OpenCV 对非商业应用和商业应用都是免费的，源代码公开， 具备强大的图像和矩阵运算能力，具有丰富的函数处理函数， 减少开发者的工作量，有效提高开发效率和程序运行的可靠 性。 应用：人机互动 、物体识别 、图象分割 、人脸识别 、 动作识别、运动跟踪 、机器人
人脸识别基本介绍
人脸图像采集及检测
人脸识别，是基于人的脸部特征信 息进行身份识别的一种生物识别技 术。用摄像机或摄像头采集含有人 脸的图像或视频流，并自动在图像 中检测和跟踪人脸，进而对检测到 的人脸进行脸部的一系列相关技术， 通常也叫做人像识别、面部识别。
• 第五步：求协方差矩阵的特征值和特征向量，构 造特征脸空间 若协方差矩阵的维数为MN*MN，当其维数较大， 计算量比较大，所以采用奇异值分解 (SingularValue Decomposition ,SVD)定理，通 T T A A AA 过求解 的特征值和特征向量来获得 的特 征值和特征向量。
w
T
• 第二步：定义阈值
1 max i j , i, j 1,2,...,200 2 i, j


• 第三步：采用欧式距离来计算 与每个 人脸的距离
i i
2
2
i 1,2,...,200
系统优缺点分析
系统存在的问题： 1. 抗干扰能力较差。环境光照，遮挡物，人的表情和位置都对识别 结果造成较强的干扰。 2. 训练的时间较长，执行效率不够高。只能对小样本的图像进行识 别，如果图像库太大，则运行效率会比较低。 系统的优点： 1. 不需要对图像进行过多的预处理，PCA本身就能实现降噪的功能； 2. 能有效地识别人脸，且过程相对简单，主要是图像数据的处理和 矩阵的运算； 3. 由于是通过低维子空间表示的，可以对图像的数据进行一定地压 缩，从而减少了计算量，提高运行速度；
利用OpenCV实现基于 PCA算法的人脸识别
1. 2. 3. 4.
OpenCV基本介绍 人脸识别概要 PCA原理介绍 用PCA算法人脸识别的优缺点
OpenCV 基本介绍
OpenCV（Open Source Computer Vision Library）是一个 基于（开源）发行的跨平台计算机视觉库，可以运行在 Linux、Windows和Mac OS操作系统上。它轻量级而且高效— —由一系列 C 函数和少量 C++ 类构成，同时提供了Python、 Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉 方面的很多通用算法。
i 10
1
xi i
训练阶段
• 第三步：计算差值脸
计算每一张人脸与平均脸的差值
di xi i 1
训练阶段
第四步：构建协方差矩阵
1 C 10
d id i i
1
10
T
1 BB T 10
B d1 d 2 ,...,d10
训练阶段
人 脸 识 别
人脸图像预处理
人脸图像特征提取
匹配与识别
PCA 算法基本介绍
• PCA方法由于其在降维和特征提取方面的有效性 ，在人脸识别领域得到了广泛的应用。 • PCA方法的基本原理是:利用K-L变换抽取人脸的 主要成分，构成特征脸空间，识别时将测试图像 投影到此空间，得到一组投影系数，通过与各个 人脸图像比较进行识别。 • 主要包括两个阶段：训练阶段+识别阶段
训练阶段
• 第一步：假设训练集有10个样本，由灰度图组成，每个样 本大小为M*N（ORL人脸库：分辨率92*112=10304）
• 写出训练样本矩阵：
A x1 ,x 2 ,..., x 10
T
• 其中向量xi为由第i个图像的每一列向量堆叠成一列的MN 维列向量,即把矩阵向量化,如下图所示：
训练阶段
• 如：第i个图像矩阵为
1 2 3 4 5 6 7 8 9
1 4 7 2 5 8 3 6 9
•
则xi为
训练阶段
• 第二步：计算平均脸 计算训练图片的平均脸：
1 10
训练阶段
• 求出C的特征值 i及其正交归一化特征向量 • 根据特征值的贡献率选取前p个最大特征向 量及其对应的特征向量 i • 贡献率是指选取的特征值的和与占所有特征 值的和比，即：


i 1 i 200 i 1

i p
i

a
i
训练阶段
一般取 a 99 % 即使训练样本在前p个特 征向量集上的投影有99%的能量 求出原协,2,..., p)
则“特征脸”空间为：
w u1 , u2 ,... ，u p
训练阶段
• 第六步 • 将每一幅人脸与平均脸的差值脸矢 量投影到“特征脸”空间，即
i w di i 1,2,...,200
T
识别阶段
• 第一步：将待识别的人脸图像 与平均脸的差值 脸投影到特征空间，得到其特征向量表示：