PCA算法：从一组照片中获取特征脸（特征向量）

本文介绍了对一组照片进行PCA处理的过程和结果。本文使用OpenCV的PCA处理函数，参考了夏天的味道的博客opencv pca。本文使用的照片来源于YelaFaces（直接Baidu就能找到在CSDN上的下载链接，就不上传了）。

一、操作步骤

PCA处理的基本步骤为：

1、获取m个样本，每个样本有n个特征。

2、每个样本作为一行，构成m*n的举证A。

3、将矩阵转置再乘以自己得到C=A(t)*A。

4、求出矩阵C的特征值及特征向量，特征向量即为特征脸。

二、代码及解释

#include "stdafx.h"
#include <string>
#include <opencv2\opencv.hpp> 
using namespace std;
using namespace cv;

int _tmain(int argc, _TCHAR* argv[])
{
	//获取了mean_face
	int num_sample = 38;
	int norm_row = 64, norm_col = 56;
	int num;
	Mat imgs = loadImages(num);
	Mat mean_face = Mat(norm_row, norm_col, CV_8UC1);
	vector<int> mean_face_total;
	mean_face_total.resize(norm_row * norm_col);

	for (int i = 0; i < num; i++)
	{
		for (int j = 0; j < norm_row * norm_col; j++)
		{
			mean_face_total.at(j) += imgs.at<uchar>(i * norm_row * norm_col + j);
			//eigen_face_total[j] += imgs.at<uchar>(i * 192 * 168 + j);
		}
	}
	for (int j = 0; j < norm_row * norm_col; j++)
	{
		mean_face.at<uchar>(j) = (uchar)(mean_face_total.at(j) / num);
	}

	imwrite("C:/Users/dhj555/Desktop/YelaFaces/eigen_face/0001.jpg", mean_face);
	imshow("eigen_face", mean_face);

	//1、初始化数据
	CvMat* pData = cvCreateMat(num_sample, norm_row * norm_col, CV_32FC1);
	CvMat* pMean = cvCreateMat(1, norm_row * norm_col, CV_32FC1);
	//每个数标志一个特征值
	CvMat* pEigVals = cvCreateMat(1, min(num_sample, norm_row * norm_col), CV_32FC1);
	//每行表示一个特征向量
	CvMat* pEigVecs = cvCreateMat(min(num_sample, norm_row * norm_col), norm_row * norm_col, CV_32FC1);

	for (int i = 0; i < num_sample; i++)
	{
		for (int j = 0; j < norm_row * norm_col; j++)
			cvmSet(pData, i, j, imgs.at<uchar>(i * norm_row * norm_col + j));
	}

	//2、PCA处理
	cvCalcPCA(pData, pMean, pEigVals, pEigVecs, CV_PCA_DATA_AS_ROW);

	//3、选出前P个特征向量(主成份),然后投影,结果保存在pResult中，pResult中包含了P个系数
	//CvMat* pResult = cvCreateMat(num_sample, 20, CV_32FC1);
	//cvProjectPCA(pData, pMean, pEigVecs, pResult);

	//4、重构, 结果保存在pRecon中
	//CvMat* pRecon = cvCreateMat(num_sample, norm_row*norm_col, CV_32FC1);
	//cvBackProjectPCA(pResult, pMean, pEigVecs, pRecon);

	//5、显示重构的图像
	//Mat mRecon = Mat(pRecon);


	//4、显示与保存特征向量
	for (int i = 0; i < min(num_sample, norm_row * norm_col); i++)
	{
		float min = LLONG_MAX, max = LLONG_MIN, span = 0.0;
		for (int index = 0; index < norm_row*norm_col; index++)
		{
			float d = cvmGet(pEigVecs, i, index);
			if (d>max)
				max = d;
			if (d < min)
				min = d;
		}
		span = max - min;
		Mat eigen_face = Mat(norm_row, norm_col, CV_8UC1);
		for (int index = 0; index < norm_row*norm_col; index++)
		{
			float d = cvmGet(pEigVecs, i, index);
			eigen_face.at<uchar>(index) = (d - min) / span * 255.0;
		}
		char buffer[128];
		sprintf_s(buffer, "C:/Users/dhj555/Desktop/YelaFaces/eigen_face/001/1-000%d.jpg", i);
		string imgPath(buffer);
		imshow(imgPath, eigen_face);
		printf("%d st:\t%f\n", i, cvmGet(pEigVals, 0, i));
		imwrite(imgPath, eigen_face);
	}
}

1、第9至16行：声明变量。

2、第18至32行：读取文件到imgs中，总共读取了38张人脸，并将每张人脸缩放为64*56大小，所以imgs为38行，64*56列的矩阵。

3、第34至40行：声明了PCA计算相关的矩阵，具体说明见代码注释。

4、第42至46行：将imgs中的数据写入pData中，以用于PCA计算。

5、第49行：调用OpenCV的函数计算特征值及特征向量。

6、第64至88行：根据特征值导出特征脸并保存显示。

三、实验结果

求出的特征值及相应的特征脸（至上传了前11个，总共38个，可以在这里 下载查看所有的）：

特征值	特征脸
0 st:   1512882.000000
1 st:   316433.875000
2 st:   268737.531250
3 st:   248890.359375
4 st:   177919.671875
5 st:   139744.718750
6 st:   112001.937500
7 st:   108768.914063
8 st:   85501.773438
9 st:   72161.312500
10 st:  67518.437500
11 st:  62258.648438