opencv特征脸方法（Eigenface）

eigenvalue ：特征值

特征值算法基本是将人脸识别算法推向真正可用的第一种方法，

其主要工作步骤如下：

1）将训练集的每一个人脸图像都拉长一列，将他们组合在一起形成一个大矩阵A。假设每个人脸图像是MxM大小，那么拉成一列后每个人脸样本的维度就是d=MxM大小了。假设有N个人脸图像，那么样本矩阵A的维度就是dxN了。

2）将所有的N个人脸在对应维度上加起来，然后求个平均，就得到了一个“平均脸”。你把这个脸显示出来的话，还挺帅的哦。

3）将N个图像都减去那个平均脸图像，得到差值图像的数据矩阵Φ。

4）计算协方差矩阵C=ΦΦT。再对其进行特征值分解。就可以得到想要的特征向量（特征脸）了。

5）将训练集图像和测试集的图像都投影到这些特征向量上了，再对测试集的每个图像找到训练集中的最近邻或者k近邻啥的，进行分类即可。

详细步骤：

步骤一：获取包含M张人脸图像的集合S。在我们的例子里有25张人脸图像,。每张图像可以转换成一个N维的向量（是的，没错，一个像素一个像素的排成一行就好了，至于是横着还是竖着获取原图像的像素，随你自己，只要前后统一就可以），然后把这M个向量放到一个集合S里，如下式所示。

步骤二：在获取到人脸向量集合S后，计算得到平均图像Ψ，也就是 每张图片的相同位置加起来再去求个平均值

基本上得到了这样一个人。。。。。 这就是传说中的大众脸？

步骤三：计算每张图像和平均图像的差值Φ ，就是用S集合里的每个元素减去步骤二中的平均值。

也就是说开始的那20个人， 每人都减去这个大众脸。

步骤四 ： 先看看这个 “” ，

如果训练图像的数量小于图像的维数比如（M<N^{2)，那么起作用的特征向量只有M-1个而不是N}2个（因为其他的特征向量对应的特征值为0），所以求解特征向量我们只需要求解一个NxN的矩阵。我们可以设该矩阵为L，那么L的第m行n列的元素可以表示为：

一旦我们找到了L矩阵的M个特征向量vl，那么协方差矩阵的特征向量ul就可以表示为：

这些特征向量如果还原成像素排列的话，其实还蛮像人脸的，所以称之为特征脸（如下图）。图里有二十五个特征脸，数量上和训练图像相等只是巧合。有论文表明一般的应用40个特征脸已经足够了。论文Eigenface for recognition里只用了7个特征脸来表明实验。

协方差矩阵的每一个特征向量代表一个特征脸， 把特征向量还原为 图片可知：

步骤五：

识别人脸。OK，终于到这步了，别绕晕啦，上面几步是为了对人脸进行降维找到表征人脸的合适向量的。首先考虑一张新的人脸，我们可以用特征脸对其进行标示：

其中k=1,2…M,对于第k个特征脸uk，上式可以计算其对应的权重，M个权重可以构成一个向量：

perfect，这就是求得的特征脸对人脸的表示了！

那如何对人脸进行识别呢，看下式：

其中Ω代表要判别的人脸，Ωk代表训练集内的某个人脸，两者都是通过特征脸的权重来表示的。式子是对两者求欧式距离，当距离小于阈值时说明要判别的脸和训练集内的第k个脸是同一个人的。当遍历所有训练集都大于阈值时，根据距离值的大小又可分为是新的人脸或者不是人脸的两种情况。根据训练集的不同，阈值设定并不是固定的。

回到自己的项目来说， 我们有41个人脸文件夹， 训练的时候（train文件之中 pop出去的不是待检测图像请注意）， 因此会得到41个特征向量， 对应41个特征脸，当真正进行人脸检测的时候，通过捕捉视频中的人脸 来和特征脸进行比对，从而得到一个标签值（也就是和哪个特征脸最相似）我们根据这个标签纸是不是41（我们待检测的人脸）来判断是不是目标。