在最新版的2.4.2中，文檔的更新也是一大亮點，refrence manual擴充了200多頁的內(nèi)容，添加了contrib部分的文檔。contrib就是指OpenCV中新添加的模塊，但又不是很穩(wěn)定，可以認為是一個雛形的部分。這次結(jié)合refman的閱讀，介紹一下FaceRecognizer這個人臉識別類，這個類也是2.4.2更新日志里著重強調(diào)過的更新，配套的文檔也是相當充實。這個類的基類也是Algorithm類，對于Algorithm類的簡單介紹，請參看我之前的blogOpenCV學習筆記（五十）——Algorithm類介紹（core），這個類內(nèi)的接口函數(shù)也是異常簡單，人臉識別的任務也就是兩大部分，訓練和預測，分別對應著train函數(shù)和predict函數(shù)，還有對應的數(shù)據(jù)加載保存函數(shù)save和load。不過它當然還可以調(diào)用其基類Algorithm的函數(shù)。特別說明的是，人臉識別中預測的參數(shù)也是可以調(diào)節(jié)的，但這里只給出了train和predict函數(shù)，為啥沒有setparameter的函數(shù)呢，那是因為各中人臉識別方法的參數(shù)并不相同，要通過Algorithm的get和set函數(shù)實時的調(diào)整~~v5啊！

先來說說訓練的過程，train函數(shù)的兩個參數(shù)也很簡單，訓練的圖像組vector<Mat>和對應的標簽組vector<int>，這個label標簽只需保證同一個人的標簽相同即可，不需要保證圖像的按標簽順序輸入，方便極了。對于預測，有兩種調(diào)用，其中的參數(shù)有測試圖像、返回的標簽值和測試樣本和標簽樣本的相似性。返回的標簽值為-1，說明測試樣本在訓練集中無對應或距離較遠。這里用個FisherFace作為示例說明一下如何訓練和預測：

[cpp] view plaincopy

vector<Mat>?images;??

vector<int>?labels;??

//?images?for?first?person??

images.push_back(imread("person0/0.jpg",?CV_LOAD_IMAGE_GRAYSCALE));??

labels.push_back(0);??

images.push_back(imread("person0/1.jpg",?CV_LOAD_IMAGE_GRAYSCALE));??

labels.push_back(0);??

//?images?for?second?person??

images.push_back(imread("person1/0.jpg",?CV_LOAD_IMAGE_GRAYSCALE));??

labels.push_back(1);??

images.push_back(imread("person1/1.jpg",?CV_LOAD_IMAGE_GRAYSCALE));??

labels.push_back(1);??

??

Ptr<FaceRecognizer>?model?=?createFisherFaceRecognizer();??

model->train(images,?labels);??

??

Mat?img?=?imread("person1/2.jpg",?CV_LOAD_IMAGE_GRAYSCALE);??

int?predicted?=?model->predict(img);??

當然我們也不需要每次使用都進行一次訓練，可以把訓練好的模型通過save函數(shù)保存成一個文件，下次使用的時候只需load即可。

目前支持的3種人臉識別的方案：特征臉EigenFace、Fisher臉FisherFace、LBP直方圖LBPHFace。分別調(diào)用函數(shù)createEigenFaceRecognizer、createFisherFaceRecognizer、createLBPHFaceRecognizer建立模型。

對于EigenFace兩個輸入?yún)?shù)，分別為PCA主成分的維數(shù)num_components和預測時的閾值threshold，主成分這里沒有一個選取的準則，要根據(jù)輸入數(shù)據(jù)的大小而決定，通常認為80維主成分是足夠的。除了這兩個輸入?yún)?shù)外，還有eigenvalues和eigenvectors分別代表特征值和特征向量，mean參數(shù)為訓練樣本的平均值，projections為訓練數(shù)據(jù)的預測值，labels為預測時的閾值。

對于FisherFace，和EigenFace非常相似，也有num_components和threshold兩個參數(shù)和其他5個參數(shù)，FisherFace的降維是LDA得到的。默認值為c-1，如果設置的初始值不在（0，c-1]的范圍內(nèi)，會自動設定為c-1。

特別需要強調(diào)的是，EigenFace和FisherFace的訓練圖像和測試圖像都必須是灰度圖，而且是經(jīng)過歸一化裁剪過的。

對于LBPHFace，我想不用過多介紹，LBP簡單和效果是大家都很喜歡的，參數(shù)包括半徑radius，鄰域大小即采樣點個數(shù)neighbors，x和y方向的單元格數(shù)目grid_x,grid_y，還有兩個參數(shù)histograms為訓練數(shù)據(jù)得到的直方圖，labels為直方圖對應的標簽。這個方法也要求訓練和測試的圖像是灰度圖

接下來應該結(jié)合文檔進一步研究一下這個人臉識別類。我之前大量的人臉實驗都是在matlab下進行的，有了這個利器，我感覺會有越來越多的學生做老師和老板布置的project會選擇用OpenCV，而不是Matlab。希望我們都愛的OpenCV越來越好，越來越強大。歡迎交流

總結(jié)

以上是生活随笔為你收集整理的OpenCV学习笔记（五十四）——概述FaceRecognizer人脸识别类contrib的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。