python实现人脸识别经典算法（一） 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：opencvforpython、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：
#encoding=utf-8
importnumpyasnp
importcv2
importos
classEigenFace(object):
def__init__(self,threshold,dimNum,dsize):
self.threshold=threshold#阈值暂未使用
self.dimNum=dimNum
self.dsize=dsize
defloadImg(self,fileName,dsize):
'''''
载入图像，灰度化处理，统一尺寸，直方图均衡化
:paramfileName:图像文件名
:paramdsize: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()
returnretImg
defcreateImgMat(self,dirName):
'''''
生成图像样本矩阵，组织形式为行为属性，列为样本
:paramdirName: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=[]
forparent,dirnames,filenamesinos.walk(dirName):
#printparent
#printdirnames
#printfilenames
index=0
fordirnameindirnames:
forsubParent,subDirName,subFilenamesinos.walk(parent+'/'+dirname):
forfilenameinsubFilenames:
img=self.loadImg(subParent+'/'+filename,self.dsize)
tempImg=np.reshape(img,(-1,1))
ifindex==0:
dataMat=tempImg
else:
dataMat=np.column_stack((dataMat,tempImg))
label.append(subParent+'/'+filename)
index+=1
returndataMat,label
defPCA(self,dataMat,dimNum):
'''''
PCA函数，用于数据降维
:paramdataMat:样本矩阵
:paramdimNum: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
returnlowMat,redEigVects
defcompare(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
:paramdataMat:样本矩阵
:paramtestImg:测试图像矩阵，最原始形式
:paramlabel: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))
forsampleinlowMat.T:
disList.append(np.linalg.norm(testVec-sample))
printdisList
sortIndex=np.argsort(disList)
returnlabel[sortIndex[0]]
defpredict(self,dirName,testFileName):
'''''
预测函数
:paramdirName:包含训练数据集的文件夹路径
:paramtestFileName: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)
returnans
if__name__=='__main__':
eigenface=EigenFace(20,50,(50,50))
printeigenface.predict('d:/face','D:/face_test/1.bmp')
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持毛票票。