cv2 EigenFace(特征脸）
本文主要介绍cv2模块中EigenFace（特征脸），EigenFace可用来实现人脸识别。
参考自：https://blog.csdn.net/loveliuzz/article/details/73810334
cv2中face子模块目前支持的算法有:
（1）主成分分析（PCA）——Eigenfaces（特征脸）——函数：cv2.face.EigenFaceRecognizer_create（）
PCA：低维子空间是使用主元分析找到的，找具有最大方差的哪个轴。
缺点：若变化基于外部（光照），最大方差轴不一定包括鉴别信息，不能实行分类。
（2）线性判别分析（LDA）——Fisherfaces（特征脸）——函数： cv2.face.FisherFaceRecognizer_create()
LDA:线性鉴别的特定类投影方法，目标：实现类内方差最小，类间方差最大。
（3）局部二值模式（LBP）——LocalBinary Patterns Histograms——函数：cv2.face.LBPHFaceRecognizer_create()
PCA和LDA采用整体方法进行人脸辨别，LBP采用局部特征提取，除此之外，还有的局部特征提取方法为：
盖伯小波（Gabor Waelets）和离散傅里叶变换（DCT）。
示例代码：
import cv2
import sys
import os
import numpy as np
# 从图像列表创建数据矩阵
def createDataMatrix(images):
print('Creating data matrix', end='...')
'''
在一个数据矩阵中为所有图像分配空间。
数据矩阵的大小是
（w * h * 3，numImages）
其中：
w：数据集中图像的宽度。
h：数据集中图像的高度。
3：3颜色通道。
'''
numImages = len(images)
sz = images[0].shape
data = np.zeros((numImages, sz[0] * sz[1] * sz[2]), dtype=np.float32)
for i in range(0, numImages):
image = images[i].flatten()
data[i, :] = image
print('DONE')
return data
# 从文件目录读取图片
def readImages(path):
print('Reading images from ' + path, end='...')
# 创建一个图片数组
images = []
# 列出目录中的所有文件，逐个从文本文件中读取点
for filePath in sorted(os.listdir(path)):
fileExt = os.path.splitext(filePath)[1]
if fileExt in ['.jpg', '.jpeg']:
# 将读取的图片添加到图片数组
imagePath = os.path.join(path, filePath)
im = cv2.imread(imagePath)
if im is None:
print('image:{} not read properly'.format(imagePath))
else:
# 将图片转换为浮点类型
im = np.float32(im) / 255.0
# 将图片添加到数组中
images.append(im)
# 翻转图片
imFlip = cv2.flip(im, 1)
# 将翻转后的图片添加到数组中
images.append(imFlip)
numImages = len(images) / 2
# 当没有图片时退出
if numImages == 0:
print('No images found')
sys.exit(0)
print(str(numImages) + ' files read.')
return images
# 将加权的eigen faces添加到mean faces
def createNewFace(*args):
# 从mean image开始
output = averageFace
# 将权值添加到Eigen Faces
for i in range(0, NUM_EIGEN_FACES):
'''
OpenCV不允许滑块值为负数。
所以使用weight = sliderValue - MAX_SLIDER_VALUE / 2
'''
sliderValues[i] = cv2.getTrackbarPos("Weight" + str(i), 'Trackbars')
weight = sliderValues[i] - MAX_SLIDER_VALUE / 2
output = np.add(output, eigenFaces[i] * weight)
# 用2x大小显示结果
output = cv2.resize(output, (0, 0), fx=2, fy=2)
cv2.imshow('Result', output)
# cv2.imwrite('result.jpg', output)
def resetSliderValues(*args):
for i in range(0, NUM_EIGEN_FACES):
cv2.setTrackbarPos('Weight' + str(i), 'Trackbars', int(MAX_SLIDER_VALUE / 2))
createNewFace()
# EigenFaces的数量
NUM_EIGEN_FACES = 10
# 最大的权值
MAX_SLIDER_VALUE = 255
# 图片路径
dirName = 'images'
# 读取图片
images = readImages(dirName)
# 为PCA创建数组矩阵
data = createDataMatrix(images)
# 从创建的图像堆栈中计算特征向量（eigenvectors）
print('Calculating PCA ', end='...')
mean, eigenVectors = cv2.PCACompute(data, mean=None, maxComponents=NUM_EIGEN_FACES)
print('DONE')
# images 的大小
sz = images[0].shape
averageFace = mean.reshape(sz)
eigenFaces = []
for eigenVector in eigenVectors:
eigenFace = eigenVector.reshape(sz)
eigenFaces.append(eigenFace)
# 创建一个窗口用于显示mean face
cv2.namedWindow("Result", cv2.WINDOW_AUTOSIZE)
# 显示结果
output = cv2.resize(averageFace, (0, 0), fx=2, fy=2)
cv2.imshow('Result', output)
# cv2.imwrite('result1.jpg', output)
sliderValues = []
# 创建Trackbars
for i in range(0, NUM_EIGEN_FACES):
sliderValues.append(MAX_SLIDER_VALUE / 2)
cv2.createTrackbar('Weight' + str(i), 'Trackbars', int(MAX_SLIDER_VALUE / 2), MAX_SLIDER_VALUE, createNewFace)
# 通过鼠标点击事件重置slider
cv2.setMouseCallback('Result', resetSliderValues)
print('''Usage:
Change the weights using the sliders
Click on the result window to reset sliders
Hit ESC to terminate program.''')
cv2.waitKey(0)
cv2.destroyAllWindows()结果：
