(八)OpenCV人脸识别_04_EigenFace算法
读人脸数据文件 ORL/face database(https://github.com/fengbingchun/NN_Test)
创建特征脸识别与训练
识别人脸
输出中间平均脸 、特征脸、重建结果 过程:
读训练数据->计算平均脸->计算协方差矩阵->计算特征脸->特征矩阵->PCA降维->子空间模型->检测/距离
作者：丶小早
创建特征脸识别与训练
识别人脸
输出中间平均脸 、特征脸、重建结果 过程:
读训练数据->计算平均脸->计算协方差矩阵->计算特征脸->特征矩阵->PCA降维->子空间模型->检测/距离
Ptr model = EigenFaceRecognizer::create();
#include
#include
#include
using namespace std;
using namespace cv;
using namespace cv::face;
//OpenCV人脸识别https://www.cnblogs.com/guoming0000/archive/2012/09/27/2706019.html
int main(int argc, char** argv)
{
String filename = string("face_image.txt");//标签Label_Text文件
//从硬盘到内存
ifstream file(filename.c_str(), ifstream::in);////c_str()函数可用可不用，无需返回一个标准C类型的字符串
if (!file)//打开标签文件失败
{
cout << "could not load label_file" << endl;
return -1;
}
string line, path, classlabel;
vector images;//存放图像数据
vector labels;//存放图像标签
char separator = ';';//分号
while (getline(file, line)) //getline(cin,inputLine)//cin 是正在读取的输入流,而 inputLine 是接收输入字符串的 string 变量的名称
{
stringstream liness(line);//这里采用stringstream主要作用是做字符串的分割
getline(liness, path, separator);//遇到分号就结束
getline(liness, classlabel);//继续从分号后面开始,遇到换行结束
if (!path.empty() && !classlabel.empty())
{
images.push_back(imread(path,0));//imread(path,0)//0不能去
labels.push_back(atoi(classlabel.c_str()));//atoi字符串转换成整型数
}
}
if (images.size() <= 1 || labels.size() <= 1)//如果没有读到足够多的图片
{
cout << "读取图片数据失败..." << endl;
}
int height = images[0].rows; //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 width = images[0].cols;
cout << "读取的图片高度为:" << height << endl << "读取的图片宽度为:" << width << endl;
//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() - 2];//获取最后一张照片
int testLabel = labels[labels.size() - 2];//获取最后一个标签
images.pop_back();//移除最后一张图片
labels.pop_back();//移除最后一个标签
/*
特征脸Eigenfaces
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=q*p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。
但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(Principal Component Analysis,PCA)是把一些可能相关的变量转换成一个更小的不相关的子集。
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。
*/
//创建一个特征脸模型用于人脸识别
//通过txt文件读取的图像和标签 训练它
//这里是一个完整的PCA变换
Ptr model = EigenFaceRecognizer::create();
model->train(images, labels);
//对测试图像进行预测,predictedLabel是预测标签结果
int predictedLabel = model->predict(testSample);
cout << "actual label: " << testLabel << endl;
cout << "predict label: " << predictedLabel <getEigenVectors();//获得特征向量
Mat eigenvalue = model->getEigenValues();//获得特征值
Mat mean = model->getMean();//获得均值向量
//显示平均脸
Mat meanvector = mean.reshape(1, height);
Mat meanface;//平均脸
if (meanvector.channels() == 1)
{
normalize(meanvector, meanface, 0, 255, NORM_MINMAX, CV_8UC1);
}
else if (meanvector.channels() == 3)
{
normalize(meanvector, meanface, 0, 255, NORM_MINMAX, CV_8UC3);
}
imshow("Mean Face", meanface);
//显示特征脸
Mat color_eigenface;//使用伪彩色来显示结果，为了更好的观察
for (int i = 0; i < min(10, eigenvector.cols); i++)//10可更改至(特征脸数目)(50大概是最好的)
{
Mat temp_eigenvector = eigenvector.col(i).clone();//得到第i个特征向量
Mat eigenFace = temp_eigenvector.reshape(1, height);//特征脸
if (eigenFace.channels() == 1)
{
normalize(eigenFace, eigenFace, 0, 255, NORM_MINMAX, CV_8UC1);
}
else if (eigenFace.channels() == 3)
{
normalize(eigenFace, eigenFace, 0, 255, NORM_MINMAX, CV_8UC3);
}
applyColorMap(eigenFace, color_eigenface, COLORMAP_JET);
//char* winTitle = new char[128];//创建一个用来存 窗口名的buff
//sprintf(winTitle, "eigenface_%d", i);//创建 i+1 个窗口,分别命名为eigenface_i
//imshow(winTitle, color_eigenface);//显示 i+1 个窗口
}
imshow("Eigen Face", color_eigenface);
//重建人脸
Mat rebuildFace;
for (int num = min(10, eigenvector.cols); num < min(eigenvector.cols, 100); num += 15)//100可最大更改至样本数(400)
{
Mat temp_eigenmodel = Mat(eigenvector, Range::all(), Range(0, num));//提取特征向量eigenvector的前num列数据(用来重建数据)
/*
把所有的训练数据投影到PCA子空间
把待识别图像投影到PCA子空间
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(逆映射)
*/
//投影样本到LDA子空间//把第images[i]幅图像放到LDA子空间
Mat projection = LDA::subspaceProject(temp_eigenmodel, mean, images[10].reshape(1, 1));
//重构来自于LDA子空间的投影//backProject()逆映射//重建第images[i]幅图像(放在projection里)
Mat reconstruction = LDA::subspaceReconstruct(temp_eigenmodel, mean, projection);
rebuildFace = reconstruction.reshape(1, height);
if (rebuildFace.channels() == 1)
{
normalize(rebuildFace, rebuildFace, 0, 255, NORM_MINMAX, CV_8UC1);
}
else if (rebuildFace.channels() == 3)
{
normalize(rebuildFace, rebuildFace, 0, 255, NORM_MINMAX, CV_8UC3);
}
char* winTitle = new char[128];
sprintf(winTitle, "rebuild_face_%d", num);
imshow(winTitle, rebuildFace);
}
//imshow("Rebuild Face", rebuildFace);
waitKey(0);
return 0;
}
输出结果:(第一行分别为平均脸,特征脸,重建脸…)(后6张重建脸根据提取特征向量eigenvector的前num列数据重建)
作者：丶小早
