當(dāng)前位置：首頁(yè) > 编程资源 > 编程问答 >内容正文

编程问答

OpenCV人脸识别Eigen算法源码分析

發(fā)布時(shí)間：2025/3/21 编程问答 40 豆豆

生活随笔收集整理的這篇文章主要介紹了 OpenCV人脸识别Eigen算法源码分析小編覺(jué)得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

1 理論基礎(chǔ)

學(xué)習(xí)Eigen人臉識(shí)別算法需要了解一下它用到的幾個(gè)理論基礎(chǔ)，現(xiàn)總結(jié)如下：

1.1 協(xié)方差矩陣

?首先需要了解一下公式：

共公式可以看出：均值描述的是樣本集合的平均值，而標(biāo)準(zhǔn)差描述的則是樣本集合的各個(gè)樣本點(diǎn)到均值的距離之平均。以一個(gè)國(guó)家國(guó)民收入為例，均值反映了平均收入，而均方差/方差則反映了貧富差距，如果兩個(gè)國(guó)家國(guó)民收入均值相等，則標(biāo)準(zhǔn)差越大說(shuō)明國(guó)家的國(guó)民收入越不均衡，貧富差距較大。以上公式都是用來(lái)描述一維數(shù)據(jù)量的，把方差公式推廣到二維，則可得到協(xié)方差公式：

協(xié)方差表明了兩個(gè)隨機(jī)變量之間的相關(guān)性，值為正說(shuō)明兩者是正相關(guān)的，值為負(fù)說(shuō)明兩者是負(fù)相關(guān)的，值為零說(shuō)明兩者不相關(guān)，舉一個(gè)簡(jiǎn)單的小例子，假設(shè)一個(gè)人用4個(gè)維度身高、體重、距離屋頂?shù)母叨取⒚刻飚?huà)畫(huà)的時(shí)間來(lái)表示：身高取樣X(jué)=[1 2 3 4 5 6 7 8 9]，體重取樣Y=[11 12 13 14 15 16 17 18 19]，距離屋頂?shù)母叨热覼=[9 8 7 6 5 4 3 2 1]，每天畫(huà)畫(huà)時(shí)間L=[1 1 1 1 1 1 1 1 1]，則有cov(X,Y)=7.5，cov(X,Z)=-7.5，cov(X,L)=0，結(jié)果很明顯X和Y協(xié)方差為正數(shù)兩者正相關(guān)，X和Z協(xié)方差為負(fù)數(shù)兩者負(fù)相關(guān)，X和L協(xié)方差為0，說(shuō)明它們不相關(guān)。以上例子每一個(gè)隨機(jī)變量都可以表示一個(gè)維度，我們計(jì)算了部分維度之間的協(xié)方差，計(jì)算所有維度之間的協(xié)方差并組織成矩陣的形式，就有了協(xié)方差矩陣的概念：C_nxn=[c_i,j]=[cov(Dim_i,Dim_j)] ? i,j=1,2,…,n，Dim_i表示第i個(gè)維度向量。以Matlab協(xié)方差矩陣為例，將X，Y，Z，L分別作為1，2，3，4個(gè)維度，則有c_1,1=7.5，c_1,2=7.5，c_1,3=-7.5，c_1,4=7.5……，所以協(xié)方差矩陣為：

在Matlab中可以把矩陣的每行看做是4個(gè)隨機(jī)變量的一組取樣樣本，每列看做是一個(gè)維度，則可以直接用con函數(shù)求得4個(gè)維度的協(xié)方差矩陣：

1.2?Jacobi迭代法求對(duì)稱(chēng)矩陣特征向量及特征值

?雅可比迭代法的基本思想是：通過(guò)一組平面旋轉(zhuǎn)變換（相似正交變換）化對(duì)稱(chēng)矩陣A為對(duì)角矩陣，進(jìn)而求出A的特征值與特征向量。由線(xiàn)性代數(shù)理論可知：若矩陣A是實(shí)對(duì)稱(chēng)矩陣，則一定存在正交矩陣U，使得U^T*A*U=D，其中D對(duì)角矩陣，其主對(duì)角線(xiàn)元素λ_i是A的特征值，正交矩陣U的第i列是A對(duì)應(yīng)特征值λ_i的特征向量。于是求對(duì)稱(chēng)矩陣A的特征值問(wèn)題轉(zhuǎn)化為尋找正交矩陣U，使得U^T*A*U為對(duì)角矩陣，這個(gè)問(wèn)題的困難在于如何構(gòu)造U，為此我們先看一下平面上的旋轉(zhuǎn)變換：

則有：

其中：

上述推導(dǎo)其實(shí)說(shuō)明了一種構(gòu)造正交矩陣P，并使得P^T*A*P為對(duì)角矩陣的方法，可以將這種方法推廣到nxn對(duì)角矩陣，首先引入n階旋轉(zhuǎn)矩陣（Givens矩陣）的概念：

平面旋轉(zhuǎn)矩陣有如下性質(zhì)：

（1）U_pq為正交矩陣，即U_pq^T*U_pq=E

^（2）U^TAU=B仍為對(duì)稱(chēng)矩陣，且B與A有相同的特征值

Jacobi迭代法，在每一次迭代時(shí)都是進(jìn)行一次（2）中的轉(zhuǎn)換，這里p、q分別是前一次的迭代矩陣A的非主對(duì)角線(xiàn)上絕對(duì)值最大元素的行列號(hào)，變換后元素值可以由以下公式求出：

由公式可以看出轉(zhuǎn)換后矩陣相比原矩陣只是在p，q行和列的元素發(fā)生了改變，旋轉(zhuǎn)角的計(jì)算過(guò)程和2維時(shí)一樣，其意義是使得apq和aqp值為零，這樣每次迭代都使得非對(duì)角線(xiàn)上絕對(duì)值最大的元素變?yōu)榱?#xff0c;所以整個(gè)迭代的過(guò)程就是使對(duì)角線(xiàn)外元素逐步逼近于零，這是對(duì)角線(xiàn)上的元素即為原對(duì)稱(chēng)矩陣的特征值λ_i。在進(jìn)行Jacobi迭代時(shí)，假如i次迭代時(shí)旋轉(zhuǎn)矩陣為Ui，每次迭代對(duì)單位矩陣I依次左乘Ui，最終迭代結(jié)束后可得矩陣D=U_k…U₂U₁I，這里k為迭代次數(shù)，則可以證明D的列向量即為特征值λ_i對(duì)應(yīng)的特征向量，證明如下：

上述推導(dǎo)過(guò)程中d_i為矩陣D的i列表示的列向量，由最后的等式及特征值定義，可以得知λ_i是A的特征值，d_i為對(duì)應(yīng)的特征向量。

2 OpenCV源碼解析

2.1 關(guān)鍵函數(shù)

（1）void reduce(InputArray src, OutputArray dst, int dim, int rtype, int dtype=-1)

其英文注釋：transforms 2D matrix to 1D row or column vector by taking sum, minimum, maximum or mean value over all the rows.

其英文注釋不太準(zhǔn)確，函數(shù)的作用其實(shí)是：將2維矩陣轉(zhuǎn)換為1維行向量或列向量，如轉(zhuǎn)換為行向量，則每列處的值為原矩陣對(duì)應(yīng)列所有值的和，最小值，最大值，平均值；如轉(zhuǎn)換為列向量，則每行處的值為原矩陣對(duì)應(yīng)行所有值的和。該函數(shù)參數(shù)意義如下：

src: 原矩陣

dst: 目的向量

dim: 指明處理后向量是行向量還是列向量，0原矩陣被處理成行向量，否則原矩陣被處理成列向量

op: 取值為CV_REDUCE_SUM，CV_REDUCE_MAX，CV_REDUCE_MIN，CV_REDUCE_AVG之一

dtype: 目的向量類(lèi)型

（2）void gemm(InputArray src1, InputArray src2, double alpha,?InputArray src3, double gamma, OutputArray dst, int flags=0)

其英文注釋：implements generalized matrix product algorithm GEMM from BLAS.

函數(shù)的作用：實(shí)現(xiàn)廣義矩陣乘法，只對(duì)最后一個(gè)參數(shù)進(jìn)行說(shuō)明

flags: 取值為GEMM_1_T，GEMM_2_T，GEMM_3_T之1或者它們的組合，例如取值為GEMM_1_T則進(jìn)行乘法之前對(duì)src1進(jìn)行轉(zhuǎn)置，所有函數(shù)作用可由以下公式來(lái)說(shuō)明：

dst=alpha*op(src1)*op(src2)+gamma*op(src3)，其中op(X)是X還是X^T由flags確定。

（3）void mulTransposed( InputArray src, OutputArray dst, bool aTa,?InputArray delta=noArray(),?double scale=1, int dtype=-1 )

其英文注釋：multiplies matrix by its transposition from the left or from the right.

函數(shù)的作用：矩陣左乘或右乘其轉(zhuǎn)置矩陣，參數(shù)意思如下：

src: 原矩陣

dst: 目的矩陣

ata: 乘法順序，true A^T*A false A*A^T

delta：在進(jìn)行乘法前src先減去該數(shù)組

scale：乘法之后對(duì)結(jié)果進(jìn)行scale倍縮放

dtype：目的矩陣類(lèi)型

當(dāng)ata為真時(shí)可用公式 dst=(src-delta)^T*(src-delta)*scale 來(lái)說(shuō)明函數(shù)的作用，該函數(shù)內(nèi)部調(diào)用了函數(shù)（2）

（4）void calcCovarMatrix( InputArray samples, OutputArray covar,?OutputArray mean, int flags, int ctype=CV_64F)

其英文注釋：computes covariation matrix of a set of samples

函數(shù)作用：計(jì)算矩陣行向量或列向量的協(xié)方差矩陣，該函數(shù)中會(huì)調(diào)用函數(shù)（3）來(lái)實(shí)現(xiàn)相應(yīng)功能

（5）bool eigen(InputArray src, OutputArray eigenvalues,?OutputArray eigenvectors,?int lowindex=-1, int highindex=-1)

其英文解釋：finds eigenvalues and eigenvectors of a symmetric matrix

函數(shù)作用：求對(duì)稱(chēng)矩陣的特征值和特征向量，在該函數(shù)中會(huì)利用Jacobi方法來(lái)求對(duì)稱(chēng)矩陣的特征值和特征向量

2.2 主要過(guò)程

? ?特征臉EigenFace的思想是把人臉從像素空間變換到另一個(gè)空間，在另一個(gè)空間中做相似性計(jì)算，EigenFace選擇的空間變換方法是PCA，就是大名鼎鼎的主成分分析。EigenFace方法利用PCA得到人臉?lè)植嫉闹鞒煞?#xff0c;具體實(shí)現(xiàn)是對(duì)訓(xùn)練集中的所有人臉圖像的協(xié)方差矩陣進(jìn)行求特征值，特征值對(duì)應(yīng)的特征向量就是所謂的“特征臉”，每個(gè)特征向量描述人臉的一種變化或者特征，所以每個(gè)人臉都可以表示為這些特征臉的線(xiàn)性組合。下面結(jié)合以AT&T人臉庫(kù)（40個(gè)人每個(gè)人包含10個(gè)表情臉圖像，共400個(gè)臉部圖像，每個(gè)圖像分辨率為92x112），取其中399個(gè)人臉為樣本庫(kù)，最后1個(gè)為待識(shí)別人臉，給出基于Eigen特征臉的人臉識(shí)別實(shí)現(xiàn)過(guò)程：

（1）將訓(xùn)練集中的每一個(gè)人臉圖像數(shù)據(jù)都拉長(zhǎng)成一行，并將他們組合在一起形成一個(gè)大矩陣A，則A的大小為399x10304，即399行10304列。

（2）將399個(gè)人臉每個(gè)人臉對(duì)應(yīng)的維度數(shù)據(jù)相加，然后求平均值，得到平均值向量Mean_1x10304，將矩陣A的每一行都減去平均值向量得到差值矩陣B。

（3）計(jì)算協(xié)方差矩陣C=B*B^T，C的維度是399x399，再對(duì)C求特征值λ_i，及特征向量e_i，0<=i<399。

（4）上一步驟中其實(shí)并不是真正的人臉取樣集協(xié)方差矩陣，因?yàn)槿四樔拥木S度是10304，而協(xié)方差矩陣反應(yīng)的是各個(gè)維度之前的相關(guān)性，所以人臉取樣集真正的協(xié)方差矩陣是C'=C^T=B^T*B，如果v_i是C'的第i個(gè)特征向量，可以證明λ_i同樣是C'的特征值，且v_i=B^T*e_i（v_i是10304行列向量），證明如下：

C*e_i=λ_i*e_i ?=> ?B*B^T*e_i=λ_i*e_i ?=> ?B^T*B*B^T*e_i=λ_i*B^T*e_i? => ?C'*v_i=λ_i*v_i?

特征向量v_i即為“特征臉”，所有特征向量組成特征向量矩陣V_10304*399，則對(duì)于任意人臉向量α，將它與特征向量矩陣V相乘，將得到向量α在各個(gè)特征向量的投影，即α*V所得向量的每一個(gè)元素為α在對(duì)應(yīng)“特征臉”的投影，在進(jìn)行識(shí)別時(shí)，先求得待識(shí)別人臉向量在“特征臉”的投影向量，之后和每個(gè)樣本臉的投影向量進(jìn)行相似度比較，相似度最低者為最佳匹配。

2.3 核心源碼

代碼取自O(shè)pencv2.4.9

1 void Eigenfaces::train(InputArrayOfArrays _src, InputArray _local_labels) { 2 if(_src.total() == 0) { 3 string error_message = format("Empty training data was given. You'll need more than one sample to learn a model."); 4 CV_Error(CV_StsBadArg, error_message); 5 } else if(_local_labels.getMat().type() != CV_32SC1) { 6 string error_message = format("Labels must be given as integer (CV_32SC1). Expected %d, but was %d.", CV_32SC1, _local_labels.type()); 7 CV_Error(CV_StsBadArg, error_message); 8 } 9 // make sure data has correct size 10 if(_src.total() > 1) { 11 for(int i = 1; i < static_cast<int>(_src.total()); i++) { 12 if(_src.getMat(i-1).total() != _src.getMat(i).total()) { 13 string error_message = format("In the Eigenfaces method all input samples (training images) must be of equal size! Expected %d pixels, but was %d pixels.", _src.getMat(i-1).total(), _src.getMat(i).total()); 14 CV_Error(CV_StsUnsupportedFormat, error_message); 15 } 16 } 17 } 18 // get labels 19 Mat labels = _local_labels.getMat(); 20 // observations in row 21 Mat data = asRowMatrix(_src, CV_64FC1); 22 23 // number of samples 24 int n = data.rows; 25 // assert there are as much samples as labels 26 if(static_cast<int>(labels.total()) != n) { 27 string error_message = format("The number of samples (src) must equal the number of labels (labels)! len(src)=%d, len(labels)=%d.", n, labels.total()); 28 CV_Error(CV_StsBadArg, error_message); 29 } 30 // clear existing model data 31 _labels.release(); 32 _projections.clear(); 33 // clip number of components to be valid 34 if((_num_components <= 0) || (_num_components > n)) 35 _num_components = n; 36 37 // perform the PCA 38 PCA pca(data, Mat(), CV_PCA_DATA_AS_ROW, _num_components); 39 // copy the PCA results 40 _mean = pca.mean.reshape(1,1); // store the mean vector 41 _eigenvalues = pca.eigenvalues.clone(); // eigenvalues by row 42 transpose(pca.eigenvectors, _eigenvectors); // eigenvectors by column 43 // store labels for prediction 44 _labels = labels.clone(); 45 // save projections 46 for(int sampleIdx = 0; sampleIdx < data.rows; sampleIdx++) { 47 Mat p = subspaceProject(_eigenvectors, _mean, data.row(sampleIdx)); 48 _projections.push_back(p); 49 } 50 } 人臉樣本訓(xùn)練過(guò)程

?38行的PCA類(lèi)中實(shí)現(xiàn)了求樣本矩陣的協(xié)方差矩陣、求協(xié)方差矩陣特征向量等核心功能，47行_mean為人臉平均值向量，該行其實(shí)是求每一個(gè)人臉向量減去平均值向量在“特征臉”集上的投影向量。

1 PCA& PCA::operator()(InputArray _data, InputArray __mean, int flags, int maxComponents) 2 { 3 Mat data = _data.getMat(), _mean = __mean.getMat(); 4 int covar_flags = CV_COVAR_SCALE; 5 int i, len, in_count; 6 Size mean_sz; 7 8 CV_Assert( data.channels() == 1 ); 9 if( flags & CV_PCA_DATA_AS_COL ) 10 { 11 len = data.rows; 12 in_count = data.cols; 13 covar_flags |= CV_COVAR_COLS; 14 mean_sz = Size(1, len); 15 } 16 else 17 { 18 len = data.cols; 19 in_count = data.rows; 20 covar_flags |= CV_COVAR_ROWS; 21 mean_sz = Size(len, 1); 22 } 23 24 int count = std::min(len, in_count), out_count = count; 25 if( maxComponents > 0 ) 26 out_count = std::min(count, maxComponents); 27 28 // "scrambled" way to compute PCA (when cols(A)>rows(A)): 29 // B = A'A; B*x=b*x; C = AA'; C*y=c*y -> AA'*y=c*y -> A'A*(A'*y)=c*(A'*y) -> c = b, x=A'*y 30 if( len <= in_count ) 31 covar_flags |= CV_COVAR_NORMAL; 32 33 int ctype = std::max(CV_32F, data.depth()); 34 mean.create( mean_sz, ctype ); 35 36 Mat covar( count, count, ctype ); 37 38 if( _mean.data ) 39 { 40 CV_Assert( _mean.size() == mean_sz ); 41 _mean.convertTo(mean, ctype); 42 covar_flags |= CV_COVAR_USE_AVG; 43 } 44 45 calcCovarMatrix( data, covar, mean, covar_flags, ctype ); 46 eigen( covar, eigenvalues, eigenvectors ); 47 48 if( !(covar_flags & CV_COVAR_NORMAL) ) 49 { 50 // CV_PCA_DATA_AS_ROW: cols(A)>rows(A). x=A'*y -> x'=y'*A 51 // CV_PCA_DATA_AS_COL: rows(A)>cols(A). x=A''*y -> x'=y'*A' 52 Mat tmp_data, tmp_mean = repeat(mean, data.rows/mean.rows, data.cols/mean.cols); 53 if( data.type() != ctype || tmp_mean.data == mean.data ) 54 { 55 data.convertTo( tmp_data, ctype ); 56 subtract( tmp_data, tmp_mean, tmp_data ); 57 } 58 else 59 { 60 subtract( data, tmp_mean, tmp_mean ); 61 tmp_data = tmp_mean; 62 } 63 64 Mat evects1(count, len, ctype); 65 gemm( eigenvectors, tmp_data, 1, Mat(), 0, evects1, 66 (flags & CV_PCA_DATA_AS_COL) ? CV_GEMM_B_T : 0); 67 eigenvectors = evects1; 68 69 // normalize eigenvectors 70 for( i = 0; i < out_count; i++ ) 71 { 72 Mat vec = eigenvectors.row(i); 73 normalize(vec, vec); 74 } 75 } 76 77 if( count > out_count ) 78 { 79 // use clone() to physically copy the data and thus deallocate the original matrices 80 eigenvalues = eigenvalues.rowRange(0,out_count).clone(); 81 eigenvectors = eigenvectors.rowRange(0,out_count).clone(); 82 } 83 return *this; 84 } PCA類(lèi)核心代碼

45行求樣本矩陣的協(xié)方差矩陣，46行求協(xié)方差矩陣的特征值及特征向量。

1 void Eigenfaces::predict(InputArray _src, int &minClass, double &minDist) const { 2 // get data 3 Mat src = _src.getMat(); 4 // make sure the user is passing correct data 5 if(_projections.empty()) { 6 // throw error if no data (or simply return -1?) 7 string error_message = "This Eigenfaces model is not computed yet. Did you call Eigenfaces::train?"; 8 CV_Error(CV_StsError, error_message); 9 } else if(_eigenvectors.rows != static_cast<int>(src.total())) { 10 // check data alignment just for clearer exception messages 11 string error_message = format("Wrong input image size. Reason: Training and Test images must be of equal size! Expected an image with %d elements, but got %d.", _eigenvectors.rows, src.total()); 12 CV_Error(CV_StsBadArg, error_message); 13 } 14 // project into PCA subspace 15 Mat q = subspaceProject(_eigenvectors, _mean, src.reshape(1,1)); 16 minDist = DBL_MAX; 17 minClass = -1; 18 for(size_t sampleIdx = 0; sampleIdx < _projections.size(); sampleIdx++) { 19 double dist = norm(_projections[sampleIdx], q, NORM_L2); 20 if((dist < minDist) && (dist < _threshold)) { 21 minDist = dist; 22 minClass = _labels.at<int>((int)sampleIdx); 23 } 24 } 25 } 人臉識(shí)別核心代碼

?15行求待識(shí)別人臉向量減去人臉平均值向量在“特征臉”集上的投影向量X，19行求X與人臉樣本投影向量的歐幾里得距離（把此距離作為人臉相似度），20~23行取最小距離為識(shí)別結(jié)果。

3 示例代碼

最后給出Eigen人臉識(shí)別的示例代碼，代碼中仍使用AT&T人臉庫(kù)，其下載地址見(jiàn)上一篇隨筆。

1 #include "opencv2/core/core.hpp" 2 #include "opencv2/highgui/highgui.hpp" 3 #include "opencv2/contrib/contrib.hpp" 4 5 #define CV_VERSION_ID CVAUX_STR(CV_MAJOR_VERSION) CVAUX_STR(CV_MINOR_VERSION) CVAUX_STR(CV_SUBMINOR_VERSION) 6 7 #ifdef _DEBUG 8 #define cvLIB(name) "opencv_" name CV_VERSION_ID "d" 9 #else 10 #define cvLIB(name) "opencv_" name CV_VERSION_ID 11 #endif 12 13 #pragma comment( lib, cvLIB("core") ) 14 #pragma comment( lib, cvLIB("imgproc") ) 15 #pragma comment( lib, cvLIB("highgui") ) 16 #pragma comment( lib, cvLIB("flann") ) 17 #pragma comment( lib, cvLIB("features2d") ) 18 #pragma comment( lib, cvLIB("calib3d") ) 19 #pragma comment( lib, cvLIB("gpu") ) 20 #pragma comment( lib, cvLIB("legacy") ) 21 #pragma comment( lib, cvLIB("ml") ) 22 #pragma comment( lib, cvLIB("objdetect") ) 23 #pragma comment( lib, cvLIB("ts") ) 24 #pragma comment( lib, cvLIB("video") ) 25 #pragma comment( lib, cvLIB("contrib") ) 26 #pragma comment( lib, cvLIB("nonfree") ) 27 28 #include <iostream> 29 #include <fstream> 30 #include <sstream> 31 32 using namespace cv; 33 using namespace std; 34 35 static Mat toGrayscale(InputArray _src) { 36 Mat src = _src.getMat(); 37 // only allow one channel 38 if(src.channels() != 1) { 39 CV_Error(CV_StsBadArg, "Only Matrices with one channel are supported"); 40 } 41 // create and return normalized image 42 Mat dst; 43 cv::normalize(_src, dst, 0, 255, NORM_MINMAX, CV_8UC1); 44 return dst; 45 } 46 47 static void read_csv(const string& filename, vector<Mat>& images, vector<int>& labels, char separator = ';') { 48 std::ifstream file(filename.c_str(), ifstream::in); 49 if (!file) { 50 string error_message = "No valid input file was given, please check the given filename."; 51 CV_Error(CV_StsBadArg, error_message); 52 } 53 string line, path, classlabel; 54 while (getline(file, line)) { 55 stringstream liness(line); 56 getline(liness, path, separator); 57 getline(liness, classlabel); 58 if(!path.empty() && !classlabel.empty()) { 59 images.push_back(imread(path, 0)); 60 labels.push_back(atoi(classlabel.c_str())); 61 } 62 } 63 } 64 65 int main(int argc, const char *argv[]) { 66 // Check for valid command line arguments, print usage 67 // if no arguments were given. 68 if (argc != 2) { 69 cout << "usage: " << argv[0] << " <csv.ext>" << endl; 70 exit(1); 71 } 72 73 // Get the path to your CSV. 74 string fn_csv = string(argv[1]); 75 // These vectors hold the images and corresponding labels. 76 vector<Mat> images; 77 vector<int> labels; 78 // Read in the data. This can fail if no valid 79 // input filename is given. 80 try { 81 read_csv(fn_csv, images, labels); 82 } catch (cv::Exception& e) { 83 cerr << "Error opening file \"" << fn_csv << "\". Reason: " << e.msg << endl; 84 // nothing more we can do 85 exit(1); 86 } 87 // Quit if there are not enough images for this demo. 88 if(images.size() <= 1) { 89 string error_message = "This demo needs at least 2 images to work. Please add more images to your data set!"; 90 CV_Error(CV_StsError, error_message); 91 } 92 // Get the height from the first image. We'll need this 93 // later in code to reshape the images to their original 94 // size: 95 int height = images[0].rows; 96 // The following lines simply get the last images from 97 // your dataset and remove it from the vector. This is 98 // done, so that the training data (which we learn the 99 // cv::FaceRecognizer on) and the test data we test 100 // the model with, do not overlap. 101 Mat testSample = images[images.size() - 1]; 102 int testLabel = labels[labels.size() - 1]; 103 images.pop_back(); 104 labels.pop_back(); 105 // The following lines create an Eigenfaces model for 106 // face recognition and train it with the images and 107 // labels read from the given CSV file. 108 // This here is a full PCA, if you just want to keep 109 // 10 principal components (read Eigenfaces), then call 110 // the factory method like this: 111 // 112 // cv::createEigenFaceRecognizer(10); 113 // 114 // If you want to create a FaceRecognizer with a 115 // confidennce threshold, call it with: 116 // 117 // cv::createEigenFaceRecognizer(10, 123.0); 118 // 119 Ptr<FaceRecognizer> model = createEigenFaceRecognizer(); 120 model->train(images, labels); 121 // The following line predicts the label of a given 122 // test image: 123 int predictedLabel = model->predict(testSample); 124 // 125 // To get the confidence of a prediction call the model with: 126 // 127 // int predictedLabel = -1; 128 // double confidence = 0.0; 129 // model->predict(testSample, predictedLabel, confidence); 130 // 131 string result_message = format("Predicted class = %d / Actual class = %d.", predictedLabel, testLabel); 132 cout << result_message << endl; 133 // Sometimes you'll need to get/set internal model data, 134 // which isn't exposed by the public cv::FaceRecognizer. 135 // Since each cv::FaceRecognizer is derived from a 136 // cv::Algorithm, you can query the data. 137 // 138 // First we'll use it to set the threshold of the FaceRecognizer 139 // to 0.0 without retraining the model. This can be useful if 140 // you are evaluating the model: 141 // 142 model->set("threshold", 0.0); 143 // Now the threshold of this model is set to 0.0. A prediction 144 // now returns -1, as it's impossible to have a distance below 145 // it 146 predictedLabel = model->predict(testSample); 147 cout << "Predicted class = " << predictedLabel << endl; 148 // Here is how to get the eigenvalues of this Eigenfaces model: 149 Mat eigenvalues = model->getMat("eigenvalues"); 150 // And we can do the same to display the Eigenvectors (read Eigenfaces): 151 Mat W = model->getMat("eigenvectors"); 152 // From this we will display the (at most) first 10 Eigenfaces: 153 for (int i = 0; i < min(10, W.cols); i++) { 154 string msg = format("Eigenvalue #%d = %.5f", i, eigenvalues.at<double>(i)); 155 cout << msg << endl; 156 // get eigenvector #i 157 Mat ev = W.col(i).clone(); 158 // Reshape to original size & normalize to [0...255] for imshow. 159 Mat grayscale = toGrayscale(ev.reshape(1, height)); 160 // Show the image & apply a Jet colormap for better sensing. 161 Mat cgrayscale; 162 applyColorMap(grayscale, cgrayscale, COLORMAP_JET); 163 imshow(format("%d", i), cgrayscale); 164 } 165 waitKey(0); 166 167 return 0; 168 }

程序運(yùn)行結(jié)果及用偽彩色圖像顯示的前10個(gè)特征臉，如圖所示：

本博客參考了以下資料，一并致謝！

http://www.cnblogs.com/guoming0000/archive/2012/09/27/2706019.html

http://blog.csdn.net/zouxy09/article/details/45276053

http://blog.csdn.net/zhouxuguang236/article/details/40212143

http://wenku.baidu.com/view/6023207e168884868762d644.html

《數(shù)值分析簡(jiǎn)明教程》王兵團(tuán) 張作泉趙平福編著

轉(zhuǎn)載于:https://www.cnblogs.com/zhaoweiwei/p/Eigen.html

總結(jié)

以上是生活随笔為你收集整理的OpenCV人脸识别Eigen算法源码分析的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。

上一篇： C# 6.0的字典(Dictionary
下一篇： ACM入门练习与递推小结