python人脸识别理论_人脸识别算法-特征脸方法（Eigenface）及python实现，eigenfacepython,特征脸方法基本是将人脸识...

人脸识别算法-特征脸方法（Eigenface）及python实现，eigenfacepython,特征脸方法基本是将人脸识

这几天无聊，正好想起来以前谁说有同学做人脸识别，感觉好高大上，所以找来一些基础的人脸识别算法来自己实现一下，正好锻炼一下numpy的使用。

特征脸方法基本是将人脸识别推向真正可用的第一种方法，了解一下还是很有必要的。特征脸用到的理论基础PCA我在这里就不说了，百度一大堆，主要讲一下实现步骤和自己在用python实现是发现的问题。这里我所使用的训练图片是YALE的人脸数据库点击打开链接，这里面有15位志愿者的165张图片,包含光照,表情和姿态的变化。（我们做实验的时候就会发现，特征脸算法对光照敏感。）在unpadded文件夹下。每张图片的尺寸是98*116。

特征脸实现步骤（大家如果英语好可以看看这个点击打开链接）：

1.获取包含M张人脸图像的集合

。我们这里使用15张xxx.normal.pgm来作为人脸训练图像，所以这里M=15.我们把导入的图像拉平，

本来是98*116的矩阵，我们拉平也就是一个11368*1的矩阵，然后M张放在一个大矩阵下，该矩阵为11368*15。

2.我们计算平均图像

，并获得偏差矩阵

。为11368*15.平均图像也就把每一行的15个元素平均计算，

这样最后的平均图像就是一个我们所谓的大众脸。然后每张人脸都减去这个平均图像，最后得到。

3.求得的协方差矩阵。并计算的特征值和特征向量。这是标准的PCA算法流程。但是在这里一个很大的问题就是，协方差矩阵的维度会大到无法计算，例如我们这个11368*15的矩阵，它的协方差矩阵是11368*11368，这个计算量非常大，而且储存也很困难，所以有大神推导出了下面的方法：

设 T 是预处理图像的矩阵，每一列对应一个减去均值图像之后的图像。则，协方差矩阵为 S = TTT ，并且对 S 的特征值分解为

然而， TTT 是一个非常大的矩阵。因此，如果转而使用如下的特征值分解

此时，我们发现如果在等式两边乘以T，可得到

这就意味着，如果 ui 是 TTT的一个特征向量，则 vi = Tui 是 S 的一个特征向量。

看懂上面这一些需要一些线性代数知识，这里的T 就是上面的偏差矩阵， 反正到最后我们得TTT的一个特征向量，再用T与之相乘就是协方差矩阵的特征向量

。而此时我们求的特征向量是11368*15的矩阵，每一行（11368*1）如果变成图像大小矩阵（98*116）的话，都可以看做是一个新人脸，被称为特征脸。这里展现我试验中的其中一部分。

4.主成分分析。在求得的特征向量和特征值中，越大的特征值对于我们区分越重要，也就是我们说的主成分，我们只需要那些大的特征值对应的特征向量，而那些十分小甚至为0的特征值对于我们来说，对应的特征向量几乎没有意义。在这里我们通过一个阈值selecthr来控制，当排序后的特征值的一部分相加大于该阈值时，我们选择这部分特征值对应的特征向量，此时我们剩下的矩阵是11368*M’,M’根据情况在变化。 这样我们不仅减少了计算量，而且保留了主成分，减少了噪声的干扰。

5.这一步就是开始进行人脸识别了。此时我们导入一个新的人脸，我们使用上面主成分分析后得到的特征向量

，来求得一个每一个特征向量对于导入人脸的权重向量

。

这里的

就是上面第2步求得的平均图像。 特征向量其实就是训练集合的图像与均值图像在该方向上的偏差，通过未知人脸在特征向量的投影，我们就可以知道未知人脸与平均图像在不同方向上的差距。此时我们用上面第2步我们求得的偏差矩阵的每一行做这样的处理，每一行都会得到一个权重向量。我们利用求得

与

的欧式距离来判断未知人脸与第k张训练人脸之间的差距。

在这里因为我假设我要识别的未知人肯定是训练集合里有的，所以我通过比较

，选择最小的k就是这个人脸对应的训练集合的脸。实际上，一般都是设定距离阈值，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。

最后附上python代码，这里的 ReconginitionVector函数就是求得特征向量的函数，就是按照上面说的顺序写下来的，judgeFace函数用来识别人脸。（大家可以借鉴一下，如果发现有什么不对的欢迎讨论）：

Python

#coding:utf-8

from numpy import *

from numpy import linalg as la

import cv2

import os

def loadImageSet(add):

FaceMat = mat(zeros((15,98*116)))

j =0

for i in os.listdir(add):

if i.split('.')[1] == 'normal':

try:

img = cv2.imread(add+i,0)

except:

print 'load %s failed'%i

FaceMat[j,:] = mat(img).flatten()

j += 1

return FaceMat

def ReconginitionVector(selecthr = 0.8):

# step1: load the face image data ,get the matrix consists of all image

FaceMat = loadImageSet('D:\python/face recongnition\YALE\YALE\unpadded/').T

# step2: average the FaceMat

avgImg = mean(FaceMat,1)

# step3: calculate the difference of avgimg and all image data(FaceMat)

diffTrain = FaceMat-avgImg

#step4: calculate eigenvector of covariance matrix (because covariance matrix will cause memory error)

eigvals,eigVects = linalg.eig(mat(diffTrain.T*diffTrain))

eigSortIndex = argsort(-eigvals)

for i in xrange(shape(FaceMat)[1]):

if (eigvals[eigSortIndex[:i]]/eigvals.sum()).sum() >= selecthr:

eigSortIndex = eigSortIndex[:i]

break

covVects = diffTrain * eigVects[:,eigSortIndex] # covVects is the eigenvector of covariance matrix

# avgImg 是均值图像，covVects是协方差矩阵的特征向量，diffTrain是偏差矩阵

return avgImg,covVects,diffTrain

def judgeFace(judgeImg,FaceVector,avgImg,diffTrain):

diff = judgeImg.T - avgImg

weiVec = FaceVector.T* diff

res = 0

resVal = inf

for i in range(15):

TrainVec = FaceVector.T*diffTrain[:,i]

if (array(weiVec-TrainVec)**2).sum() < resVal:

res = i

resVal = (array(weiVec-TrainVec)**2).sum()

return res+1

if __name__ == '__main__':

avgImg,FaceVector,diffTrain = ReconginitionVector(selecthr = 0.9)

nameList = ['01','02','03','04','05','06','07','08','09','10','11','12','13','14','15']

characteristic = ['centerlight','glasses','happy','leftlight','noglasses','rightlight','sad','sleepy','surprised','wink']

for c in characteristic:

count = 0

for i in range(len(nameList)):

# 这里的loadname就是我们要识别的未知人脸图，我们通过15张未知人脸找出的对应训练人脸进行对比来求出正确率

loadname = 'D:\python/face recongnition\YALE\YALE\unpadded\subject'+nameList[i]+'.'+c+'.pgm'

judgeImg = cv2.imread(loadname,0)

if judgeFace(mat(judgeImg).flatten(),FaceVector,avgImg,diffTrain) == int(nameList[i]):

count += 1

print 'accuracy of %s is %f'%(c, float(count)/len(nameList)) # 求出正确率