OpenCV人脸识别实验（一）——特征脸（Eigenfaces）及其重构的源代码详解_teeigenfacerecognizer(10, 123.0);

1、介绍Introduction

从OpenCV2.4开始，加入了新的类FaceRecognizer，我们可以使用它便捷地进行人脸识别实验。

本实验采用的编程环境为：opencv3.0+VS2013。人脸识别的实验已经转移到face模块中，

face模块在我这里的路径为：D:\Program Files\opencv3.0\opencv\sources\modules\opencv_contrib-master\modules\face。

代码在OpenCV安装目录下为：D:\Program Files\opencv3.0\opencv\sources\modules\opencv_contrib-master\modules\face\samples\facerec_eigenfaces.cpp.

如果需要在高版本的opencv中使用face模块，需要自己进行编译，其编译和配置流程请参照题目为：

【图像处理】windows 10 + vs2015+ opencv3.0.0 +附加模块opencv_contrib编译和配置的博客，在此不在赘述。

face模块目前支持的算法有:

        （1）主成分分析（PCA）——Eigenfaces（特征脸）——函数：createEigenFaceRecognizer()

PCA：低维子空间是使用主元分析找到的，找具有最大方差的哪个轴。

缺点：若变化基于外部（光照），最大方差轴不一定包括鉴别信息，不能实行分类。

        （2）线性判别分析（LDA）——Fisherfaces（特征脸）——函数： createFisherFaceRecognizer()

LDA:线性鉴别的特定类投影方法，目标：实现类内方差最小，类间方差最大。

        （3）局部二值模式（LBP）——LocalBinary Patterns Histograms——函数：createLBPHFaceRecognizer()

PCA和LDA采用整体方法进行人脸辨别，LBP采用局部特征提取，除此之外，还有的局部特征提取方法为：

盖伯小波（Gabor Waelets）和离散傅里叶变换（DCT）。

2、人脸库及数据准备

在研究人脸识别，所以我们需要人脸图像！你可以自己创建自己的数据集，也可以从这里(http://face-rec.org/databases/)下载一个。本实验采用ORL人脸数据库，40个人，每人10张照片。本次实验ORL人脸库图像解压缩在的目录路径为：D:\Program Files\opencv3.0\opencv\sources\data\FaceData\ORL。CSV文件的目录路径为：

D:\Program Files\opencv3.0\opencv\sources\data\at.txt。我们需要在程序中读取它，我决定使用CSV文件读取它。一个CSV文件包含文件名，紧跟一个标签。

如：D:\Program Files\opencv3.0\opencv\sources\data\FaceData\ORL\s1\1.pgm;0

我们给它一个标签0，这个标签类似代表这个人的名字，所以同一个人的照片的标签都一样。创建一个CSV文件，

at.txt文件的部分内容的截图如下：

3、算法描述

图像表示的问题是他的高维问题。二维灰度图像p*q大小，是一个m=qp维的向量空间，

所以一个100*100像素大小的图像就是10，000维的图像空间。问题是，是不是所有的维数空间对我们来说都有用？

我们可以做一个决定，如果数据有任何差异，我们可以通过寻找主元来知道主要信息。

主成分分析(PrincipalComponent Analysis,PCA)是KarlPearson (1901)独立发表的，

而 Harold Hotelling (1933)把一些可能相关的变量转换成一个更小的不相关的子集。

想法是，一个高维数据集经常被相关变量表示，因此只有一些的维上数据才是有意义的，包含最多的信息。

PCA方法寻找数据中拥有最大方差的方向，被称为主成分。

令   表示一个随机特征，其中  .

1.   计算均值向量 

                             

2.   计算协方差矩阵 S

                                

3.   计算 的特征值    和对应的特征向量                

 

4.   对特征值进行递减排序，特征向量和它顺序一致. K个主成分也就是k个最大的特征值对应的特征向量。

x的K个主成份:

         

其中  .

PCA基的重构:

                  

其中  .

然后特征脸通过下面的方式进行人脸识别：

A． 把所有的训练数据投影到PCA子空间

B． 把待识别图像投影到PCA子空间

C． 找到训练数据投影后的向量和待识别图像投影后的向量最近的那个。

4、代码实现及实验结果

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/face/facerec.hpp>
#include <iostream>
#include <fstream>     //文件操作的集合，以流的方式进行
#include <sstream>     //此库定义了stringstream类，即：流的输入输出操作。
                       //使用string对象代替字符数组，避免缓冲区溢出的危险
using namespace cv;
using namespace std;
using namespace cv::face;
 
//归一化图像矩阵函数
static Mat norm_0_255(InputArray _src)
{
	Mat src = _src.getMat();   //将传入的类型为InputArray的参数转换为Mat的结构
	Mat dst;   //创建和返回一个归一化后的图像
	switch (src.channels())
	{
	case 1:
		normalize(_src, dst, 0, 255, NORM_MINMAX, CV_8UC1);
		break;
	case 3:
		normalize(_src, dst, 0, 255, NORM_MINMAX, CV_8UC3);
		break;
	default:
		src.copyTo(dst);
		break;
	}
	return dst;
}
 
//使用CSV文件读取图像和标签，主要使用stringstream和getline方法
static void read_csv(const string& filename, vector<Mat>& images, vector<int>& labels, char separator = ';')
{
	ifstream file(filename.c_str(), ifstream::in);   //以输入方式打开文件
	                                                 //c_str()函数将字符串转化为字符数组，返回指针
 
 
		if (!file)
		{
			string error_massage = "No valid input file was given,please check the given filename!";
			CV_Error(CV_StsBadArg, error_massage);
		}
	string line, path, classlabel;
	while (getline(file, line))              //getline(字符数组,字符个数n,终止标志字符)
	{
		stringstream liness(line);
		getline(liness, path, separator);    //遇到分号就结束
		getline(liness, classlabel);         //继续从分号后边开始，遇到换行结束
		if (!path.empty() && !classlabel.empty())
		{
			images.push_back(imread(path, 0));
			labels.push_back(atoi(classlabel.c_str()));   //atoi函数将字符串转换为整数值
		}
	}
}
 
int main(int argc, const char* argv[])
{
	//[1] 检测合法的命令，显示用法
	//如果没有参数输入，则退出
	//if (argc < 2)
	//{
	//	cout << "usage:" << argv[0] << "<csv.ext> <output_folder>" << endl;
	//	exit(1);
	//}
 
	string output_folder;
	output_folder = string("D:\\Program Files\\opencv3.0\\opencv\\sources\\data\\FaceData\\result6");
 
	//[2] 读取CSV文件路径
	string fn_csv = string("D:\\Program Files\\opencv3.0\\opencv\\sources\\data\\at.txt");
 
	//两个容器来存放图像数据和对应的标签
	vector<Mat> images;
	vector<int> labels; 
	
	//读取数据，如果文件不合法就会出错。输入的文件名已经有了
	try{
		read_csv(fn_csv, images, labels);
	}
	catch (Exception& e)
	{
		cerr << "Error opening file" << fn_csv << ".Reason:" << e.msg << endl;
		exit(1);
	}
	//没有读取到足够多的图片，也需要退出
	if (images.size() <= 1)
	{
		string error_message = "This demo need at least 2 images,please add more images to your data set!";
		CV_Error(CV_StsError, error_message);
	}
	//[3] 得到第一张图片的高度，在下面对图像变形得到他们原始大小时需要
	int height = images[0].rows;
	//[4]下面代码仅从数据集中移除最后一张图片，用于做测试，需要根据自己的需要进行修改
	Mat testSample = images[images.size() - 1];
	int testLabel = labels[labels.size() - 1];
 
	images.pop_back();    //删除最后一张图片
	labels.pop_back();    //删除最后一个标签
 
	//[5] 创建一个特征脸模型用于人脸识别
	//通过CSV文件读取的图像和标签训练它
	//这里是一个完整的PCA 变换
	//如果想保留10个主成分，使用如下代码  cv::createEigenFaceRecognizer(10);
	//如果希望使用置信度阈值来初始化，使用代码   cv::createEigenFaceRecognizer(10, 123.0);
	//如果使用所有特征并使用一个阈值，使用代码   cv::createEigenFaceRecognizer(0, 123.0);
	Ptr<BasicFaceRecognizer> model = createEigenFaceRecognizer();
	model->train(images, labels);
 
	//[6] 对测试图像进行预测，predictedLabel是预测标签结果
	int predictedLabel = model->predict(testSample);
 
	// 还有一种调用方式，可以获取结果同时得到阈值:
	//      int predictedLabel = -1;
	//      double confidence = 0.0;
	//      model->predict(testSample, predictedLabel, confidence);
 
	string result_message = format("Predicted class = %d / Actual class = %d.", predictedLabel, testLabel);
	cout << result_message << endl;
 
	//[7] 如何获取特征脸模型的特征值例子，使用getEigenValues方法
	Mat eigenvalues = model->getEigenValues();
 
	//[8] 获取特征向量
	Mat W = model->getEigenVectors();
 
	//[9] 得到训练图像的均值向量
	Mat mean = model->getMean();
 
	//[10] 显示或保存
	imshow("mean", norm_0_255(mean.reshape(1, images[0].rows)));
	imwrite(format("%s/mean.png", output_folder.c_str()), norm_0_255(mean.reshape(1, images[0].rows)));
 
	//[11] 显示或保存特征脸
	for (int i = 0; i < min(10, W.cols); i++)    //修改数值10可以修改特征脸的数目
	{
		string msg = format("Eigenvalue #%d = %.5f", i,eigenvalues.at<double>(i));
		cout << msg << endl;
		//得到第i个特征向量
		Mat ev = W.col(i).clone();
 
		//把它变成原始大小，把数据显示归一化到0-255
		Mat grayscale = norm_0_255(ev.reshape(1, height));
 
		//使用伪彩色来显示结果，为了更好的观察
		Mat cgrayscale;
		applyColorMap(grayscale, cgrayscale, COLORMAP_JET);
 
		//显示或保存
 
		imshow(format("eigenface_%d", i), cgrayscale);
 
		imwrite(format("%s/eigenface_%d.png", output_folder.c_str(), i),norm_0_255(cgrayscale));
	}
 
	//[12] 预测过程中，显示或保存重建后的图像
         //修改值300可改变重构的图像的数目
 for (int num_components = min(W.cols, 10); num_components < min(W.cols,300); num_components += 15)
        { 
        //从模型中的特征向量截取一部分
        Mat evs = Mat(W, Range::all(), Range(0, num_components));
        //在重构时，images[0]为ORL人脸库的第一张人脸图，
        //修改此数值0的大小可对其他人脸图像进行特征脸处理与重构的实验
        Mat projection = LDA::subspaceProject(evs, mean, images[0].reshape(1, 1)); 
        //投影样本到LDA子空间
        Mat reconstruction = LDA::subspaceReconstruct(evs, mean,projection);
       //重构来自于LDA子空间的投影
       //归一化结果
       reconstruction = norm_0_255(reconstruction.reshape(1, images[0].rows));
       //[13] 若不是存放到文件夹中就显示他，使用暂定等待键盘输入
       imshow(format("eigenface_reconstruction_%d", num_components),reconstruction);
       imwrite(format("%s/eigenface_reconstruction_%d.png",output_folder.c_str(), num_components), reconstruction);
       }
waitKey(0);
return 0;
}

实验结果截图为：（特征值或特征脸数目为10，重构人脸图像为20）

     

修改代码：
（1）for (int i = 0; i < min(50, W.cols); i++)//修改数值50可以修改特征脸的数目
（2）//修改重构图像的范围或数目，修改值为400
for (int num_components = min(W.cols, 10); num_components < min(W.cols,400); num_components += 15)

实验运行结果截图为：（特征值或特征脸数目为50，重构人脸图像为26）

再次修改代码：（代码中红色注解部分）
//修改此数值0的大小为其他值，可对其他人脸图像进行特征脸处理与重构的实验
Mat projection = LDA::subspaceProject(evs, mean, images[50].reshape(1, 1)); 


实验截图为：

5、实验结论

（1）50个特征向量可以有效的编码出重要的人脸特征。

（2）对比下面两幅图，重构图像的范围或数目越大，重构的效果越好，重构的图片越清晰！