[人脸识别Step]在opencv下作人脸检测.doc

人脸识别Step在opencv下作人脸检测 作者： 日期：18 个人收集整理 勿做商业用途人脸识别Step1在opencv下作人脸检测本帖被 admin 设置为精华（2007-08-03） 人脸识别的第一步，就是人脸检测。把人的脸部从一张照片中用计算机自动识别出来，作为下一步人脸识别的基础。在opencv 中,库中自带了一个利用harr特征的人脸检测训练及检测函数：cvHaarDetectObjects.它利用训练好的检测器，在图片中间检测你想要的 物体，如人脸。opencv自带了很多检测器，在%opencv%data/haarcascades目录下，你可以随意取用。或者你也可以自己用图片训 练自己的检测器，之后拿来使用.下面是检测人脸的源代码:/ DetectFaces.c/ Example code showing how to detect faces using/ OpenCVs CvHaarClassifierCascade/ See also， facedetect。c， in the samples directory。/ Usage： DetectFaces imagefilename#include include cv.h#include highgui.h/ * Change this to your install location! */ *define OPENCV_ROOT ”C：/Program Files/OpenCV”/ *void displayDetections(IplImage pInpImg， CvSeq * pFaceRectSeq, char* FileName)；int main（int argc， char* argv） / variables IplImage pInpImg = 0； CvHaarClassifierCascade pCascade = 0； / the face detector CvMemStorage * pStorage = 0; / memory for detector to use CvSeq * pFaceRectSeq； / memory-access interface / usage check if（argc 2） printf（”Missing name of image file!n” ”Usage: %s 1） ？ cvLoadImage(argv1， CV_LOAD_IMAGE_COLOR） : 0； pStorage = cvCreateMemStorage(0)； pCascade = （CvHaarClassifierCascade )cvLoad （OPENCV_ROOT”/data/haarcascades/haarcascade_frontalface_default。xml”), 0， 0， 0 )； / validate that everything initialized properly if( ！pInpImg | ！pStorage | !pCascade ) printf（Initialization failed： %sn, （！pInpImg)？ cant load image file ： (!pCascade)？ cant load haarcascade - ” make sure path is correct ： unable to allocate memory for data storage, argv1）； exit(-1); / detect faces in image pFaceRectSeq = cvHaarDetectObjects （pInpImg, pCascade， pStorage， 1。1, / increase search scale by 10% each pass 3, / merge groups of three detections CV_HAAR_DO_CANNY_PRUNING, / skip regions unlikely to contain a face cvSize(40,40）; / smallest size face to detect = 40x40 / display detected faces displayDetections(pInpImg, pFaceRectSeq, argv1)； / clean up and release resources cvReleaseImage（&pInpImg）； if(pCascade) cvReleaseHaarClassifierCascade(pCascade）； if(pStorage) cvReleaseMemStorage(&pStorage）； return 0；void displayDetections（IplImage pInpImg， CvSeq * pFaceRectSeq, char FileName） const char DISPLAY_WINDOW = Haar Window； int i； / create a window to display detected faces cvNamedWindow（DISPLAY_WINDOW, CV_WINDOW_AUTOSIZE）; / draw a rectangular outline around each detection for（i=0;i(pFaceRectSeq? pFaceRectSeq-total:0）; i+ ) CvRect* r = （CvRect)cvGetSeqElem(pFaceRectSeq, i）； CvPoint pt1 = r-x， r-y ； CvPoint pt2 = rx + r-width， ry + rheight ； cvRectangle（pInpImg， pt1， pt2, CV_RGB(0,255,0）， 3， 4， 0）; cvSetImageROI（pInpImg， *r); /char FileName = argv1； IplImage dst = cvCreateImage（ cvSize（92,112）， pInpImgdepth, pInpImgnChannels）; cvResize(pInpImg， dst， CV_INTER_LINEAR)； strcat（FileName,”.pgm)； cvSaveImage（FileName， dst）; / display face detections cvShowImage（DISPLAY_WINDOW, pInpImg)； cvWaitKey(0)； cvDestroyWindow（DISPLAY_WINDOW）；程序会将人脸检测出来，显示在屏幕上，并存回原来的文件将其覆盖。在window xp， devcpp 4。9。9.2 下编译通过。本文为互联网收集，请勿用作商业用途文档为个人收集整理,来源于网络人脸识别Step2对人脸图片作PCA降维本帖被 admin 设置为精华(20070803） 在上一篇文章中,我们将人脸从图片中检测了出来，并存回了同名的文件。下一步,就要进行识别了。对 一幅图片而言，我们可以将它看成是一个二位数组，每个元素表达一个像素的特征,如颜色等。那么，对一幅我们处理好的大小为92112的黑白单通道图片， 就需要一个长度为10304的浮点箱量来表示.这么高维度的数据，处理起来计算代价很大，因为它将所有像素一视同仁，效果也不一定好.所以,我们对于人脸数据，采用了主成分分析 （ Principal Component Analysis , PCA ） 方法来做数据降维。那么，什么是PCA呢？主 成分分析 ( Principal Component Analysis ， PCA ） 是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。计算主成分的目的是将高维数据投影到较 低维空间。给定 n 个变量的 m 个观察值，形成一个 n m 的数据矩阵， n 通常比较大。对于一个由多个变量描述的复杂事物，人们难以认识,那么是否可以抓住事物主要方面进行重点分析呢？如果事物的主要方面刚好体现在几个主要变量 上,我们只需要将这几个变量分离出来,进行详细分析.但是，在一般情况下，并不能直接找出这样的关键变量。这时我们可以用原有变量的线性组合来表示事物的 主要方面， PCA 就是这样一种分析方法。 PCA 的目标是寻找 r （ rn )个新变量，使它们反映事物的主要特征，压缩原有数据矩阵的规模.每个新变量是原有变量的线性组合，体现原有变量的综合效果，具有一定的实际含义。这 r 个新变量称为“主成分，它们可以在很大程度上反映原来 n 个变量的影响,并且这些新变量是互不相关的，也是正交的.通过主成分分析，压缩数据空间，将多元数据的特征在低维空间里直观地表示出来。Opencv 中，事先预置了PCA方法的函数，我们去调用即可。在下面给出的程序中,我将训练集人脸图片的PCA结果输出到TrainFace。txt，测试人脸图片 的PCA结果输出到TestFace.txt中,以备以后调用别的学习算法(如SVM等）使用。在程序中，直接使用欧式距离或余弦距离（需要在源代码中手 动更改编译）度量测试人脸和各训练人脸的相似度并输出,以供作简单的观察。以下是源程序：/ eigenface.c, by Robin Hewitt， 2007/ edited by Xin QIao, AUG 2007/ Example program showing how to implement eigenface with OpenCV/ Usage：/ First, you need some face images。 I used the ORL face database./ You can download it for free at/ www.cl.cam。ac.uk/research/dtg/attarchive/facedatabase。html/ List the training and test face images you want to use in the/ input files train.txt and test。txt。 (Example input files are provided/ in the download.） To use these input files exactly as provided， unzip/ the ORL face database, and place train。txt, test。txt, and eigenface.exe/ at the root of the unzipped database./ To run the learning phase of eigenface， enter/ eigenface train/ at the command prompt. To run the recognition phase, enter/ eigenface test#include stdio.hinclude string.hinclude include ”cv.h”#include ”cvaux.h”include ”highgui。h/ Global variablesIplImage faceImgArr = 0; / array of face imagesCvMat * personNumTruthMat = 0; / array of person numbersint nTrainFaces = 0； / the number of training imagesint nEigens = 0; / the number of eigenvaluesIplImage * pAvgTrainImg = 0; / the average imageIplImage * eigenVectArr = 0； / eigenvectorsCvMat * eigenValMat = 0; / eigenvaluesCvMat * projectedTrainFaceMat = 0; / projected training faces/ Function prototypesvoid learn(）；void recognize();void doPCA(）；void storeTrainingData(）;int loadTrainingData(CvMat pTrainPersonNumMat）；double * findNearestNeighbor(float * projectedTestFace）；int loadFaceImgArray（char * filename)；void printUsage();/ main(）/int main( int argc, char argv ） / validate that an input was specified if（ argc ！= 2 ) printUsage(）； return -1； if( !strcmp（argv1, train”) ） learn(); else if（ !strcmp（argv1， ”test) ） recognize(); else printf（”Unknown command: sn, argv1)； printUsage（)； return 0;/ learn(）/void learn(） int i, j， k， offset； / load training data nTrainFaces = loadFaceImgArray（”train.txt); if（ nTrainFaces 2 ) fprintf(stderr, Need 2 or more training facesn ”Input file contains only dn， nTrainFaces）; return; / do PCA on the training faces doPCA（); / project the training images onto the PCA subspace projectedTrainFaceMat = cvCreateMat( nTrainFaces， nEigens， CV_32FC1 ）; offset = projectedTrainFaceMat-step / sizeof(float)； for（i=0; inTrainFaces； i+) /int offset = i nEigens； cvEigenDecomposite( faceImgArr, nEigens, eigenVectArr, 0, 0, pAvgTrainImg, /projectedTrainFaceMatdata.fl + i*nEigens）; projectedTrainFaceMat-data.fl + ioffset)； / store the projectedTrainFaceMat as TrainFace。txt FILE TrainfaceFile = 0； if（ TrainfaceFile = fopen（”TrainFace。txt”， ”w”） ） for(j = 0 ； j nTrainFaces ; j+) fprintf(TrainfaceFile,%d ， j）; for（k = 0； k nEigens ; k+） fprintf（TrainfaceFile, ” d : %f , k, （projectedTrainFaceMat-data.fl + joffset）k ）; fprintf(TrainfaceFile，” -1 : ? n”）; / store the recognition data as an xml file storeTrainingData（)；/ recognize()/void recognize（） int i， j， nTestFaces = 0； / the number of test images CvMat * trainPersonNumMat = 0; / the person numbers during training float * projectedTestFace = 0; / load test images and ground truth for person number nTestFaces = loadFaceImgArray(”test.txt”); printf(”d test faces loadedn, nTestFaces); / load the saved training data if（ ！loadTrainingData( &trainPersonNumMat ) ） return; / project the test images onto the PCA subspace projectedTestFace = （float ）cvAlloc（ nEigenssizeof（float) ）; double sim = （double ）cvAlloc（ nEigenssizeof（double） );； for(i=0； inTestFaces； i+） int iNearest， k; /int starnTrainFaces； / project the test image onto the PCA subspace cvEigenDecomposite( faceImgArr， nEigens, eigenVectArr， 0, 0, pAvgTrainImg， projectedTestFace)； / store the projectedTestFace as TestFace。txt FILE * TestfaceFile = 0; if( TestfaceFile = fopen（”TestFace。txt, ”w”） ） fprintf（TestfaceFile，d , 0); for（k = 0; k data。iiNearest;/* /sort int ordernTrainFaces; order0 = iNearest; double tempnTrainFaces; for （ j = 0; j nTrainFaces; j+) tempj = simj; for （ k = 0; k nTrainFaces; k+） /记录temp中最小元素的index int result=0； double leastSim = DBL_MAX; /找到temp中最小元素的index,记录入result for ( j = 0; j nTrainFaces; j+） if( tempj leastSim ） leastSim = tempj; result = j； order = result; /将temp中找到的最小元素置为无穷大 tempresult = DBL_MAX; / / printf（d test image ： n”,i+1）; for ( k = 0； k data.fliTrainnEigens + i; /distSq += d_i*d_i / eigenValMatdata.fl； / Mahalanobis distSq += d_id_i； / Euclidean /* / double d_i = projectedTestFace * projectedTr