python人脸识别算法_python实现人脸识别经典算法--特征脸法

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：PCA的数学原理

特征脸法：PCA应用在人脸识别当中：人脸识别经典算法一：特征脸方法（Eigenface） ，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

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

75

76

77

78

79

80

81

82

83

84

85

86

87

88

89

90

91

92

93

94

95

96

97

98

99

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

#encoding=utf-8

import numpy as np

import cv2

import os

class EigenFace(object):

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

self.threshold= threshold# 阈值暂未使用

self.dimNum= dimNum

self.dsize= dsize

def loadImg(self,fileName,dsize):

'''''

载入图像，灰度化处理，统一尺寸，直方图均衡化

:param fileName: 图像文件名

:param dsize: 统一尺寸大小。元组形式

:return: 图像矩阵

'''

img= cv2.imread(fileName)

retImg= cv2.resize(img,dsize)

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

retImg= cv2.equalizeHist(retImg)

# cv2.imshow('img',retImg)

# cv2.waitKey()

return retImg

def createImgMat(self,dirName):

'''''

生成图像样本矩阵，组织形式为行为属性，列为样本

:param dirName: 包含训练数据集的图像文件夹路径

:return: 样本矩阵，标签矩阵

'''

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

label= []

for parent,dirnames,filenamesin os.walk(dirName):

# print parent

# print dirnames

# print filenames

index= 0

for dirnamein dirnames:

for subParent,subDirName,subFilenamesin os.walk(parent+'/'+dirname):

for filenamein subFilenames:

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

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

if index== 0 :

dataMat= tempImg

else:

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

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

index+= 1

return dataMat,label

def PCA(self,dataMat,dimNum):

'''''

PCA函数，用于数据降维

:param dataMat: 样本矩阵

:param dimNum: 降维后的目标维度

:return: 降维后的样本矩阵和变换矩阵

'''

# 均值化矩阵

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

print '平均值矩阵维度',meanMat.shape

diffMat= dataMat-meanMat

# 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

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

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

#print '基本方法计算协方差矩阵为',covMat2

print '协方差矩阵维度',covMat.shape

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

print '特征向量维度',eigVects.shape

print '特征值',eigVals

eigVects= diffMat*eigVects

eigValInd= np.argsort(eigVals)

eigValInd= eigValInd[::-1]

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

print '选取的特征值',eigValInd

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

redEigVects= eigVects[:,eigValInd]

print '选取的特征向量',redEigVects.shape

print '均值矩阵维度',diffMat.shape

lowMat= redEigVects.T*diffMat

print '低维矩阵维度',lowMat.shape

return lowMat,redEigVects

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

'''''

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

:param dataMat: 样本矩阵

:param testImg: 测试图像矩阵，最原始形式

:param label: 标签矩阵

:return: 与测试图片最相近的图像文件名

'''

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

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

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

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

testImg= redVects.T*testImg

print '检测样本变换后的维度',testImg.shape

disList= []

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

for samplein lowMat.T:

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

print disList

sortIndex= np.argsort(disList)

return label[sortIndex[0]]

def predict(self,dirName,testFileName):

'''''

预测函数

:param dirName: 包含训练数据集的文件夹路径

:param testFileName: 测试图像文件名

:return: 预测结果

'''

testImg= cv2.imread(testFileName)

dataMat,label= self.createImgMat(dirName)

print '加载图片标签',label

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

return ans

if __name__== '__main__':

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

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