用任何机器学习算法了,但是维度太高算法复杂度也会随之升高,所以需要使用PCA算法降维,然后使用简单排序或者KNN都可以。
只当搬运工,送上链接。
PCA,,这篇博客讲得非常好了,从原理到实现基本看这个就能搞出来了:http://blog.codinglabs.org/articles/pca-tutorial.html
特征脸法:PCA应用在人脸识别当中:http://blog.csdn.net/smartempire/article/details/21406005,这里与PCA有不同的操作就是特征值分解的时候,由于图像组成的列向量维度太高,直接按照PCA算法求解会很慢,所以这里有一种特殊的处理方法。
数据组织形式为若干样本图片分类放入对应文件夹中,然后在统一存放入face文件夹下,测试图像单独一张图像即可。
另外,由于PCA中维度是一个很麻烦的事情,所以在程序中,我打印了很多维度信息,有助于我们理解PCA的工作过程和调试。
代码如下:
-
#encoding=utf-8
-
import numpy as np
-
import cv2
-
import os
-
class EigenFace(object):
-
def __init__(self,threshold,dimNum,dsize):
-
self.threshold = threshold # 阈值暂未使用
-
self.dimNum = dimNum
-
self.dsize = dsize
-
def loadImg(self,fileName,dsize):
-
'''
-
载入图像,灰度化处理,统一尺寸,直方图均衡化
-
:param fileName: 图像文件名
-
:param dsize: 统一尺寸大小。元组形式
-
:return: 图像矩阵
-
'''
-
img = cv2.imread(fileName)
-
retImg = cv2.resize(img,dsize)
-
retImg = cv2.cvtColor(retImg,cv2.COLOR_RGB2GRAY)
-
retImg = cv2.equalizeHist(retImg)
-
# cv2.imshow('img',retImg)
-
# cv2.waitKey()
-
return retImg
-
def createImgMat(self,dirName):
-
'''
-
生成图像样本矩阵,组织形式为行为属性,列为样本
-
:param dirName: 包含训练数据集的图像文件夹路径
-
:return: 样本矩阵,标签矩阵
-
'''
-
dataMat = np.zeros((10,1))
-
label = []
-
for parent,dirnames,filenames in os.walk(dirName):
-
# print parent
-
# print dirnames
-
# print filenames
-
index = 0
-
for dirname in dirnames:
-
for subParent,subDirName,subFilenames in os.walk(parent+'/'+dirname):
-
for filename in subFilenames:
-
img = self.loadImg(subParent+'/'+filename,self.dsize)
-
tempImg = np.reshape(img,(-1,1))
-
if index == 0 :
-
dataMat = tempImg
-
else:
-
dataMat = np.column_stack((dataMat,tempImg))
-
label.append(subParent+'/'+filename)
-
index += 1
-
return dataMat,label
-
def PCA(self,dataMat,dimNum):
-
'''
-
PCA函数,用于数据降维
-
:param dataMat: 样本矩阵
-
:param dimNum: 降维后的目标维度
-
:return: 降维后的样本矩阵和变换矩阵
-
'''
-
# 均值化矩阵
-
meanMat = np.mat(np.mean(dataMat,1)).T
-
print '平均值矩阵维度',meanMat.shape
-
diffMat = dataMat-meanMat
-
# 求协方差矩阵,由于样本维度远远大于样本数目,所以不直接求协方差矩阵,采用下面的方法
-
covMat = (diffMat.T*diffMat)/float(diffMat.shape[1]) # 归一化
-
#covMat2 = np.cov(dataMat,bias=True)
-
#print '基本方法计算协方差矩阵为',covMat2
-
print '协方差矩阵维度',covMat.shape
-
eigVals, eigVects = np.linalg.eig(np.mat(covMat))
-
print '特征向量维度',eigVects.shape
-
print '特征值',eigVals
-
eigVects = diffMat*eigVects
-
eigValInd = np.argsort(eigVals)
-
eigValInd = eigValInd[::-1]
-
eigValInd = eigValInd[:dimNum] # 取出指定个数的前n大的特征值
-
print '选取的特征值',eigValInd
-
eigVects = eigVects/np.linalg.norm(eigVects,axis=0) #归一化特征向量
-
redEigVects = eigVects[:,eigValInd]
-
print '选取的特征向量',redEigVects.shape
-
print '均值矩阵维度',diffMat.shape
-
lowMat = redEigVects.T*diffMat
-
print '低维矩阵维度',lowMat.shape
-
return lowMat,redEigVects
-
def compare(self,dataMat,testImg,label):
-
'''
-
比较函数,这里只是用了最简单的欧氏距离比较,还可以使用KNN等方法,如需修改修改此处即可
-
:param dataMat: 样本矩阵
-
:param testImg: 测试图像矩阵,最原始形式
-
:param label: 标签矩阵
-
:return: 与测试图片最相近的图像文件名
-
'''
-
testImg = cv2.resize(testImg,self.dsize)
-
testImg = cv2.cvtColor(testImg,cv2.COLOR_RGB2GRAY)
-
testImg = np.reshape(testImg,(-1,1))
-
lowMat,redVects = self.PCA(dataMat,self.dimNum)
-
testImg = redVects.T*testImg
-
print '检测样本变换后的维度',testImg.shape
-
disList = []
-
testVec = np.reshape(testImg,(1,-1))
-
for sample in lowMat.T:
-
disList.append(np.linalg.norm(testVec-sample))
-
print disList
-
sortIndex = np.argsort(disList)
-
return label[sortIndex[0]]
-
def predict(self,dirName,testFileName):
-
'''
-
预测函数
-
:param dirName: 包含训练数据集的文件夹路径
-
:param testFileName: 测试图像文件名
-
:return: 预测结果
-
'''
-
testImg = cv2.imread(testFileName)
-
dataMat,label = self.createImgMat(dirName)
-
print '加载图片标签',label
-
ans = self.compare(dataMat,testImg,label)
-
return ans
-
if __name__ == '__main__':
-
eigenface = EigenFace(20,50,(50,50))
-
print eigenface.predict('d:/face','D:/face_test/1.bmp')