python实现人脸识别经典算法（一） 特征脸法

Python  /  管理员 发布于 7年前   207

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：PCA的数学原理

特征脸法：PCA应用在人脸识别当中：人脸识别经典算法一：特征脸方法（Eigenface） ，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') 

 以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。