利用OpenCV实现基于PCA算法的人脸识别.pptVIP

开发者可以对源代码进行修改，将自己设计的新类添加到库中，只要设计符合规范，自己的代码也可以被别人广泛使用。**利用OpenCV实现基于PCA算法的人脸识别OpenCV基本介绍人脸识别概要用PCA算法人脸识别的优缺点PCA原理介绍OpenCV（OpenSourceComputerVisionLibrary）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MacOS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。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0102OpenCV基本介绍人脸识别基本介绍人脸识别，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。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。01PCA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。01主要包括两个阶段：训练阶段+识别阶段01PCA算法基本介绍训练阶段假设训练集有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：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：如：第i个图像矩阵为01则xi为02训练阶段计算平均脸计算训练图片的平均脸：训练阶段01计算差值脸02计算每一张人脸与平均脸的差值训练阶段训练阶段构建协方差矩阵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(SingularValueDecomposition,SVD)定理，通过求解的特征值和特征向量来获得的特征值和特征向量。12训练阶段213求出C的特征值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贡献率是指选取的特征值的和与占所有特征值的和比，即：训练阶段一般取即使训练样本在前p个特征向量集上的投影有99%的能量求出原协方差矩阵的特征向量则“特征脸”空间为：01训练阶段02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，即识别阶段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：定义阈值开发者可以对源代码进行修改，将自己设计的新类添加到库中，只要设计符合规范，自己的代码也可以被别人广泛使用。**