一 人脸识别

　　1 EigenFace 介绍

　　EigenFace 在人脸识别历史上应该是具有里程碑式意义的，其被认为是第一种有效的人脸识别 算法。1987 年 Sirovich and Kirby 为了减少人脸图像的表示采用了 PCA(主成分分析)的方法进行降维，1991 年 Matthew Turk 和 Alex Pentland 首次将 PCA 应用于人脸识别，即将原始图像投影到特征空间，得到一系列降维图像，取其主成份表示人脸，因其主成份中就包含人脸的形状，估称EigenFace 为“特征脸”。EigenFace 是一种基于统计特征的方法，将人脸图像视为随机向量，并用统计方法辨别不同人脸特征模式。EigenFace 的基本思想是，从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似的表征人脸图像。具体过程如下：

　　下面是从第一幅原始图像，原图和每隔 15 个特征向量进行重建后的效果图，很明显随着引入进来的特征向量越来越多，重建后的效果也越来越接近原图：

　　EigenFace 的工作流程如下：

　　2 人脸识别算法对比

　　前一节主要介绍了 eigenFace，下面再简单介绍两种其它的识别算法：

　　一、FisherFace

　　FisherFace 是一种基于 LDA(全称 Linear Discriminant Analysis, 线性判别分析)的人脸识别算法，而 LDA 是 Ronald Fisher 于 1993 年提出来的，而 eigenFace 是基于 PCA 实现的，LDA 和 PCA相同的地方是，都有利用特征值排序找到主成份的过程，但是不同的是 PCA 求的是协方差矩阵的特征值，而 LDA 是求的是一个更为复杂的矩阵的特征值。其中需要注意的是在求均值时，和 PCA 也是有所不同的，LDA 对每个类别样本求均值，而 PCA 是对所有样本数据求均值，来得到平均脸。采用Fisherface 方法对人脸进行识别对光照、人脸姿态的变化更不敏感，有助于提高识别效果，但左右偏转脑袋，尽量不要超过 15°，并对上下偏转比较敏感。

　　二、LBPH

　　LBPH 是利用局部二值模式直方图的人脸识别算法,LBP 是典型的二值特征描述子，所以相比前面EigenFace 和 FisherFace，更多的是整数计算，而整数计算的优势是可以通过各种逻辑操作来进行优化，因此效率较高。另外通常光照对图中的物件带来的影响是全局的，也就是说照片中的物体明暗程度，是往同一个方向改变的，可能是全部变亮或全部变暗，因此 LBP 特征对光照具有比较好的鲁棒性。

　　3 opencv 人脸识别案例分析

　　一、建议每个样本人物图像至少 8 张，拍摄样本图像时，注意头部尽量不要上下左右摆头。

　　二、编写样本描述文件 image.txt,主要描述样本图像路径和样本图像对应的标签，格式如下：

　　三、实现流程

　　加载样本图像

　　vectorimages;

　　vectorlabels;

　　images.push_back(imread(path, 0));

　　labels.push_back(num);

　　训练样本，并给样本打上标签

　　Ptrmodel = createEigenFaceRecognizer();

　　model->train(images, labels);

　　识别比对目标图像，将找到的样本对应标签返回

　　int label = model->predict(obj_img);

　　识别结果：

　　还可以通过上面最后介绍的两种识别算法进行测试，对比识别效果：

　　Ptrmodel = createFisherFaceRecognizer();

　　Ptrmodel = createLBPHFaceRecognizer();

上一篇

OpenCV系列教程（七）人脸检测

下一篇

OpenCV系列教程（九）opencv非特定目标检测之几何图形识别