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')