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：opencv for python、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
import numpy as np
import cv2
import os

class EigenFace(object):
 def __init__(self,threshold,dimNum,dsize):
 self.threshold = threshold # 阈值暂未使用
 self.dimNum = dimNum
 self.dsize = dsize

 def loadImg(self,fileName,dsize):
 '''''
 载入图像，灰度化处理，统一尺寸，直方图均衡化
 :param fileName: 图像文件名
 :param dsize: 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()
 return retImg


 def createImgMat(self,dirName):
 '''''
 生成图像样本矩阵，组织形式为行为属性，列为样本
 :param dirName: 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 = []
 for parent,dirnames,filenames in os.walk(dirName):
  # print parent
  # print dirnames
  # print filenames
  index = 0
  for dirname in dirnames:
  for subParent,subDirName,subFilenames in os.walk(parent+'/'+dirname):
   for filename in subFilenames:
   img = self.loadImg(subParent+'/'+filename,self.dsize)
   tempImg = np.reshape(img,(-1,1))
   if index == 0 :
    dataMat = tempImg
   else:
    dataMat = np.column_stack((dataMat,tempImg))
   label.append(subParent+'/'+filename)
   index += 1
 return dataMat,label


 def PCA(self,dataMat,dimNum):
 '''''
 PCA函数，用于数据降维
 :param dataMat: 样本矩阵
 :param dimNum: 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
 return lowMat,redEigVects

 def compare(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
 :param dataMat: 样本矩阵
 :param testImg: 测试图像矩阵，最原始形式
 :param label: 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))
 for sample in lowMat.T:
  disList.append(np.linalg.norm(testVec-sample))
 print disList
 sortIndex = np.argsort(disList)
 return label[sortIndex[0]]


 def predict(self,dirName,testFileName):
 '''''
 预测函数
 :param dirName: 包含训练数据集的文件夹路径
 :param testFileName: 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)
 return ans


if __name__ == '__main__':
 eigenface = EigenFace(20,50,(50,50))
 print eigenface.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服务器之家。

原文链接：http://blog.csdn.net/freedom098/article/details/52088064