近來想要做一做人臉識別相關的內容，主要是想集成一個系統，看到opencv已經集成了三種性能較好的算法，但是還是想自己動手試一下，畢竟算法都比較初級。
操作環境：python2.7
第三方庫：opencv for python、numpy
第一種比較經典的算法就是特征臉法，本質上其實就是PCA降維，這種算法的基本思路是，把二維的圖像先灰度化，轉化為一通道的圖像，之后再把它首尾相接轉化為一個列向量，假設圖像大小是20*20的，那么這個向量就是400維，理論上講組織成一個向量，就可以應用任何機器學習算法了，但是維度太高算法復雜度也會隨之升高，所以需要使用PCA算法降維，然后使用簡單排序或者KNN都可以。
只當搬運工，送上鏈接。
PCA ，這篇博客講得非常好了，從原理到實現基本看這個就能搞出來了：PCA的數學原理
特征臉法：PCA應用在人臉識別當中：人臉識別經典算法一：特征臉方法（Eigenface） ，這里與PCA有不同的操作就是特征值分解的時候，由於圖像組成的列向量維度太高，直接按照PCA算法求解會很慢，所以這里有一種特殊的處理方法。
數據組織形式為若干樣本圖片分類放入對應文件夾中，然后在統一存放入face文件夾下，測試圖像單獨一張圖像即可。
另外，由於PCA中維度是一個很麻煩的事情，所以在程序中，我打印了很多維度信息，有助於我們理解PCA的工作過程和調試。
代碼如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
|
#encoding=utf-8
import numpy as np
import cv2
import os
class EigenFace(object):
def __init__(self,threshold,dimNum,dsize):
self.threshold = threshold # 閾值暫未使用
self.dimNum = dimNum
self.dsize = dsize
def loadImg(self,fileName,dsize):
'''''
載入圖像，灰度化處理，統一尺寸，直方圖均衡化
:param fileName: 圖像文件名
:param dsize: 統一尺寸大小。元組形式
:return: 圖像矩陣
'''
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):
'''''
生成圖像樣本矩陣，組織形式為行為屬性，列為樣本
:param dirName: 包含訓練數據集的圖像文件夾路徑
:return: 樣本矩陣，標簽矩陣
'''
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函數，用於數據降維
:param dataMat: 樣本矩陣
:param dimNum: 降維后的目標維度
:return: 降維后的樣本矩陣和變換矩陣
'''
# 均值化矩陣
meanMat = np.mat(np.mean(dataMat,1)).T
print '平均值矩陣維度',meanMat.shape
diffMat = dataMat-meanMat
# 求協方差矩陣，由於樣本維度遠遠大於樣本數目，所以不直接求協方差矩陣，采用下面的方法
covMat = (diffMat.T*diffMat)/float(diffMat.shape[1]) # 歸一化
#covMat2 = np.cov(dataMat,bias=True)
#print '基本方法計算協方差矩陣為',covMat2
print '協方差矩陣維度',covMat.shape
eigVals, eigVects = np.linalg.eig(np.mat(covMat))
print '特征向量維度',eigVects.shape
print '特征值',eigVals
eigVects = diffMat*eigVects
eigValInd = np.argsort(eigVals)
eigValInd = eigValInd[::-1]
eigValInd = eigValInd[:dimNum] # 取出指定個數的前n大的特征值
print '選取的特征值',eigValInd
eigVects = eigVects/np.linalg.norm(eigVects,axis=0) #歸一化特征向量
redEigVects = eigVects[:,eigValInd]
print '選取的特征向量',redEigVects.shape
print '均值矩陣維度',diffMat.shape
lowMat = redEigVects.T*diffMat
print '低維矩陣維度',lowMat.shape
return lowMat,redEigVects
def compare(self,dataMat,testImg,label):
'''''
比較函數，這里只是用了最簡單的歐氏距離比較，還可以使用KNN等方法，如需修改修改此處即可
:param dataMat: 樣本矩陣
:param testImg: 測試圖像矩陣，最原始形式
:param label: 標簽矩陣
:return: 與測試圖片最相近的圖像文件名
'''
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 '檢測樣本變換后的維度',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):
'''''
預測函數
:param dirName: 包含訓練數據集的文件夾路徑
:param testFileName: 測試圖像文件名
:return: 預測結果
'''
testImg = cv2.imread(testFileName)
dataMat,label = self.createImgMat(dirName)
print '加載圖片標簽',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')
|