人脸识别经典算法实现（一）——特征脸法

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：

 

1. #encoding=utf-8

2. import numpy as np

3. import cv2

4. import os

5.  

6. class EigenFace(object):

7. def __init__(self,threshold,dimNum,dsize):

8. self.threshold = threshold # 阈值暂未使用

9. self.dimNum = dimNum

10. self.dsize = dsize

11.  

12. def loadImg(self,fileName,dsize):

13. '''

14. 载入图像，灰度化处理，统一尺寸，直方图均衡化

15. :param fileName: 图像文件名

16. :param dsize: 统一尺寸大小。元组形式

17. :return: 图像矩阵

18. '''

19. img = cv2.imread(fileName)

20. retImg = cv2.resize(img,dsize)

21. retImg = cv2.cvtColor(retImg,cv2.COLOR_RGB2GRAY)

22. retImg = cv2.equalizeHist(retImg)

23. # cv2.imshow('img',retImg)

24. # cv2.waitKey()

25. return retImg

26.  
27.  

28. def createImgMat(self,dirName):

29. '''

30. 生成图像样本矩阵，组织形式为行为属性，列为样本

31. :param dirName: 包含训练数据集的图像文件夹路径

32. :return: 样本矩阵，标签矩阵

33. '''

34. dataMat = np.zeros((10,1))

35. label = []

36. for parent,dirnames,filenames in os.walk(dirName):

37. # print parent

38. # print dirnames

39. # print filenames

40. index = 0

41. for dirname in dirnames:

42. for subParent,subDirName,subFilenames in os.walk(parent+'/'+dirname):

43. for filename in subFilenames:

44. img = self.loadImg(subParent+'/'+filename,self.dsize)

45. tempImg = np.reshape(img,(-1,1))

46. if index == 0 :

47. dataMat = tempImg

48. else:

49. dataMat = np.column_stack((dataMat,tempImg))

50. label.append(subParent+'/'+filename)

51. index += 1

52. return dataMat,label

53.  
54.  

55. def PCA(self,dataMat,dimNum):

56. '''

57. PCA函数，用于数据降维

58. :param dataMat: 样本矩阵

59. :param dimNum: 降维后的目标维度

60. :return: 降维后的样本矩阵和变换矩阵

61. '''

62. # 均值化矩阵

63. meanMat = np.mat(np.mean(dataMat,1)).T

64. print '平均值矩阵维度',meanMat.shape

65. diffMat = dataMat-meanMat

66. # 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

67. covMat = (diffMat.T*diffMat)/float(diffMat.shape[1]) # 归一化

68. #covMat2 = np.cov(dataMat,bias=True)

69. #print '基本方法计算协方差矩阵为',covMat2

70. print '协方差矩阵维度',covMat.shape

71. eigVals, eigVects = np.linalg.eig(np.mat(covMat))

72. print '特征向量维度',eigVects.shape

73. print '特征值',eigVals

74. eigVects = diffMat*eigVects

75. eigValInd = np.argsort(eigVals)

76. eigValInd = eigValInd[::-1]

77. eigValInd = eigValInd[:dimNum] # 取出指定个数的前n大的特征值

78. print '选取的特征值',eigValInd

79. eigVects = eigVects/np.linalg.norm(eigVects,axis=0) #归一化特征向量

80. redEigVects = eigVects[:,eigValInd]

81. print '选取的特征向量',redEigVects.shape

82. print '均值矩阵维度',diffMat.shape

83. lowMat = redEigVects.T*diffMat

84. print '低维矩阵维度',lowMat.shape

85. return lowMat,redEigVects

86.  

87. def compare(self,dataMat,testImg,label):

88. '''

89. 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

90. :param dataMat: 样本矩阵

91. :param testImg: 测试图像矩阵，最原始形式

92. :param label: 标签矩阵

93. :return: 与测试图片最相近的图像文件名

94. '''

95. testImg = cv2.resize(testImg,self.dsize)

96. testImg = cv2.cvtColor(testImg,cv2.COLOR_RGB2GRAY)

97. testImg = np.reshape(testImg,(-1,1))

98. lowMat,redVects = self.PCA(dataMat,self.dimNum)

99. testImg = redVects.T*testImg

100. print '检测样本变换后的维度',testImg.shape

101. disList = []

102. testVec = np.reshape(testImg,(1,-1))

103. for sample in lowMat.T:

104. disList.append(np.linalg.norm(testVec-sample))

105. print disList

106. sortIndex = np.argsort(disList)

107. return label[sortIndex[0]]

108.  
109.  

110. def predict(self,dirName,testFileName):

111. '''

112. 预测函数

113. :param dirName: 包含训练数据集的文件夹路径

114. :param testFileName: 测试图像文件名

115. :return: 预测结果

116. '''

117. testImg = cv2.imread(testFileName)

118. dataMat,label = self.createImgMat(dirName)

119. print '加载图片标签',label

120. ans = self.compare(dataMat,testImg,label)

121. return ans

122.  
123.  

124. if __name__ == '__main__':

125. eigenface = EigenFace(20,50,(50,50))

126. print eigenface.predict('d:/face','D:/face_test/1.bmp')

127.  
128.