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，由于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，由于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，有助于我們理解PCA的工作過程和調試。

代碼如下：

#encoding=utf-8 import numpy as np import cv2 import os  class EigenFace(object):  def __init__(self,threshold,dimNum,dsize):  self.threshold = threshold # 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，用于數據降維  :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，由于樣本維度遠遠大于樣本數目，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')