人脸识别经典算法实现（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：http://blog.codinglabs.org/articles/pca-tutorial.html

特征脸法：PCA应用在人脸识别当中：http://blog.csdn.net/smartempire/article/details/21406005，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')