人脸识别（不是检测,而是识别，源码下载）

           之前写了一个能够在任意道路上的汽车识别技术（已经实现，详细解析：http://blog.csdn.net/qjttxz/article/details/7640501），然后有人就问识别有哪些途径，这就让我想起以前大学的时候曾经改用过PCA来做人脸识别，这也算是入门级别吧，现在发现新版本的OPENCV自己的PCA算法封装已经非常强大，PCA的使用已经很简单了。

           在讲之前先解析几个基本概念:

           Eigenface:是计算机视觉中处理人脸识别时使用的特征向量，Eigenfaces翻译为“特征脸”,意思应该是指“脸特征空间”。

           PCA:主成分分析 （ Principal Component Analysis ， PCA ）是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间。给定 n 个变量的 m 个观察值，形成一个 n ′ m 的数据矩阵， n 通常比较大。对于一个由多个变量描述的复杂事物，人们难以认识，那么是否可以抓住事物主要方面进行重点分析呢？如果事物的主要方面刚好体现在几个主要变量上，我们只需要将这几个变量分离出来，进行详细分析。但是，在一般情况下，并不能直接找出这样的关键变量。这时我们可以用原有变量的线性组合来表示事物的主要方面， PCA 就是这样一种分析方法。 

        编译使用的是OPENCV2.4（以前的 PCA封装很多参数的，这里不说了，要讲太费劲了）

            整个源码地址：http://download.csdn.net/detail/qjttxz/4375753

#include 
#include "cv.h"
#include "highgui.h"
 
using namespace std;
using namespace cv;
 
Mat normalize(const Mat& src) {
    Mat srcnorm;
    normalize(src, srcnorm, 0, 255, NORM_MINMAX, CV_8UC1);
    return srcnorm;
}
 
int main(int argc, char *argv[]) {
    vector<Mat> db;
 
    // 加载灰度图片( 下载地址 http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html)
    db.push_back(imread("s1/1.pgm",0));
    db.push_back(imread("s1/2.pgm",0));
    db.push_back(imread("s1/3.pgm",0));
 
    db.push_back(imread("s2/1.pgm",0));
    db.push_back(imread("s2/2.pgm",0));
    db.push_back(imread("s2/3.pgm",0));
 
    db.push_back(imread("s3/1.pgm",0));
    db.push_back(imread("s3/2.pgm",0));
    db.push_back(imread("s3/3.pgm",0));
 
    db.push_back(imread("s4/1.pgm",0));
    db.push_back(imread("s4/2.pgm",0));
    db.push_back(imread("s4/3.pgm",0));
 
    int total = db[0].rows * db[0].cols;
 
    // 构建数据库阵列,这是不拷贝数据的，只是改变数据矩阵
    Mat mat(total, db.size(), CV_32FC1);
    for(int i = 0; i < db.size(); i++) {
        Mat X = mat.col(i);
        db[i].reshape(1, total).col(0).convertTo(X, CV_32FC1, 1/255.);
    }
 
    // 设定主要成分数量
    int numPrincipalComponents = 12;
 
    // 运行PCA
    PCA pca(mat, Mat(), CV_PCA_DATA_AS_COL, numPrincipalComponents);
 
    namedWindow("avg", 1);
    namedWindow("pc1", 1);
    namedWindow("pc2", 1);
    namedWindow("pc3", 1);
 
    // 找出最接近的面
    imshow("avg", pca.mean.reshape(1, db[0].rows));
 
    // 其他面的eigenfaces特征
    imshow("pc1", normalize(pca.eigenvectors.row(0)).reshape(1, db[0].rows));
    imshow("pc2", normalize(pca.eigenvectors.row(1)).reshape(1, db[0].rows));
    imshow("pc3", normalize(pca.eigenvectors.row(2)).reshape(1, db[0].rows));
   waitKey(0);

}

             代码够简单了吧，我已经把相关参数做了说明了。

             下面再给出参考资料的网址，有兴趣的必须去看看：

eiqenface特征的说明：http://en.wikipedia.org/wiki/Eigenface

eigenface人脸识别的paper：http://www.cs.tau.ac.il/~shekler/Seminar2007a/PCA%20and%20Eigenfaces/eigenfaces_cvpr.pdf

OPENCV的eigenface解析：

http://www.bytefish.de/blog/fisherfaces

http://www.cognotics.com/opencv/servo_2007_series/part_4/index.html