Eigenface(PCA)人脸识别实验

1、ORL数据集简介

ORL人脸数据集一共包含40个不同人的400张图像，是在1992年4月至1994年4月期间由英国剑桥的Olivetti研究实验室创建。

此数据集下包含40个目录，每个目录下有10张图像，每个目录表示一个不同的人。所有的图像是以PGM格式存储，灰度图，图像大小宽度为92，高度为112。对每一个目录下的图像，这些图像是在不同的时间、不同的光照、不同的面部表情（睁眼/闭眼，微笑/不微笑）和面部细节（戴眼镜/不戴眼镜）环境下采集的。所有的图像是在较暗的均匀背景下拍摄的，拍摄的是正脸（有些带有略微的侧偏）。

每个目录分别命名为sx，其中x表示受试者编号（在1到40之间）。在每一个目录所选受试者的10张不同的图像，分别命名为：y.pgm，其中y表示特定对象的不同面部表情、细节（1到10之间）。

ORL人脸数据集下载地址

2、PCA变换原理

在人脸识别过程中，一般把图片看成是向量进行处理，高等数学中我们接触的一般都是二维或三维向量，向量的维数是根据组成向量的变量个数来定的，例如就是一个二维向量，因为其有两个参量。而在将一幅图像抽象为一个向量的过程中，我们把图像的每个像素定为一维，对于一幅的普通图像来说，最后抽象为一个维的高维向量，如此庞大的维数对于后续图像计算式来说相当困难，因此有必要在尽可能不丢失重要信息的前提下降低图像维数，PCA就是降低图像维数的一种方法。图像在经过PCA变换之后，可以保留任意数量的对图像特征贡献较大的维数分量，也就是你可以选择降维到30维或者90维或者其他，当然最后保留的维数越多，图像丢失的信息越少，但计算越复杂。

3、、数据提取与处理

%matplotlib inline
# 导入所需模块
import matplotlib.pyplot as plt
import numpy as np
import os
import cv2

# plt显示灰度图片
def plt_show(img):
    plt.imshow(img,cmap='gray')
    plt.show()

# 读取一个文件夹下的所有图片，输入参数是文件名，返回文件地址列表
def read_directory(directory_name):
    faces_addr = []
    for filename in os.listdir(directory_name):
        faces_addr.append(directory_name + "/" + filename)
    return faces_addr

# 读取所有人脸文件夹,保存图像地址在faces列表中
faces = []
for i in range(1,41):
    faces_addr = read_directory('C:/Users/ASUS/Desktop/att_faces/s'+str(i))
    for addr in faces_addr:
        faces.append(addr)

# 读取图片数据,生成列表标签
images = []
labels = []
for index,face in enumerate(faces):
    # enumerate函数可以同时获得索引和值
    image = cv2.imread(face,0)
    images.append(image)
    labels.append(int(index/10