基于opencv人脸识别

一、准备

    所有代码上传至 https://pan.baidu.com/s/1ETUetRnU83iytb6ZcE5GUQ  提取码：0jei 

    环境：win10，vs2013，opencv3.2

二、原理

原理1.PCA（主成分分析）原理

通过对高维数据分析发现他们的相同与不同表达为 一个低维数据模式

主成分不变 

细微损失 

高维数据到低维数据

原理2.API调用

主要是使用其中的三个函数，来训练自己的数据，函数如下：

// train it
	Ptr model = createEigenFaceRecognizer();
	model->train(images, labels);
	model->save("D:/else/wyz/led_wyz.xml");

	
	Ptr model1 = createFisherFaceRecognizer();
	model1->train(images, labels);
	model1->save("MyFaceFisherModel.xml");

	Ptr model2 = createLBPHFaceRecognizer();
	model2->train(images, labels);
	model2->save("MyFaceLBPHModel.xml");
	

三、步骤

1. 算法实现步骤

1. 数据：ORL  att_faces   OpenCV的数据 10个人、每人10张照片
2. 一个图像N宽*N高*N个  112*92*100个矩阵
3. 平均脸 矩阵计算得到均值
4. 特征脸 矩阵计算得到特征值
5. 开始、读训练数据、计算平均脸、计算协方差矩阵、计算特征值、特征矩阵、 PAC降维、子空间模型、检测
6. 生成CSV文件
7. 生成自己的xml
8. 训练
9. 识别
10.  识别率
11.  结果分析

四、结果

结果1.方差均值作用

图像RGB矩阵

空白背景方差不为0，均值为0

结果2.PCA应用

1. 灰度图像
2. 描边，画出边缘

    

1. XY表示所有轮廓，N*X*Y
2. PCA处理，得到协方差矩阵，得到特征值特征向量

             N行2列表示所有的点

             得到轮廓中心位置

             Eigen得到特征值

结果3..Eigenface算法

1. 数据：ORL  att_faces   OpenCV的数据 10个人、每人10张照片

      

      平均脸

      

      2. 一个图像N宽*N高*N个  112*92*100个矩阵

      3.平均脸 矩阵计算得到均值

      4.特征脸 矩阵计算得到特征值

      5.开始、读训练数据、计算平均脸、计算协方差矩阵、计算特征值、特征矩阵、 PAC降维、子空间模型、检测

      6.生成CSV文件

      7.生成自己的xml

       

     8.训练

     9.识别

       

    10. 识别率:

         

         

     11. 侧脸影响

        

     12.暗光条件下，找不到人脸，识别率也降低

        

结果4.Fisher算法

1. 由fisher发现，于是命名FisherFace
2. 基于LDA降维，求两个对象之间的内差和外差，得到离散矩阵，求特征值特 征向量
3. FishFace识别在光照上有所进步，光的明暗影响不是很大

        

     4.识别率问题，因为这里光亮作为主要因素，光亮无法做到细微控制，这里不做详细比较

       

     5.人脸上半部分处在黑暗环境，与EigenFace比较，差不多同一张图片，这张图能识别出来

      

结果5.LBPH算法

此算法和前两种的比较，主要是在光照和侧脸角度上有所加强，这里不再多做比较。