opencv 中SVM + PCA 人脸识别

这一周一直都在弄人脸识别的东西，这个也可以算是我个人第一个DIY项目，虽然没有在MFC框架下来实现，但我觉得 SVM + PCA 人脸识别这个东西 最主要的还是算法 和效果没有必要一定要在MFC框架下去实现。

从不懂到慢慢明白一些道理，写这样一个技术文档无非就是怕以后忘记这样一个过程。

从这个项目得到的经验：

1：我真正领悟到了“二八法则”的真谛。准备加编程阶段看了不少论文，试了不少方法，但

最后真正用到的无非就只有20%不到，但并非是白用功，没有多余的付出，也就不会有多余的回报；

2：体会到了理论与应用之间有着一道很深的鸿沟，理论再扎实，到头来编程还是个新手。当然了，我并不是说我理论有多么深厚，本人也是个菜鸟而已；

3：在调试的时候切记耐心，细心；很多错误都是基于一时意识的模糊造成，并非水平问题， 细心可以解决一切问题；

好了，我再说说在编程中遇到的问题及解决方案吧！希望对来看的人有所帮助！

1：opencv 有PCA函数，用起来还是比较好用的，但是PCA各个函数的参数设置还是需要经过仔细推敲的；比如：

CvMat data;

cvInitMatHeader( &data, （训练样本数）, （单一图片维数）, CV_32FC1, （数据存储矩阵（行：训练样本数；列：单一图片维数)）;

CvMat *pMeanVector = cvCreateMat( 1, （单一图片维数）, CV_32FC1); 

CvMat *pEigenValue = cvCreateMat( （用户取出的特征向量个数）, 1, CV_32FC1); 

CvMat *pEigenVector = cvCreateMat( （用户取出的特征向量个数）, （单一图片维数）, CV_32FC1); 

这些事PCA中很重要的几个参数；当然了图片是需要做标准处理的；其余的原理什么的还希望大家都去找找论文；多看论文有很大的帮助；

2：SVM训练问题，这个也是整了我好久的一个问题，下面我说的只是我个人的经验，并不能代表绝对正确，只是在我的程序中这样做成功了而已：

其实SVM训练问题一定要看那个日本人写的例子，写的非常的好，但是他的例子有3个，人脸检测部分效果一般，我觉得这个跟我在做识别的时候效果不好可能有相同的不足之处。后来在经过别人指导，在做SVM训练之前一定要将用PCA提取出来能够代表人脸的权值矩阵归一化，这用到了cvNormalize函数，这个函数还是自己找找怎么用的吧！

不光在训练之前要做归一化，也要在识别的时候做归一化的处理。我未做归一化处理之前识别率为0；做了归一化后识别率为75%, 虽然识别率不是很高，这个可能与我选取的特征向量个数，还有就是人脸前期未进行预处理造成的。切记一定要归一化。

这样一个小项目，用了VS2008 + opencv2.0 这样的环境，其实接触opencv也不是很久，对于里面一些函数还不是很了解.

[cpp]  view plain copy

1. // pca_svm.cpp : 定义控制台应用程序的入口点。  
2. //  
3.   
4. #include "stdafx.h"  
5. #include "cv.h"  
6. #include "highgui.h"  
7. #include "cvaux.h"  
8. #include "ml.h"  
9. using namespace cv;  
10. using namespace std;  
11.   
12. int _tmain(int argc, _TCHAR* argv[])  
13. {     
14.  vector<Mat> images; //This variable will be loaded with a set of images to perform PCA on.  
15.  char filename[100];  
16.  int imageFaceNum = 100;  
17.  int imageNonFaceNum = 25;  
18.  int num = 0;  
19.  Mat src;   
20.  Mat values(imageFaceNum+imageNonFaceNum, 1, CV_32SC1); //Values are the corresponding values to each of my images.  
21.  for(int i=1; i<=imageFaceNum; i++) {  
22.   sprintf(filename,"E:/图片数据库/MIT人脸库/train_face/%d.bmp",i);  
23.   values.at<int>(i-1,0) = 1;  
24.   src=cvLoadImage(filename,0);  
25.   images.push_back(src);  
26.   num++;  
27.  }   
28.  for(int i=1; i<=imageNonFaceNum; i++) {  
29.   sprintf(filename,"E:/图片数据库/MIT人脸库/train_nonface/%d.bmp",i);  
30.   values.at<int>(num-1,0) = 0;  
31.   src=cvLoadImage(filename,0);  
32.   images.push_back(src);  
33.   num++;  
34.  }  
35.  int nEigens = images.size() - 1; //Number of Eigen Vectors.   
36.  //Load the images into a Matrix   
37.  Mat desc_mat(images.size(), images[0].rows * images[0].cols, CV_8UC1);   
38.  for (int i=0; i<images.size(); i++) {   
39.    desc_mat.row(i) = images[i].reshape(1, 1) + 0;   
40.  }   
41.  Mat average;   
42.  PCA pca(desc_mat, average, CV_PCA_DATA_AS_ROW, nEigens);   
43.  Mat data(desc_mat.rows, nEigens, CV_32FC1); //This Mat will contain all the Eigenfaces that will be used later with SVM for detection  
44.  //Project the images onto the PCA subspace   
45.  for(int i=0; i<images.size(); i++) {   
46.    Mat projectedMat(1, nEigens, CV_32FC1);   
47.    pca.project(desc_mat.row(i), projectedMat);   
48.    data.row(i) = projectedMat.row(0) + 0;   
49.  }   
50.     
51.  CvMat d1 = (CvMat)data;   
52.  CvMat d2 = (CvMat)values;   
53.  CvSVM svm = CvSVM();      
54.  CvSVMParams param;      
55.  CvTermCriteria criteria;      
56.  criteria = cvTermCriteria( CV_TERMCRIT_EPS, 1000, FLT_EPSILON );      
57.  param = CvSVMParams( CvSVM::C_SVC, CvSVM::RBF, 10.0, 0.09, 1.0, 10.0, 0.5, 1.0, NULL, criteria );           
58.  //☆☆☆☆☆☆☆☆☆(5)SVM学习☆☆☆☆☆☆☆☆☆☆☆☆            
59.  svm.train( &d1, &d2, NULL, NULL, param );      
60.  svm.save("svmdata.xml");   
61.   
62.    
63.   
64.   
65. PCA pca();  
66.  Mat cs;  
67.  Mat cs1(1,400,CV_32FC1);  
68.  for(int i=1; i<=100; i++) {  
69.   sprintf(filename,"E:/图片数据库/MIT人脸库/train_face/%d.bmp",i);  
70.   src=cvLoadImage(filename,0);  
71.   cs = src.reshape(1, 1) + 0;    
72.   Mat projectedMat(1, nEigens, CV_32FC1);   
73.      pca.project(cs, projectedMat);   
74.   CvMat d3 = (CvMat)projectedMat;   
75.   int ret = svm.predict(&d3);  
76.   cout<<ret<<endl;  
77.   
78.  }  
79.   
80.   
81.  return 0;  
82. }  

思路：

1 所有的人脸看成一组数据，送入opencv里面的PCA做处理，得到平均脸，特征向量，特征值。
2 选择最大的几个特征值所对应的特征向量，(Opencv里面自己排好序了，所以只要取前几个)，保留这一部分跟平均脸。
3 将原始的数据用Opencv里面一个pcaProject映射的函数，映射到刚才的平均脸上，得到一组系数。
4 将这组系数送入SVM进行训练。
5 识别的时候也是用新图像像PCA得到的平均脸，特征向量进行映射，得到相应的系数，再送入SVM进行预测。