近來想要做一做人臉識別相關的內容，主要是想整合一個系統，看到opencv已經集成了三種性能較好的演算法，但是還是想自己動手試一下，畢竟演算法都比較初級。

操作環境：python2.7

第三方庫：opencv for python、numpy

第一種比較經典的演算法就是特徵臉法，本質上其實就是PCA降維，這種演算法的基本思路是，把二維的影象先灰度化，轉化為一通道的影象，之後再把它首尾相接轉化為一個列向量，假設影象大小是20*20的，那麼這個向量就是400維，理論上講組織成一個向量，就可以應用任何機器學習演算法了，但是維度太高演算法複雜度也會隨之升高，所以需要使用PCA演算法降維，然後使用簡單排序或者KNN都可以。

只當搬運工，送上鍊接。

PCA,，這篇部落格講得非常好了，從原理到實現基本看這個就能搞出來了：http://blog.codinglabs.org/articles/pca-tutorial.html

特徵臉法：PCA應用在人臉識別當中：http://blog.csdn.net/smartempire/article/details/21406005，這裡與PCA有不同的操作就是特徵值分解的時候，由於影象組成的列向量維度太高，直接按照PCA演算法求解會很慢，所以這裡有一種特殊的處理方法。

資料組織形式為若干樣本圖片分類放入對應資料夾中，然後在統一存放入face資料夾下，測試影象單獨一張影象即可。

另外，由於PCA中維度是一個很麻煩的事情，所以在程式中，我列印了很多維度資訊，有助於我們理解PCA的工作過程和除錯。

程式碼如下：

1. #encoding=utf-8
2. import numpy as np  
3. import cv2  
4. import os  
5. class EigenFace(object):  
6.     def __init__(self,threshold,dimNum,dsize):  
7.         self.threshold = threshold # 閾值暫未使用
8.         self.dimNum = dimNum  
9.         self.dsize = dsize  
10.     def loadImg(self,fileName,dsize):  
11.         ''
    ''' 
12.         載入影象，灰度化處理，統一尺寸，直方圖均衡化 
13.         :param fileName: 影象檔名 
14.         :param dsize: 統一尺寸大小。元組形式 
15.         :return: 影象矩陣 
16.         '''
17.         img = cv2.imread(fileName)  
18.         retImg = cv2.resize(img,dsize)  
19.         retImg = cv2.cvtColor(retImg,cv2.COLOR_RGB2GRAY)  
20.         retImg = cv2.equalizeHist(retImg)  
21.         # cv2.imshow('img',retImg)
22.         # cv2.waitKey()
23.         return retImg  
24.     def createImgMat(self,dirName):  
25.         ''''' 
26.         生成影象樣本矩陣，組織形式為行為屬性，列為樣本 
27.         :param dirName: 包含訓練資料集的影象資料夾路徑 
28.         :return: 樣本矩陣，標籤矩陣 
29.         '''
30.         dataMat = np.zeros((10,1))  
31.         label = []  
32.         for parent,dirnames,filenames in os.walk(dirName):  
33.             # print parent
34.             # print dirnames
35.             # print filenames
36.             index = 0
37.             for dirname in dirnames:  
38.                 for subParent,subDirName,subFilenames in os.walk(parent+'/'+dirname):  
39.                     for filename in subFilenames:  
40.                         img = self.loadImg(subParent+'/'+filename,self.dsize)  
41.                         tempImg = np.reshape(img,(-1,1))  
42.                         if index == 0 :  
43.                             dataMat = tempImg  
44.                         else:  
45.                             dataMat = np.column_stack((dataMat,tempImg))  
46.                         label.append(subParent+'/'+filename)  
47.                         index += 1
48.         return dataMat,label  
49.     def PCA(self,dataMat,dimNum):  
50.         ''''' 
51.         PCA函式，用於資料降維 
52.         :param dataMat: 樣本矩陣 
53.         :param dimNum: 降維後的目標維度 
54.         :return: 降維後的樣本矩陣和變換矩陣 
55.         '''
56.         # 均值化矩陣
57.         meanMat = np.mat(np.mean(dataMat,1)).T  
58.         print'平均值矩陣維度',meanMat.shape  
59.         diffMat = dataMat-meanMat  
60.         # 求協方差矩陣，由於樣本維度遠遠大於樣本數目，所以不直接求協方差矩陣，採用下面的方法
61.         covMat = (diffMat.T*diffMat)/float(diffMat.shape[1]) # 歸一化
62.         #covMat2 = np.cov(dataMat,bias=True)
63.         #print '基本方法計算協方差矩陣為',covMat2
64.         print'協方差矩陣維度',covMat.shape  
65.         eigVals, eigVects = np.linalg.eig(np.mat(covMat))  
66.         print'特徵向量維度',eigVects.shape  
67.         print'特徵值',eigVals  
68.         eigVects = diffMat*eigVects  
69.         eigValInd = np.argsort(eigVals)  
70.         eigValInd = eigValInd[::-1]  
71.         eigValInd = eigValInd[:dimNum] # 取出指定個數的前n大的特徵值
72.         print'選取的特徵值',eigValInd  
73.         eigVects = eigVects/np.linalg.norm(eigVects,axis=0) #歸一化特徵向量
74.         redEigVects = eigVects[:,eigValInd]  
75.         print'選取的特徵向量',redEigVects.shape  
76.         print'均值矩陣維度',diffMat.shape  
77.         lowMat = redEigVects.T*diffMat  
78.         print'低維矩陣維度',lowMat.shape  
79.         return lowMat,redEigVects  
80.     def compare(self,dataMat,testImg,label):  
81.         ''''' 
82.         比較函式，這裡只是用了最簡單的歐氏距離比較，還可以使用KNN等方法，如需修改修改此處即可 
83.         :param dataMat: 樣本矩陣 
84.         :param testImg: 測試影象矩陣，最原始形式 
85.         :param label: 標籤矩陣 
86.         :return: 與測試圖片最相近的影象檔名 
87.         '''
88.         testImg = cv2.resize(testImg,self.dsize)  
89.         testImg = cv2.cvtColor(testImg,cv2.COLOR_RGB2GRAY)  
90.         testImg = np.reshape(testImg,(-1,1))  
91.         lowMat,redVects = self.PCA(dataMat,self.dimNum)  
92.         testImg = redVects.T*testImg  
93.         print'檢測樣本變換後的維度',testImg.shape  
94.         disList = []  
95.         testVec = np.reshape(testImg,(1,-1))  
96.         for sample in lowMat.T:  
97.             disList.append(np.linalg.norm(testVec-sample))  
98.         print disList  
99.         sortIndex = np.argsort(disList)  
100.         return label[sortIndex[0]]  
101.     def predict(self,dirName,testFileName):  
102.         ''''' 
103.         預測函式 
104.         :param dirName: 包含訓練資料集的資料夾路徑 
105.         :param testFileName: 測試影象檔名 
106.         :return: 預測結果 
107.         '''
108.         testImg = cv2.imread(testFileName)  
109.         dataMat,label = self.createImgMat(dirName)  
110.         print'載入圖片標籤',label  
111.         ans = self.compare(dataMat,testImg,label)  
112.         return ans  
113. if __name__ == '__main__':  
114.     eigenface = EigenFace(20,50,(50,50))  
115.     print eigenface.predict('d:/face','D:/face_test/1.bmp')