OpenCV從2.4版本開始支持人臉識別功能，本書所用的版本是2.6.10，Python版本為3.4。OpenCV主要提供3種人臉識別算法，分別是Eigenfaces[12]、Fisherfaces[13]、Local Binary Patterns Histograms[14]（LBP，局部二值模式直方圖）。Eigenfaces和Fisherfaces都是整體特徵，而LBP則是局部特徵，可以降低特徵向量維度。OpenCV人臉識別的官方參考文檔鏈接為：http://docs.opencv.org/2.6.10/modules/contrib/doc/facerec/facerec_tutorial.html。
6.3.1 Eigenfaces
1.算法原理
假設一張圖片的尺寸為m×n像素，那麼該圖片對應一個長度為m×n的特徵向量。所以，一張200×200像素的圖片就對應了一個長度為40 000維的特徵向量。但並不是這40 000個特徵都對我們識別圖像有幫助，我們想要的是最能代表圖片信息的主要特徵向量（40 000維中的一部分維）。主成分分析（Principal Component Analysis，PCA）由Karl Pearson（1901）和Harold Hotelling（1933）提出，它將一系列相關的屬性（維）轉換成更小的不相關屬性集合（來源：OpenCV人臉識別的官方參考文檔）。一個高維度的數據中，通常只有一部分維度代表有用的信息，而PCA就能發現高維數據中的主成分（主要屬性）。PCA算法原理如下：
（1）計算數據集平均值。
（2）根據數據集平均值計算該數據集的協方差。
（3）求出協方差的特徵向量和對應的特徵值。
（4）根據特徵值降序排列特徵向量，前k個主成分就是k個最大的特徵值對應的特徵向量。
2.算法流程
整體操作步驟如下（來源：OpenCV人臉識別的官方參考文檔）。
（1）運行源碼opencv_frprocess_data文件夾下的create_csv.py文件，將圖片路徑和標籤信息保存到at.csv文件中。
（2）編譯源碼文件夾opencv_fr下的facerec_eigenfaces.cpp文件，生成可執行文件。
具體步驟如下。
1）數據預處理
（1）使用AT&T Facedatabase[15]數據庫，該數據庫包含40個人，每個人有10張圖片，其中某些人的圖片在不同時間採集，有微弱的光照變化和面部表情變化。
（2）運行源代碼opencv_frprocess_data文件夾下的create_csv.py文件，將圖片路徑和標籤信息保存到at.csv文件中。在使用之前，讀者需要修改自己的圖片路徑。
命令形式：
create_csv.py [圖片數據所在路徑，需要指定到該路徑下包含s*的文件夾]
OpenCV提供的create_csv.py文件內容如下：
2）分類識別
（1）編譯源碼文件夾opencv_fr下的facerec_eigenfaces.cpp文件，生成的可執行文件命名為FaceRec_EigenFaces.exe。
（2）使用FaceRec_EigenFaces.exe命令：
FaceRec_EigenFaces.exe [圖片列表文件] [輸出圖片的保存路徑，可選]
例：
facerec_eigenfaces.cpp文件是OpenCV官方網站提供的源程序，其內容如下：
3.算法結果
經測試，該算法能正確預測測試圖片的標籤。
輸出為：測試圖片的預測標籤，前10個特徵向量對應的特徵值如下所示。
使用了JET模式色圖的10個Eigenfaces如圖6-8所示，從這些圖中我們可以看出，Eigenfaces不僅對面部特徵進行了編碼，而且對圖片中的光照也進行了編碼（第四張圖中的右側光，第五張圖中的左側光）。
圖6-8 使用了JET模式色圖的10個Eigenfaces
使用特徵向量重新構建的人臉圖像如圖6-9所示。重新構建一個較好的人臉圖像需要多個特徵向量，從圖6-9中可以看出，10個特徵向量不足以重新構建人臉圖像。50個特徵向量可能足夠重新構建人臉圖像，對於AT&T Facedatabase來說，300個特徵向量可以重新構建一個較好的人臉圖像（來源：OpenCV人臉識別的官方參考文檔）。
圖6-9 使用特徵向量重新構建的人臉圖像
6.3.2 Fisherfaces
1.算法原理
Eigenfaces主要基於PCA實現，但是仍有一些不足，因為該PCA是無監督的，沒有考慮類間變化，如輸入數據的主要變化是光照，經過PCA處理後，該數據不再具有可區分信息（來源：OpenCV人臉識別的官方參考文檔）。
線性鑒別分析[16]（Linear Discriminant Analysis，LDA）主要是處理特定類的降維，最大化類間的離散度、最小化類內的離散度。Fisherfaces主要基於LDA實現。
2.算法流程
整體操作步驟如下。
（1）運行源碼opencv_frprocess_data文件夾下的create_csv.py文件，將圖片路徑和標籤信息保存到at.csv文件中。
（2）編譯源碼文件夾opencv_fr下的facerec_fisherfaces.cpp文件，生成可執行文件。
具體步驟如下。
1）數據預處理
同6.3.1節。
2）分類識別
編譯源碼文件夾opencv_fr下的facerec_fisherfaces.cpp文件，生成FaceRec_FisherFaces.exe可執行文件。
FaceRec_FisherFaces.exe命令：
FaceRec_FisherFaces.exe [圖片列表文件] [輸出圖片的保存路徑，可選]
例：
facerec_fisherfaces.cpp文件是OpenCV官方網站提供的源程序，其內容如下：
3.算法結果
經測試，本算法能正確預測測試圖片的標籤。
輸出為：測試圖片的預測標籤，此處只輸出了前16個類別的特徵值，如下所示。
輸出16個類的Fisherface如圖6-10所示，輸出16個類的Fisherface重新構建後的圖像如圖6-11所示。
圖6-10 16個類的Fisherface
圖6-11 16個類的Fisherface重新構建後的圖像
6.3.3 Local Binary Patterns Histograms
1.算法原理
Eigenfaces和Fisherfaces考慮的是整體特徵，Eigenfaces最大化整體離散度，由於數據內部變化可能會導致分類識別，如光照變化等；為了保留類間可區分信息，於是就有了基於LDA實現的Fisherfaces，在特定場景下，它優於Eigenfaces。
Local Binary Patterns Histograms的主要思想是：通過比較圖片中像素和與它相鄰的像素對局部進行求和。取一個像素作為中心，對相鄰的像素進行比較，如果中心像素的值大於或等於相鄰像素的值，則把該相鄰像素標為1，否則標為0。對於圖片中的每個像素，會得到一個二進制序列，如00001111。一個中心像素周圍的8個像素，可以得到28種組合，這種方法稱為LBP或LBP編碼。
為了具有尺度不變性，使用一個給定半徑的圓來定義近鄰，這種方法稱為擴展LBP。
2.算法流程
整體操作步驟如下。
（1）運行源碼opencv_frprocess_data文件夾下的create_csv.py文件，將圖片路徑和標籤信息保存到at.csv文件中。
（2）編譯源碼文件夾opencv_fr下的facerec_lbph.cpp文件，生成可執行文件。
具體步驟如下。
1）數據預處理
同6.3.1節。
2）分類識別
編譯源碼文件夾opencv_fr下的facerec_lbph.cpp文件，假設生成FaceRec_LBPH.exe可執行文件。
FaceRec_LBPH.exe命令：
FaceRec_LBPH.exe [圖片列表文件] [輸出圖片的保存路徑，可選]
例：
FaceRec_LBPH.exe F:paperbookcodeopencv_frprocess_dataat. csv
facerec_lbph.cpp文件是OpenCV官方網站提供的源程序，其內容如下：
3.算法結果
經測試，該算法能正確預測測試圖片中的標籤。
輸出為：測試圖片的預測標籤，模型信息如下所示。
