openCV+ASM+LBP+Gabor实现人脸识别（GT人脸库）
原理：使用GT人脸库做样本，VS2010下使用openCV2.44自带的Haar算法检测人脸区域，ASM Library特征检测，然后使用YCrCb颜色空间做肤色检测，再用LBP+Gabor小波提取特征，最小邻近距离做分类识别。
1、GT人脸库
Georgia Tech face database，网址：http://www.anefian.com/research/face_reco.htm
GT人脸库包含50个人，每人15张不同角度、不同表情的正面照片。
图片为JPG格式，640*480，大小在159~192KB之间。Zip压缩下总大小130M。
特点是数据量比较多，每个人的图像信息丰富多变，相对也比较其他库难以识别。
2、openCV人脸区域检测
pFaces = cvHaarDetectObjects( pic8, g_FDcascade, g_FDstorage, 1.1, 3, 0 | //CV_HAAR_DO_CANNY_PRUNING | //CV_HAAR_FIND_BIGGEST_OBJECT | CV_HAAR_DO_ROUGH_SEARCH | CV_HAAR_SCALE_IMAGE | 0, cvSize(20, 20));
以下几个图片在 CV_HAAR_DO_CANNY_PRUNING | CV_HAAR_FIND_BIGGEST_OBJECT（识别最大的人脸区域）下识别不出来：
s05_07.jpg // 可以在CV_HAAR_DO_ROUGH_SEARCH | CV_HAAR_SCALE_IMAGE（识别所有的人脸区域）下识别,见下图
s24_03.jpg // 无法识别
s32_06.jpg // 无法识别
s32_14.jpg // 识别错误
s43_14.jpg // 识别错误
可见openCV的检测率还是很高的（745/750 = 99.33%）。
s05_07.jpg
s01_01.jpg
3、ASMLibrary特征检测
ASM Library是国人的作品，https://code.google.com/p/asmlibrary/
#define FDFN "haarcascade_frontalface_alt2.xml" #define ASMFN "AsmModel.amf" g_AsmFit.Read(ASMFN)); g_FDcascade = (CvHaarClassifierCascade*)cvLoad(FDFN, 0, 0, 0);
g_detshape[0].x = float(g_faceRc.x); g_detshape[0].y = float(g_faceRc.y); g_detshape[1].x = float(g_faceRc.x+g_faceRc.width); g_detshape[1].y = float(g_faceRc.y+g_faceRc.height); InitShapeFromDetBox(g_shape, g_detshape, g_AsmFit.GetMappingDetShape(), g_AsmFit.GetMeanFaceWidth()); g_AsmFit.Fitting(g_shape, picCopy); // fit ASM model
识别以后，提取人脸区域。
4、YCrCb颜色空间做肤色检测
for (int w=0; w<src->width; w++)
{
if (pycrcb[Cr]>=133&&pycrcb[Cr]<=173&&pycrcb[Cb]>=77&&pycrcb[Cb]<=127)
{
SkinCount++;
}
pycrcb+=3;
psrc+=3;
}
按照肤色判断公式检查区域内的肤色像素，按照阈值为0.2判断是否为人脸区域，
再进一步规范化并获取人脸特征。
s05_07提取的人脸特征灰度图 
s01_01提取的人脸特征灰度图
5、LBP+Gabor小波
LBP见： http://baike.baidu.com/view/1099358.htm?fr=aladdin
Gabor见：http://en.wikipedia.org/wiki/Gabor_filter
Complex
Real
Imaginary
where
and
简单的说就是使用Gabor变换在0~4五个尺度，0~8八个邻域方向对前面提取的人脸灰度图做卷积运算。然后提取灰度直方图作为特征。
tmpV0 = tmpV * exp(-tmpV * (x*x + y*y) / 2.0);
tmpV1 = k*cos(phi)*x + k*sin(phi)*y;
cvmSet( re, y+kernelRadius, x+kernelRadius, tmpV0 * cos(tmpV1) );
cvmSet( im, y+kernelRadius, x+kernelRadius, tmpV0 * sin(tmpV1) );
/* G{scale_idx,angle_idx} = k^2/sigma^2 * exp(-k^2*(X.^2+Y.^2)/2/sigma^2)...
.*(exp(1i*(k*cos(phi)*X+k*sin(phi)*Y) - DC)); */
6、最小邻近距离
最后使用最小邻近距离，判断 待检测图片与样本的距离，最小的即为匹配的样本。
7、几点总结
1、速度：训练大概是0.16s一幅，识别大概是0.35s一幅。速度有点慢。
2、识别率：一组测试采用5个人每人5个图片作为样本，测试每个人另外5张照片。
例如s01-s05，使用每人前5张照片（共25张）训练，中间或最后5张照片（共25张）作为待识别图片，识别率均为92%（23张）。