Opencv人脸识别项目简介

项目要求

• 使用opencv实现对人脸库的主成分提取（不使用PCA类），完成特征模型保存
• 对一张测试照片进行识别，找到图片库中和测试图片最像的图

配置说明

• Opencv3.0
• VS2015
• Win10

配置过程网上太多了，就不做过多解释了，可以参照某个教程来做。主要的也就几步，下载Opencv，配Path，配置VC++目录的包含目录和库目录，配置链接器附加项的附加依赖项。

人脸库

• AT&T人脸库, 40人x10张 (本次Proj使用)
• 其他人脸库

结果

• 训练集是AT&T人脸库40x8(两张做测试用)
• 左图是输入的测试人脸，右图两张是人脸库中的匹配到后还原人脸

测试人脸	匹配结果	匹配结果(前50%特征向量)

前言

• 为什么要做PCA (principle component analysis)

  主成分分析做的就是给了一堆很高维的数据，我们需要把它变成低维的数据，变成低维数据有一个好，最直观的就是数据量下来了。那图片举例，比如1000个样本，100x100的分辨率，以前1000x10000的数据，每个点就算是1Btye的数据，要10M。我把它映射到500维(取前50%特征向量)的空间，变成1000x500的数据，一下子降低到了500K，一下子降低了一个量级，更关键的是计算量瞬间也降了一个档次。一些场景如嵌入式设备上（如ZKteco的考勤机），计算和空间都是很奢侈的东西，我们的PCA就发挥作用了。

• 怎么做数据的降维
  为什么要做降维原因还有很多很多，有兴趣的可以去查查，不在这里讲的主要原因是我自己也不知道。那么接下来就要分析怎么降维，降维大概的意思就是把一个数据点降到低维的数据点，比如XY二维的点映射到一维的话，如果是映射到x轴，那么所有点点乘个(1, 0)就好了；如果是三维的点降到一维那么点乘(1, 0, 0)就好了，降到二维点乘(1, 0, 0);(0, 1, 0)就好了，也就是相当于原来的数据矩阵乘了一个变换矩阵。

  问题来了，这个变换矩阵要怎么设定呢？是不是直接所有的都映射到X，Y，Z…轴上就好了呢？当然不是！比如下面有张数据点图表示男女的身高体重图

  黑点表示男生，红点表示女生
  X轴表示体重，Y轴表示身高

如果判断都是按照体重来划分的话，m1很可能就被判断成了女生，fm1则被判断成了男生。“虽然我体重轻一点，但是我身高比较高啊，我应该被划分成男生”。讲道理的话按照那条蓝线来分比较科学，为什么科学啊，因为比较符合图的分布，为什么符合分布啊？….这个时候有人就弄了一个PCA做降维的准则，有人说：“我觉得使得新的数据集方差最大的那种分法比较好。”大家想想，是这么个道理，方差比较小，大家挤成一团，很多数据点很容易重叠，也不容易区分。

数学推导

更加细致的推导可以去参考其他大学的pca课程ppt，如JHU这里有pca处理人脸步骤的详解,