EigenFaces原理

EigenFaces通常也被稱為特征臉，它使用主成分分析（Principal Component Analysis，PAC）方法將高維的人臉數(shù)據(jù)處理為低維數(shù)據(jù)后，在進(jìn)行數(shù)據(jù)分析和處理，獲取識(shí)別結(jié)果。

EigenFaces簡(jiǎn)單來說就是對(duì)原始數(shù)據(jù)使用PCA方法進(jìn)行降維，獲取其中的主成分信息，從而實(shí)現(xiàn)人臉識(shí)別的方法。

EigenFaces識(shí)別步驟

在OpenCV中，它給我們提供函數(shù)cv2.face.EigenFaceRecognizer_create()生成特征臉識(shí)別器，然后應(yīng)用cv2.face_EigenFaceRecognizer.train()函數(shù)完成訓(xùn)練，最后用cv2.face_FaceRecognizer.predict()導(dǎo)入要識(shí)別的人臉圖像，獲取預(yù)測(cè)結(jié)果。

是不是與上一篇博文人臉識(shí)別的步驟一摸一樣呢？不過，雖然最后一個(gè)方法相同，但前面兩個(gè)方法還是不同的，我們也同樣介紹一下函數(shù)的定義與使用。

cv2.face.EigenFaceRecognizer_create(num_components=None, threshold=None)

num_components：在PCA中要保留的分量個(gè)數(shù)。當(dāng)然，該參數(shù)值通常要根據(jù)輸入數(shù)據(jù)來具體確定，并沒有一定取值。一般程序中，取80即可

threshold：進(jìn)行人臉識(shí)別所采用的閾值

cv2.face_EigenFaceRecognizer.train(self, src, labels)

這里的src，labels參數(shù)與LBPH人臉識(shí)別的train函數(shù)一摸一樣，這里就不在贅述。

EigenFaces實(shí)戰(zhàn)人臉識(shí)別

了解了EigenFaces人臉識(shí)別步驟。下面，我們還是使用前文的2張圖片作為訓(xùn)練集，進(jìn)行瑞克與尼根的判斷，具體代碼如下：

import cv2
import numpy as np

images = []
images.append(cv2.imread("42_1.jpg", cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread("42_2.jpg", cv2.IMREAD_GRAYSCALE))
labels = [0, 1]
recognizer = cv2.face.EigenFaceRecognizer_create()
recognizer.train(images, np.array(labels))
predict_image = cv2.imread('42_4.jpg', cv2.IMREAD_GRAYSCALE)
label, confidence = recognizer.predict(predict_image)
if label == 0:
    print("匹配的人臉為尼根")
elif label == 1:
    print("匹配的人臉為瑞克")
print("confidence=", confidence)

這里我們使用尼根的頭像作為測(cè)試人臉識(shí)別的圖像。運(yùn)行之后效果如下：

1.png

EigenFaces人臉識(shí)別唯一的缺陷就是不管是訓(xùn)練的圖像，還是測(cè)試的圖像，其大小必須一致。而LBPH人臉識(shí)別并不需要圖像大小一致。還有EigenFaces人臉識(shí)別返回的confidence大小介于0到20000，只要低于5000都被認(rèn)為是可靠的結(jié)果。這個(gè)有LBPH不同，需要額外注意。

訓(xùn)練集圖像：

42_1.jpg

42_2.jpg

測(cè)試圖像：

42_4.jpg