人臉識(shí)別算法是指在檢測(cè)到人臉并定位面部關(guān)鍵特征點(diǎn)之后，主要的人臉區(qū)域就可以被裁剪出來，經(jīng)過預(yù)處理之后，饋入后端的識(shí)別算法。識(shí)別算法要完成人臉特征的提取，并與庫存的已知人臉進(jìn)行比對(duì)，完成最終的分類。人臉識(shí)別算法的原理：系統(tǒng)輸入一張或者一系列含有未確定身份的人臉圖像，以及人臉數(shù)據(jù)庫中的若干已知身份的人臉圖象或者相應(yīng)的編碼，而其輸出則是一系列相似度得分，表明待識(shí)別的人臉的身份。

本教程操作環(huán)境：windows7系統(tǒng)、Dell G3電腦。

人臉識(shí)別（Facial Recognition），就是通過視頻采集設(shè)備獲取用戶的面部圖像，再利用核心的算法對(duì)其臉部的五官位置、臉型和角度進(jìn)行計(jì)算分析，進(jìn)而和自身數(shù)據(jù)庫里已有的范本進(jìn)行比對(duì)，后判斷出用戶的真實(shí)身份。

人臉識(shí)別算法是指在檢測(cè)到人臉并定位面部關(guān)鍵特征點(diǎn)之后，主要的人臉區(qū)域就可以被裁剪出來，經(jīng)過預(yù)處理之后，饋入后端的識(shí)別算法。識(shí)別算法要完成人臉特征的提取，并與庫存的已知人臉進(jìn)行比對(duì)，完成最終的分類。

人臉識(shí)別的算法有 4 種：基于人臉特征點(diǎn)的識(shí)別算法、基于整幅 人臉圖像的識(shí)別算法、基于模板的識(shí)別算法、利用神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別的算法。

人臉識(shí)別算法的原理：

系統(tǒng)輸入一般是一張或者一系列含有未確定身份的人臉圖像，以及人臉數(shù)據(jù)庫中的若干已知身份的人臉圖象或者相應(yīng)的編碼，而其輸出則是一系列相似度得分，表明待識(shí)別的人臉的身份。

人臉識(shí)別的三個(gè)經(jīng)典算法

1、Eigenfaces（特征臉）算法

Eigenfaces是在人臉識(shí)別的計(jì)算機(jī)視覺問題中使用的一組特征向量的名稱，Eigenfaces是基于PCA（主成分分析）的，所以學(xué)習(xí)Eigenfaces需要我們了解PCA的原理。

基本思想

主成分分析（PCA）是一種矩陣的壓縮算法，在減少矩陣維數(shù)的同時(shí)盡可能的保留原矩陣的信息，簡(jiǎn)單來說就是將 n×m的矩陣轉(zhuǎn)換成n×k的矩陣，僅保留矩陣中所存在的主要特性，從而可以大大節(jié)省空間和數(shù)據(jù)量。PCA的實(shí)現(xiàn)需要進(jìn)行降維，也就是將矩陣進(jìn)行變換，從更高的維度降到低的維度，然而PCA的降維離不開協(xié)方差矩陣。方差是描述一維數(shù)據(jù)樣本本身相對(duì)于均值的偏離程度，是一種用來度量?jī)蓚€(gè)隨機(jī)變量關(guān)系的統(tǒng)計(jì)量，從角度來說，其夾角越小，值越大，方向越相近，也就是越正相關(guān)。協(xié)方差矩陣度量除了是兩個(gè)隨機(jī)變量的關(guān)系外，還是維度與維度之間的關(guān)系，而非樣本與樣本之間的關(guān)系。

學(xué)習(xí)一種新的東西，尤其是知識(shí)，我們需要了解知識(shí)中的思想。我在了解和學(xué)習(xí)Eigenface算法時(shí)它的思想是圖像識(shí)別首先要選擇一個(gè)合適的子空間，將所有的圖像集中到這個(gè)子空間中，然后在這個(gè)子空間中衡量相似性或者進(jìn)行分類學(xué)習(xí)，再講子空間變換到另一個(gè)空間中，這樣的作用一是同一個(gè)類別的圖像離得更近，二是不同的類別的圖像會(huì)離得比較遠(yuǎn)；這樣經(jīng)過線性分類分開的圖像在新空間就能容易分開。同時(shí)特征臉技術(shù)會(huì)尋找人臉圖像分布的基本元素，即人臉圖像樣本集協(xié)方差矩陣的特征向量，以此來表征人臉圖像。人臉圖像的基本元素有很多，比如眼、面頰、唇等基本元素，這些特征向量在特征臉的圖像空間中對(duì)應(yīng)生成的子空間被稱為子臉空間。
生成了子空間之后就要進(jìn)行空間構(gòu)造，那么如何進(jìn)行空間構(gòu)造呢？首先要尋找人臉的共性，其次是要尋找個(gè)體與共性的差異，還有就是要明白共性其實(shí)是空間，個(gè)體就是向量。利用協(xié)方差矩陣把目標(biāo)集中所有人臉圖像的特征值進(jìn)行分解，得到對(duì)應(yīng)的特征向量，這些特征向量就是“特征臉”。尋找特征向量的特性，將其進(jìn)行線性組合。在以每一個(gè)特征子臉為基的空間，每個(gè)人臉就是一個(gè)點(diǎn)，這個(gè)點(diǎn)的坐標(biāo)就是每一個(gè)人臉在每個(gè)特征基下的的投影坐標(biāo)。

Eigenfaces算法過程

• 獲得人臉圖像數(shù)據(jù)，將每一個(gè)人臉圖像矩陣按行串成一維，每個(gè)人臉就是一個(gè)向量；

• 將M個(gè)人臉在對(duì)應(yīng)維度上加起來，然后求平均得到“平均臉”；

• 將每個(gè)圖像都減去平均臉向量；

• 計(jì)算協(xié)方差矩陣；

• 運(yùn)用Eigenfaces記性人臉識(shí)別；

算法實(shí)踐過程;

• 訓(xùn)練圖像

• 求出平均臉

• 獲得特征子臉

• 進(jìn)行圖像重構(gòu)

• 尋找相似度高的人臉圖像。

2、FisherFace算法

FisherFace是Fisher線性判別在人臉識(shí)別的應(yīng)用。線性判別分析（LDA）算法思想最早由英國統(tǒng)計(jì)與遺傳學(xué)家，現(xiàn)代統(tǒng)計(jì)科學(xué)的奠基人之一羅納德*費(fèi)舍爾(Ronald)提出。LDA算法使用統(tǒng)計(jì)學(xué)方法，嘗試找到物體間特征的一個(gè)線性組合，在降維的同時(shí)考慮類別信息。通過該算法得到的線性組合可以用來作為一個(gè)線性分類器或者實(shí)現(xiàn)降維。

基本思想

線性判別分析的基本思想是：將高維的模式樣本投影到低維最佳矢量空間，以達(dá)到抽取重要分類信息和壓縮特征空間維度的效果，投影后保證模式樣本在新的子空間有最大的類間距離、最小的類內(nèi)距離，即模式在該空間中有最佳的可分離性。理論和特征臉里用到的Eigenfaces有相似之處，都是對(duì)原有數(shù)據(jù)進(jìn)行整體降維映射到低維空間的方法，fisherfaces和Eigenfaces都是從數(shù)據(jù)整體入手而不同于LBP提取局部紋理特征。

對(duì)降維后的樣本使用Fisher線性判別方法，確定一個(gè)最優(yōu)的投影方向，構(gòu)造一個(gè)一維的體征空間，將多維的人臉圖像投影到 fisherfaces特征空間，利用類內(nèi)樣本數(shù)據(jù)形成一組特征向量，這組特征向量就代表了人臉的特征。

我們知道，該算法是在樣本數(shù)據(jù)映射到另外一個(gè)特征空間后，將類內(nèi)距離最小化，類間距離最大化。LDA算法可以用作降維，該算法的原理和PCA算法很相似，因此LDA算法也同樣可以用在人臉識(shí)別領(lǐng)域。通過使用PCA算法來進(jìn)行人臉識(shí)別的算法稱為特征臉法，而使用LDA算法進(jìn)行人臉識(shí)別的算法稱為費(fèi)舍爾臉法。

LDA和PCA相比：

• 相同：1、在降維的時(shí)候，兩者都使用了矩陣的特征分解思想；2、兩者都假設(shè)數(shù)據(jù)符合高斯分布。
• 不同：1、LDA是有監(jiān)督的降維方法，而PCA是無監(jiān)督的。2、如果說數(shù)據(jù)是k維的，那么LDA只能降到(k-1)維度，而PCA不受此限制。3、從數(shù)學(xué)角度來看，LDA選擇分類性能最好的投影方向，而PCA選擇樣本投影點(diǎn)具有最大方差的方向。

Fisherfaces算法和Eigenfaces算法相比：

• 相同：兩者均可以對(duì)數(shù)據(jù)進(jìn)行降維；兩者在降維時(shí)均使用了矩陣特征分解的思想。

• 不同：Fisherfaces是有監(jiān)督的降維方法，而是Eigenfaces無監(jiān)督的降維方法；Fisherfaces除了可以用于降維，還可以用于分類。

值得一提的是，F(xiàn)isherFace算法識(shí)別的錯(cuò)誤率低于哈佛和耶魯人臉數(shù)據(jù)庫測(cè)試的Eigenfaces識(shí)別結(jié)果。

Fisherface算法流程

• 獲得人臉圖像數(shù)據(jù)，然后求出人臉的均值。

• 觀察各個(gè)人臉的特征值。

• 進(jìn)行人臉鑒定，觀察人臉特征，判斷是否是個(gè)人。

• 最后進(jìn)行人臉識(shí)別。

3、LBPH（Local Binary Patter Histogram）算法

Local Binary Patterns Histograms即LBP特征的統(tǒng)計(jì)直方圖，LBPH將LBP（局部二值編碼）特征與圖像的空間信息結(jié)合在一起。如果直接使用LBP編碼圖像用于人臉識(shí)別。其實(shí)和不提取LBP特征區(qū)別不大，因此在實(shí)際的LBP應(yīng)用中，一般采用LBP編碼圖像的統(tǒng)計(jì)直方圖作為特征向量進(jìn)行分類識(shí)別。

原始的LBP算子定義為在33的窗口內(nèi)，以窗口中心像素為閾值，將相鄰的8個(gè)像素的灰度值與其進(jìn)行比較，若周圍像素值大于或等于中心像素值，則該像素點(diǎn)的位置被標(biāo)記為1，否則為0。這樣，33鄰域內(nèi)的8個(gè)點(diǎn)經(jīng)比較可產(chǎn)生8位二進(jìn)制數(shù)（通常轉(zhuǎn)換為十進(jìn)制數(shù)即LBP碼，共256種），即得到該窗口中心像素點(diǎn)的LBP值，并用這個(gè)值來反映該區(qū)域的紋理特征。

LBPH的維度： 采樣點(diǎn)為8個(gè)，如果用的是原始的LBP或Extended LBP特征，其LBP特征值的模式為256種，則一幅圖像的LBP特征向量維度為：64256=16384維，而如果使用的UniformPatternLBP特征，其LBP值的模式為59種，其特征向量維度為：6459=3776維，可以看出，使用等價(jià)模式特征，其特征向量的維度大大減少，這意味著使用機(jī)器學(xué)習(xí)方法進(jìn)行學(xué)習(xí)的時(shí)間將大大減少，而性能上沒有受到很大影響。

基本思想

建立在LBPH基礎(chǔ)上的人臉識(shí)別法基本思想如下：首先以每個(gè)像素為中心，判斷與周圍像素灰度值大小關(guān)系，對(duì)其進(jìn)行二進(jìn)制編碼，從而獲得整幅圖像的LBP編碼圖像；再將LBP圖像分為個(gè)區(qū)域，獲取每個(gè)區(qū)域的LBP編碼直方圖，繼而得到整幅圖像的LBP編碼直方圖，通過比較不同人臉圖像LBP編碼直方圖達(dá)到人臉識(shí)別的目的，其優(yōu)點(diǎn)是不會(huì)受到光照、縮放、旋轉(zhuǎn)和平移的影響。

LBPH算法“人”如其名，采用的識(shí)別方法是局部特征提取的方法，這是與前兩種方法的最大區(qū)別。

LBPH 算法流程

• LBP特征提?。焊鶕?jù)上述的均勻LBP算子處理原始圖像；

• LBP特征匹配（計(jì)算直方圖）：將圖像分為若干個(gè)的子區(qū)域，并在子區(qū)域內(nèi)根據(jù)LBP值統(tǒng)計(jì)其直方圖，以直方圖作為其判別特征。

4、算法的復(fù)現(xiàn)代碼

1）、EigenFaces算法

#encoding=utf-8 import numpy as np import cv2 import os   class EigenFace(object):     def __init__(self,threshold,dimNum,dsize):         self.threshold = threshold # 閾值暫未使用         self.dimNum = dimNum         self.dsize = dsize       def loadImg(self,fileName,dsize):         '''         載入圖像，灰度化處理，統(tǒng)一尺寸，直方圖均衡化         :param fileName: 圖像文件名         :param dsize: 統(tǒng)一尺寸大小。元組形式         :return: 圖像矩陣         '''         img = cv2.imread(fileName)         retImg = cv2.resize(img,dsize)         retImg = cv2.cvtColor(retImg,cv2.COLOR_RGB2GRAY)         retImg = cv2.equalizeHist(retImg)         # cv2.imshow('img',retImg)         # cv2.waitKey()         return retImg         def createImgMat(self,dirName):         '''         生成圖像樣本矩陣，組織形式為行為屬性，列為樣本         :param dirName: 包含訓(xùn)練數(shù)據(jù)集的圖像文件夾路徑         :return: 樣本矩陣，標(biāo)簽矩陣         '''         dataMat = np.zeros((10,1))         label = []         for parent,dirnames,filenames in os.walk(dirName):             # print parent             # print dirnames             # print filenames             index = 0             for dirname in dirnames:                 for subParent,subDirName,subFilenames in os.walk(parent+'/'+dirname):                     for filename in subFilenames:                         img = self.loadImg(subParent+'/'+filename,self.dsize)                         tempImg = np.reshape(img,(-1,1))                         if index == 0 :                             dataMat = tempImg                         else:                             dataMat = np.column_stack((dataMat,tempImg))                         label.append(subParent+'/'+filename)                         index += 1         return dataMat,label         def PCA(self,dataMat,dimNum):         '''         PCA函數(shù)，用于數(shù)據(jù)降維         :param dataMat: 樣本矩陣         :param dimNum: 降維后的目標(biāo)維度         :return: 降維后的樣本矩陣和變換矩陣         '''         # 均值化矩陣         meanMat = np.mat(np.mean(dataMat,1)).T         print '平均值矩陣維度',meanMat.shape         diffMat = dataMat-meanMat         # 求協(xié)方差矩陣，由于樣本維度遠(yuǎn)遠(yuǎn)大于樣本數(shù)目，所以不直接求協(xié)方差矩陣，采用下面的方法         covMat = (diffMat.T*diffMat)/float(diffMat.shape[1]) # 歸一化         #covMat2 = np.cov(dataMat,bias=True)         #print '基本方法計(jì)算協(xié)方差矩陣為',covMat2         print '協(xié)方差矩陣維度',covMat.shape         eigVals, eigVects = np.linalg.eig(np.mat(covMat))         print '特征向量維度',eigVects.shape         print '特征值',eigVals         eigVects = diffMat*eigVects         eigValInd = np.argsort(eigVals)         eigValInd = eigValInd[::-1]         eigValInd = eigValInd[:dimNum] # 取出指定個(gè)數(shù)的前n大的特征值         print '選取的特征值',eigValInd         eigVects = eigVects/np.linalg.norm(eigVects,axis=0) #歸一化特征向量         redEigVects = eigVects[:,eigValInd]         print '選取的特征向量',redEigVects.shape         print '均值矩陣維度',diffMat.shape         lowMat = redEigVects.T*diffMat         print '低維矩陣維度',lowMat.shape         return lowMat,redEigVects       def compare(self,dataMat,testImg,label):         '''         比較函數(shù)，這里只是用了最簡(jiǎn)單的歐氏距離比較，還可以使用KNN等方法，如需修改修改此處即可         :param dataMat: 樣本矩陣         :param testImg: 測(cè)試圖像矩陣，最原始形式         :param label: 標(biāo)簽矩陣         :return: 與測(cè)試圖片最相近的圖像文件名         '''         testImg = cv2.resize(testImg,self.dsize)         testImg = cv2.cvtColor(testImg,cv2.COLOR_RGB2GRAY)         testImg = np.reshape(testImg,(-1,1))         lowMat,redVects = self.PCA(dataMat,self.dimNum)         testImg = redVects.T*testImg         print '檢測(cè)樣本變換后的維度',testImg.shape         disList = []         testVec = np.reshape(testImg,(1,-1))         for sample in lowMat.T:             disList.append(np.linalg.norm(testVec-sample))         print disList         sortIndex = np.argsort(disList)         return label[sortIndex[0]]         def predict(self,dirName,testFileName):         '''         預(yù)測(cè)函數(shù)         :param dirName: 包含訓(xùn)練數(shù)據(jù)集的文件夾路徑         :param testFileName: 測(cè)試圖像文件名         :return: 預(yù)測(cè)結(jié)果         '''         testImg = cv2.imread(testFileName)         dataMat,label = self.createImgMat(dirName)         print '加載圖片標(biāo)簽',label         ans = self.compare(dataMat,testImg,label)         return ans     if __name__ == '__main__':     eigenface = EigenFace(20,50,(50,50))     print eigenface.predict('d:/face','D:/face_test/1.bmp')

2）、FisherFaces算法

#encoding=utf-8 import numpy as np import cv2 import os   class FisherFace(object):     def __init__(self,threshold,k,dsize):         self.threshold = threshold # 閾值，暫未使用         self.k = k         # 指定投影w的個(gè)數(shù)         self.dsize = dsize # 統(tǒng)一尺寸大小       def loadImg(self,fileName,dsize):         '''         載入圖像，灰度化處理，統(tǒng)一尺寸，直方圖均衡化         :param fileName: 圖像文件名         :param dsize: 統(tǒng)一尺寸大小。元組形式         :return: 圖像矩陣         '''         img = cv2.imread(fileName)         retImg = cv2.resize(img,dsize)         retImg = cv2.cvtColor(retImg,cv2.COLOR_RGB2GRAY)         retImg = cv2.equalizeHist(retImg)         # cv2.imshow('img',retImg)         # cv2.waitKey()         return retImg       def createImgMat(self,dirName):         '''         生成圖像樣本矩陣，組織形式為行為屬性，列為樣本         :param dirName: 包含訓(xùn)練數(shù)據(jù)集的圖像文件夾路徑         :return: 包含樣本矩陣的列表，標(biāo)簽列表         '''         dataMat = np.zeros((10,1))         label = []         dataList = []         for parent,dirnames,filenames in os.walk(dirName):             # print parent             # print dirnames             # print filenames             #index = 0             for dirname in dirnames:                 for subParent,subDirName,subFilenames in os.walk(parent+'/'+dirname):                     for index,filename in enumerate(subFilenames):                         img = self.loadImg(subParent+'/'+filename,self.dsize)                         tempImg = np.reshape(img,(-1,1))                         if index == 0 :                             dataMat = tempImg                         else:                             dataMat = np.column_stack((dataMat,tempImg))                 dataList.append(dataMat)                 label.append(subParent)         return dataList,label       def LDA(self,dataList,k):         '''         多分類問題的線性判別分析算法         :param dataList: 樣本矩陣列表         :param k: 投影向量k的個(gè)數(shù)         :return: 變換后的矩陣列表和變換矩陣         '''         n = dataList[0].shape[0]         W = np.zeros((n,self.k))         Sw = np.zeros((n,n))         Sb = np.zeros((n,n))         u = np.zeros((n,1))         N = 0         meanList = []         sampleNum = []           for dataMat in dataList:             meanMat = np.mat(np.mean(dataMat,1)).T             meanList.append(meanMat)             sampleNum.append(dataMat.shape[1])               dataMat = dataMat-meanMat             sw = dataMat*dataMat.T             Sw += sw         print 'Sw的維度',Sw.shape           for index,meanMat in enumerate(meanList):             m = sampleNum[index]             u += m*meanMat             N += m         u = u/N         print 'u的維度',u.shape           for index,meanMat in enumerate(meanList):             m = sampleNum[index]             sb = m*(meanMat-u)*(meanMat-u).T             Sb += sb         print 'Sb的維度',Sb.shape           eigVals, eigVects = np.linalg.eig(np.mat(np.linalg.inv(Sw)*Sb))         eigValInd = np.argsort(eigVals)         eigValInd = eigValInd[::-1]         eigValInd = eigValInd[:k] # 取出指定個(gè)數(shù)的前k大的特征值         print '選取的特征值',eigValInd.shape         eigVects = eigVects/np.linalg.norm(eigVects,axis=0) #歸一化特征向量         redEigVects = eigVects[:,eigValInd]         print '變換矩陣維度',redEigVects.shape           transMatList = []         for dataMat in dataList:             transMatList.append(redEigVects.T*dataMat)         return transMatList,redEigVects       def compare(self,dataList,testImg,label):         '''         比較函數(shù)，這里只是用了最簡(jiǎn)單的歐氏距離比較，還可以使用KNN等方法，如需修改修改此處即可         :param dataList: 樣本矩陣列表         :param testImg: 測(cè)試圖像矩陣，最原始形式         :param label: 標(biāo)簽矩陣         :return: 與測(cè)試圖片最相近的圖像文件夾，也就是類別         '''         testImg = cv2.resize(testImg,self.dsize)         testImg = cv2.cvtColor(testImg,cv2.COLOR_RGB2GRAY)         testImg = np.reshape(testImg,(-1,1))         transMatList,redVects = fisherface.LDA(dataList,self.k)         testImg = redVects.T*testImg         print '檢測(cè)樣本變換后的維度',testImg.shape         disList = []         testVec = np.reshape(testImg,(1,-1))         sumVec = np.mat(np.zeros((self.dsize[0]*self.dsize[1],1)))         for transMat in transMatList:             for sample in transMat.T:                 disList.append( np.linalg.norm(testVec-sample))         print disList         sortIndex = np.argsort(disList)         return label[sortIndex[0]/9]       def predict(self,dirName,testFileName):         '''         預(yù)測(cè)函數(shù)         :param dirName: 包含訓(xùn)練數(shù)據(jù)集的文件夾路徑         :param testFileName: 測(cè)試圖像文件名         :return: 預(yù)測(cè)結(jié)果         '''         testImg = cv2.imread(testFileName)         dataMat,label = self.createImgMat(dirName)         print '加載圖片標(biāo)簽',label         ans = self.compare(dataMat,testImg,label)         return ans   if __name__=="__main__":         fisherface = FisherFace(10,20,(20,20))     ans = fisherface.predict('d:/face','d:/face_test/8.bmp')     print ans

3）、LBPH算法

#encoding=utf-8 import numpy as np import os import cv2   class LBP(object):     def __init__(self,threshold,dsize,blockNum):         self.dsize = dsize # 統(tǒng)一尺寸大小         self.blockNum = blockNum # 分割塊數(shù)目         self.threshold = threshold # 閾值，暫未使用       def loadImg(self,fileName,dsize):         '''         載入圖像，灰度化處理，統(tǒng)一尺寸，直方圖均衡化         :param fileName: 圖像文件名         :param dsize: 統(tǒng)一尺寸大小。元組形式         :return: 圖像矩陣         '''         img = cv2.imread(fileName)         retImg = cv2.resize(img,dsize)         retImg = cv2.cvtColor(retImg,cv2.COLOR_RGB2GRAY)         retImg = cv2.equalizeHist(retImg)         # cv2.imshow('img',retImg)         # cv2.waitKey()         return retImg       def loadImagesList(self,dirName):         '''         加載圖像矩陣列表         :param dirName:文件夾路徑         :return: 包含最原始的圖像矩陣的列表和標(biāo)簽矩陣         '''         imgList = []         label = []         for parent,dirnames,filenames in os.walk(dirName):             # print parent             # print dirnames             # print filenames             for dirname in dirnames:                 for subParent,subDirName,subFilenames in os.walk(parent+'/'+dirname):                     for filename in subFilenames:                         img = self.loadImg(subParent+'/'+filename,self.dsize)                         imgList.append(img) # 原始圖像矩陣不做任何處理，直接加入列表                         label.append(subParent+'/'+filename)         return imgList,label         def getHopCounter(self,num):         '''         計(jì)算二進(jìn)制序列是否只變化兩次         :param num: 數(shù)字         :return: 01變化次數(shù)         '''         binNum = bin(num)         binStr = str(binNum)[2:]         n = len(binStr)         if n < 8:             binStr = "0"*(8-n)+binStr         n = len(binStr)         counter = 0         for i in range(n):             if i != n-1:                 if binStr[i+1] != binStr[i]:                     counter += 1             else:                 if binStr[0] != binStr[i]:                     counter += 1         return counter       def createTable(self):         '''         生成均勻?qū)?yīng)字典         :return: 均勻LBP特征對(duì)應(yīng)字典         '''         self.table = {}         temp = 1         print type(temp)         for i in range(256):             if self.getHopCounter(i) <= 2:                 self.table[i] = temp                 temp += 1             else:                 self.table[i] = 0         return self.table       def getLBPfeature(self,img):         '''         計(jì)算LBP特征         :param img:圖像矩陣         :return: LBP特征圖         '''         m = img.shape[0];n = img.shape[1]         neighbor = [0]*8         featureMap = np.mat(np.zeros((m,n)))         for y in xrange(1,m-1):             for x in xrange(1,n-1):                 neighbor[0] = img[y-1,x-1]                 neighbor[1] = img[y-1,x]                 neighbor[2] = img[y-1,x+1]                 neighbor[3] = img[y,x+1]                 neighbor[4] = img[y+1,x+1]                 neighbor[5] = img[y+1,x]                 neighbor[6] = img[y+1,x-1]                 neighbor[7] = img[y,x-1]                 center = img[y,x]                 temp = 0                 for k in range(8):                     temp += (neighbor[k] >= center)*(1<<k)                 featureMap[y,x] = self.table[temp]         featureMap = featureMap.astype('uint8') # 數(shù)據(jù)類型轉(zhuǎn)換為無符號(hào)8位型，如不轉(zhuǎn)換則默認(rèn)為float64位，影響最終效果         return featureMap       def calcHist(self,roi):         '''         計(jì)算直方圖         :param roi:圖像區(qū)域         :return: 直方圖矩陣         '''         hist = cv2.calcHist([roi],[0],None,[59],[0,256]) # 第四個(gè)參數(shù)是直方圖的橫坐標(biāo)數(shù)目，經(jīng)過均勻化降維后這里一共有59種像素         return hist       def compare(self,sampleImg,testImg):         '''         比較函數(shù)，這里使用的是歐氏距離排序，也可以使用KNN，在此處更改         :param sampleImg: 樣本圖像矩陣         :param testImg: 測(cè)試圖像矩陣         :return: k2值         '''         testImg = cv2.resize(testImg,self.dsize)         testImg = cv2.cvtColor(testImg,cv2.COLOR_RGB2GRAY)         testFeatureMap = self.getLBPfeature(testImg)         sampleFeatureMap = self.getLBPfeature(sampleImg)         # 計(jì)算步長，分割整個(gè)圖像為小塊         ystep = self.dsize[0]/self.blockNum         xstep = self.dsize[1]/self.blockNum         k2 = 0         for y in xrange(0,self.dsize[0],ystep):             for x in xrange(0,self.dsize[1],xstep):                 testroi = testFeatureMap[y:y+ystep,x:x+xstep]                 sampleroi =sampleFeatureMap[y:y+ystep,x:x+xstep]                 testHist = self.calcHist(testroi)                 sampleHist = self.calcHist(sampleroi)                 k2 += np.sum((sampleHist-testHist)**2)/np.sum((sampleHist+testHist))         print 'k2的值為',k2         return k2       def predict(self,dirName,testImgName):         '''         預(yù)測(cè)函數(shù)         :param dirName:樣本圖像文件夾路徑         :param testImgName: 測(cè)試圖像文件名         :return: 最相近圖像名稱         '''         table = self.createTable()         testImg = cv2.imread(testImgName)         imgList,label = self.loadImagesList(dirName)         k2List = []         for img in imgList:             k2 = self.compare(img,testImg)             k2List.append(k2)         order = np.argsort(k2List)         return label[order[0]]   if __name__ == "__main__":       lbp = LBP(20,(50,50),5)     ans = lbp.predict('d:/face','d:/face_test/9.bmp')     print ans

擴(kuò)展知識(shí)：人臉識(shí)別算法研究的難點(diǎn)

人臉識(shí)別算法研究已久，在背景簡(jiǎn)單的情形下，大部分算法都能很好的處理。但是，人臉識(shí)別的應(yīng)用范圍頗廣，僅是簡(jiǎn)單圖像測(cè)試，是遠(yuǎn)遠(yuǎn)不能滿足現(xiàn)實(shí)需求的。所以人臉識(shí)別算法還是存在很多的難點(diǎn)。

光照

光照問題是機(jī)器視覺中的老問題，在人臉識(shí)別中的表現(xiàn)尤為明顯，算法未能達(dá)到使用的程度。

姿態(tài)

與光照問題類似，姿態(tài)問題也是人臉識(shí)別研究中需要解決的一個(gè)技術(shù)難點(diǎn)。針對(duì)姿態(tài)的研究相對(duì)比較少，多數(shù)的人臉識(shí)別算法主要是針對(duì)正面，或接近正面的人臉圖像，當(dāng)發(fā)生俯仰或者左右側(cè)而比較厲害的情況下，人臉識(shí)別算法的識(shí)別率也將會(huì)急劇下降。

遮擋

對(duì)于非配合情況下的人臉圖像采集，遮擋問題是一個(gè)非常嚴(yán)重的問題，特別是在監(jiān)控環(huán)境下，往往被監(jiān)控對(duì)象都會(huì)帶著眼鏡﹑帽子等飾物，使得被采集出來的人臉圖像有可能不完整，從而影響了后面的特征提取與識(shí)別，甚至?xí)?dǎo)致人臉識(shí)別算法的失效。

年齡變化

隨著年齡的變化，面部外觀也在變化，特別是對(duì)于青少年，這種變化更加的明顯。對(duì)于不同的年齡段，人臉識(shí)別算法的識(shí)別率也不同。

圖像質(zhì)量

人臉圖像的來源可能多種多樣，由于采集設(shè)備的不同，得到的人臉圖像質(zhì)量也不同，特別是對(duì)于那些低分辨率﹑噪聲大﹑質(zhì)量差的人臉圖像如何進(jìn)行有效的人臉識(shí)別是個(gè)需要關(guān)注的問題。同樣的，對(duì)于高分辨圖像，對(duì)人臉識(shí)別算法的影響也需要進(jìn)一步研究。

樣本缺乏

基于統(tǒng)計(jì)學(xué)習(xí)的人臉識(shí)別算法是人臉識(shí)別領(lǐng)域中的主流算法，但是統(tǒng)計(jì)學(xué)習(xí)方法需要大量的培訓(xùn)。由于人臉圖像在高維空間中的分布是一個(gè)不規(guī)則的流行分布，能得到的樣本只是對(duì)人臉圖像空間中的一個(gè)極小部分的采樣，如何解決小樣本下的統(tǒng)計(jì)學(xué)習(xí)問題有待進(jìn)一步的研究。

大量數(shù)據(jù)

傳統(tǒng)人臉識(shí)別算法如PCA、LDA等在小規(guī)模數(shù)據(jù)中可以很容易進(jìn)行訓(xùn)練學(xué)習(xí)。但是對(duì)于大量數(shù)據(jù)，這些方法其訓(xùn)練過程難以進(jìn)行，甚至有可能崩潰。

大規(guī)模人臉識(shí)別

隨著人臉數(shù)據(jù)庫規(guī)模的增長，人臉?biāo)惴ǖ男阅軐⒊尸F(xiàn)下降。