应用PCA算法提取特征脸，重构人脸图像，并利用SVM算法进行人脸识别

「爱情、让人受尽委屈。」 2022-05-28 13:07 226阅读 0赞

//--应用PCA进行特征提取，并重构人脸图像--//
    
    #include<highgui.h>
    #include<cv.h>
    #include<windows.h>
    #include<iostream>
    #include<stdio.h>
    #include<cxcore.h>
    #include<ml.h>
    
    using namespace cv;
    using namespace std;
    
    char adr[100];
    vector<Mat>pFrameMat;
    Mat pDataMat;
    CvMat *pData;    
    CvMat *pAvgMat;
    CvMat *pEigValueMat;
    CvMat *pEigVectorMat;
    
    float labels[200];
    CvMat labelsMat; 
    
    Mat ReadFaces(const vector<Mat>&pSrcImage,int pType);
    vector<Mat> LoadFacesSample();
    Mat NormImage_0_255(const Mat&pFrame);
    
    
    int main(int argc,char**argv)
    {
    	cvNamedWindow("原始人脸图像",CV_WINDOW_AUTOSIZE);
    	cvNamedWindow("平均脸图像",CV_WINDOW_AUTOSIZE);
    	cvNamedWindow("主成分1人脸图像",CV_WINDOW_AUTOSIZE);
    	cvNamedWindow("主成分2人脸图像",CV_WINDOW_AUTOSIZE);
    	cvNamedWindow("重构人脸图像1",CV_WINDOW_AUTOSIZE);
    	cvNamedWindow("重构人脸图像2",CV_WINDOW_AUTOSIZE);
    	cvNamedWindow("重构人脸图像3",CV_WINDOW_AUTOSIZE);
    
    	IplImage *pImage =cvLoadImage("F:\\人脸识别\\ORL人脸数据库\\s1\\1.bmp",CV_LOAD_IMAGE_ANYDEPTH | CV_LOAD_IMAGE_ANYCOLOR);
    
    	for(int i=0;i<200;i++)
    	{
    		labels[i] =(float)(i/5);		        	
    	}
    	labelsMat =cvMat(200,1,CV_32FC1,labels);   //所有训练人脸样本数据的分类标记，共40类，0-39
    
    	pFrameMat =LoadFacesSample();    //获取所有人脸样本组成的矩阵
    	pDataMat =ReadFaces(pFrameMat,CV_32FC1);    //获取每个人脸样本转换成列向量的图像矩阵
    
    	CvMat *pData =cvCreateMat(pDataMat.rows,pDataMat.cols,CV_32FC1);   //转换后的所有人脸样本的矩阵
    	CvMat *pAvgMat =cvCreateMat(1,pDataMat.cols,CV_32FC1);   //所有人脸样本的平均向量
    	CvMat *pEigValueMat =cvCreateMat(1,min(pDataMat.rows,pDataMat.cols),CV_32FC1);   //人脸样本的特征值
    	CvMat *pEigVectorMat =cvCreateMat(min(pDataMat.rows,pDataMat.cols),pDataMat.cols,CV_32FC1);  //人脸样本的特征向量
    	CvMat temp =pDataMat;
    	cvCopy(&temp,pData);   //将Mat类型的图像矩阵转换成CvMat类型
    	cvCalcPCA( pData, pAvgMat, pEigValueMat, pEigVectorMat, CV_PCA_DATA_AS_ROW );   //计算出平均脸，特征值，特征向量
    	CvMat *pEigResults1 =cvCreateMat(pDataMat.rows,50,CV_32FC1);   //选取前50个特征向量
    	CvMat *pEigResults2 =cvCreateMat(pDataMat.rows,100,CV_32FC1);   //选取前100个特征向量
    	CvMat *pEigResults3 =cvCreateMat(pDataMat.rows,150,CV_32FC1); //选取前150个特征向量
    	cvProjectPCA( pData,pAvgMat,pEigVectorMat,pEigResults1);  
    	cvProjectPCA( pData,pAvgMat,pEigVectorMat,pEigResults2); 
    	cvProjectPCA( pData,pAvgMat,pEigVectorMat,pEigResults3);   //计算PCA变换后的投影系数(降维的人脸样本) 系数个数=特征向量个数
    	CvMat *pReconMat1=cvCreateMat(pDataMat.rows,pDataMat.cols,CV_32FC1);
    	CvMat *pReconMat2=cvCreateMat(pDataMat.rows,pDataMat.cols,CV_32FC1);
    	CvMat *pReconMat3=cvCreateMat(pDataMat.rows,pDataMat.cols,CV_32FC1);
    	cvBackProjectPCA( pEigResults1,pAvgMat,pEigVectorMat,pReconMat1); 
    	cvBackProjectPCA( pEigResults2,pAvgMat,pEigVectorMat,pReconMat2); 
    	cvBackProjectPCA( pEigResults3,pAvgMat,pEigVectorMat,pReconMat3);    //计算所有经过PCA变换后的重构人脸矩阵
    
    	Mat a(pAvgMat,true);
    	Mat pAvg =NormImage_0_255(a.row(0)).reshape(1, pFrameMat[0].rows);
    	IplImage imgAvgTmp = pAvg;
        IplImage *pAvgImage = cvCloneImage(&imgAvgTmp);  //将平均脸向量转换成IplImage型的图像
    
    	Mat b(pEigVectorMat,true);
    	Mat pEig1 =NormImage_0_255(b.row(0).reshape(1,pFrameMat[0].rows));
    	Mat pEig2 =NormImage_0_255(b.row(1).reshape(1,pFrameMat[0].rows));
    	IplImage imgEigTmp1 = pEig1;
    	IplImage imgEigTmp2 = pEig2;
    	IplImage *pEigImage1 = cvCloneImage(&imgEigTmp1);  //将第一个主成分脸转换成IplImage型的图像
    	IplImage *pEigImage2 = cvCloneImage(&imgEigTmp2); //将第二个主成分脸转换成IplImage型的图像
    
    	Mat c(pReconMat1,true);
    	Mat pRecon1 =NormImage_0_255(c.row(0).reshape(1,pFrameMat[0].rows));
    	IplImage imgRecTmp1 =pRecon1;
    	IplImage *pReconImage1 = cvCloneImage(&imgRecTmp1); //选取50个特征向量重构第一个人脸样本的图像
    	Mat d(pReconMat2,true);
    	Mat pRecon2 =NormImage_0_255(d.row(0).reshape(1,pFrameMat[0].rows));
    	IplImage imgRecTmp2 =pRecon2;
    	IplImage *pReconImage2 = cvCloneImage(&imgRecTmp2);    //选取100个特征向量重构第一个人脸样本的图像
    	Mat h(pReconMat3,true);
    	Mat pRecon3 =NormImage_0_255(h.row(0).reshape(1,pFrameMat[0].rows));
    	IplImage imgRecTmp3 =pRecon3;
    	IplImage *pReconImage3 = cvCloneImage(&imgRecTmp3);    //选取150个特征向量重构第一个人脸样本的图像
    
    	CvSVMParams params;
    	params.svm_type    = CvSVM::C_SVC;
        //params.kernel_type = CvSVM::LINEAR;  //线性核函数
    	params.kernel_type = CvSVM::RBF;   //径向基核函数
        params.term_crit   = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6); // 迭代条件
    	CvSVM SVM;
    	SVM.train(pEigResults1,&labelsMat,NULL,NULL,params);
    	Mat e(pEigResults1,true);    
    	float reponse =SVM.predict(e.row(60));
    	cout<<"分类前样本所属类别："<<12<<endl;     
    	cout<<"分类前样本所属类别："<<reponse<<endl;   //用支持向量机分类器对测试样本进行分类，显示分类标签号
    
    	cvShowImage("原始人脸图像",pImage);
    	cvShowImage("平均脸图像",pAvgImage);  
    	cvShowImage("主成分1人脸图像",pEigImage1); 
    	cvShowImage("主成分2人脸图像",pEigImage2); 
    	cvShowImage("重构人脸图像1",pReconImage1); 
    	cvShowImage("重构人脸图像2",pReconImage2); 
    	cvShowImage("重构人脸图像3",pReconImage3);  //显示人脸图像
    
    	cvWaitKey(0);
    
    	cvReleaseImage(&pImage);
    	cvReleaseImage(&pAvgImage);
    	cvReleaseImage(&pEigImage1);  
    	cvReleaseImage(&pEigImage2); 
    	cvReleaseImage(&pReconImage1); 
    	cvReleaseImage(&pReconImage2);  
    	cvReleaseImage(&pReconImage3);  //释放内存
    	cvDestroyWindow("原始人脸图像");
    	cvDestroyWindow("平均脸图像");
    	cvDestroyWindow("主成分1人脸图像"); 
    	cvDestroyWindow("主成分2人脸图像");  
    	cvDestroyWindow("重构人脸图像1");   
    	cvDestroyWindow("重构人脸图像2");  
    	cvDestroyWindow("重构人脸图像3");    //销毁窗口
    
    	return 0;
    }
    
    	
    
    
    //--将样本矩阵转换成行向量，把所有样本人脸转换成矩阵--//
    Mat ReadFaces(const vector<Mat>&pSrcImage,int pType)
    {
    	size_t n =pSrcImage.size();  //获取样本个数
    	if(n==0) return Mat();
    	size_t pDim =pSrcImage[0].total();  //获取样本维数
    
    	Mat pData =Mat(n,pDim,pType);  //建n行pData列空矩阵
    
    	for(int i=0;i<n;i++)
    	{
    		if(pSrcImage[i].empty()) 
                {
                string error_message = format("Image number %d was empty, please check your input data.", i);
                CV_Error(CV_StsBadArg, error_message);
                }
            // 确保数据能被reshape
            if(pSrcImage[i].total() != pDim) 
                {
                string error_message = format("Wrong number of elements in matrix #%d! Expected %d was %d.", i, pDim, pSrcImage[i].total());
                CV_Error(CV_StsBadArg, error_message);
                }
    
    		Mat pRowData =pData.row(i);
    		if(pSrcImage[i].isContinuous())
    		{
    			pSrcImage[i].reshape(1,1).convertTo(pRowData,pType,1,0);
    		}
    		else
    		{
    			pSrcImage[i].clone().reshape(1,1).convertTo(pRowData,pType,1,0);
    		}
    	}
    
    	return pData;
    
    }
    
    //--将多个样本人脸转换成向量--//
    vector<Mat> LoadFacesSample()
    {
    	
    	vector<Mat> pImageMat;
    	for(int i=1;i<=40;i++)
    	{
    		for(int j=1;j<=5;j++)
    		{
    			sprintf(adr,"F:\\人脸识别\\ORL人脸数据库\\s%d\\%d.bmp",i,j);
    			pImageMat.push_back(imread(adr,IMREAD_GRAYSCALE));
    		}
    	}
    	return pImageMat;
    }
    
    
    //--将图像归一化为8位深度的图像--//
    Mat NormImage_0_255(const Mat&pFrame)
    {
    	Mat pDst;
    	switch(pFrame.channels())
    	{
    
    	case 1:
    		normalize(pFrame,pDst,0,255,NORM_MINMAX,CV_8UC1);
    		break;
    	case 3:
    		normalize(pFrame,pDst,0,255,NORM_MINMAX,CV_8UC3);
    		break;
    	default:
    		pFrame.copyTo(pDst);
    		break;
    	}
    	return pDst;
    
    }

![20180406143645400][]

[20180406143645400]: /images/20220528/1842897b3b014ff3a347d489e658eff8.png