当前位置：首页 > news >正文

OpenCv高阶（十五）——EigenFace人脸识别

news 来源：原创 2025/6/30 19:52:34

文章目录

前言
一、EigenFace人脸识别原理
二、EigenFace人脸识别代码
- 1、导入OpenCV和NumPy库
- 2、数据加载与预处理部分
- 3、创建与训练EigenFace模型部分
- 4、预测与结果输出部分
- 5、可视化部分：在测试图像上叠加识别结果
总结

前言

人脸识别作为生物特征识别技术的重要分支，凭借其非接触性与便捷性，广泛应用于安防、金融等领域。传统方法依赖几何特征或局部纹理分析，但对光照、姿态变化敏感，泛化能力受限。1991年Turk与Pentland提出的EigenFace算法，开创性地将主成分分析（PCA）应用于人脸识别，通过构建低维“特征脸”空间实现高维人脸数据的高效表征，为统计学习方法奠定了基石。尽管深度学习已在识别精度上实现突破，但EigenFace揭示的“特征空间降维”思想仍是理解现代算法的关键。本文系统解析该算法的数学原理、实现流程与实践要点，剖析其优势与局限性，为探索复杂模型提供理论支撑。

一、EigenFace人脸识别原理

EigenFace人脸识别是一种基于主成分分析（PCA）的经典方法，用于人脸识别和降维。其核心思想是将人脸图像转换为低维特征空间中的投影，通过比较这些投影实现识别。

数据预处理
灰度化与对齐：将所有人脸图像转换为灰度图，并调整至相同尺寸（如100×100像素），确保人脸关键部位（如眼睛、嘴巴）对齐。

向量化：将每张图像按行或列展开为一个列向量。例如，100×100的图像变为10,000维向量，记为Γi。

构建训练矩阵：将所有
K
K张训练图像的向量按列排列，构成矩阵
在这里插入图片描述
2. 计算平均脸（Mean Face）
计算所有训练图像的平均向量：

去中心化：每张图像减去平均脸，得到差值向量：

3. 主成分分析（PCA）
协方差矩阵：计算数据的变化方向，协方差矩阵为：

4. 投影与特征提取
将每张训练图像投影到特征脸空间，得到权重向量：
在这里插入图片描述
5. 识别过程

二、EigenFace人脸识别代码

1、导入OpenCV和NumPy库

import cv2
import numpy as np

2、数据加载与预处理部分

加载4张训练图像，并统一调整为120x180像素的灰度图

a = cv2.resize(cv2.imread('../data/face-detect/lyf1.png', 0), (120, 180))  # 参数0表示以灰度模式读取
b = cv2.resize(cv2.imread('../data/face-detect/lyf2.png', 0), (120, 180))
c = cv2.resize(cv2.imread('../data/face-detect/pyc1.png', 0), (120, 180))
d = cv2.resize(cv2.imread('../data/face-detect/pyc2.png', 0), (120, 180))

将图像存入列表，构成训练集

image = []
image.append(a)
image.append(b)
image.append(c)
image.append(d)

定义标签：前两张（lyf1, lyf2）标记为0，后两张（pyc1, pyc2）标记为1

labels = [0, 0, 1, 1]

加载待识别的测试图像，并进行相同预处理

pre_image = cv2.imread('../data/face-detect/lyf.png', 0)
pre_image = cv2.resize(pre_image, (120, 180))

3、创建与训练EigenFace模型部分

创建EigenFace识别器，设置阈值（相似度超过阈值则返回-1）
threshold参数控制分类的严格程度：值越大，判定为"未知"的可能性越高

recoginzer = cv2.face.EigenFaceRecognizer_create(threshold=5000)

使用训练图像和标签训练模型
注：OpenCV的train方法要求标签必须为NumPy数组格式

recoginzer.train(image, np.array(labels))

4、预测与结果输出部分

对测试图像进行预测，返回预测标签和置信度
注意：置信度值越小表示匹配度越高（本质上是与特征空间的距离）

labels, confidence = recoginzer.predict(pre_image)

定义标签与名称的映射字典，-1表示未知

dict = {0: 'lyf', 1: 'pyc', -1: 'not found'}

输出识别结果和置信度

print("这是", dict[labels])
print("置信度为：", confidence)  # 数值越低，匹配度越高

5、可视化部分：在测试图像上叠加识别结果

复制原始彩色图像（非灰度图）用于显示，避免修改原图

aa = cv2.putText(cv2.imread('../data/face-detect/lyf.png').copy(),  # 读取原始彩色图像并复制dict[labels],                                      # 要显示的文本内容(20, 30),                                         # 文本左下角坐标cv2.FONT_HERSHEY_SIMPLEX,                         # 字体类型0.65,                                             # 字体大小(0, 0, 255),                                      # 颜色（BGR格式，红色）1                                                 # 线宽
)

显示处理后的图像

cv2.imshow('xx', aa)
cv2.waitKey(0)  # 等待按键后关闭窗口

最终效果
在这里插入图片描述
可以类比LBPH人脸识别调用摄像头的方法，使用EigenFace人脸识别检测器来进行人脸识别

总结

EigenFace通过PCA提取人脸图像的主成分，构建低维特征空间实现高效识别。尽管已被深度学习（如CNN）超越，但其核心思想仍是理解传统模式识别方法的基础。
EigenFace算法基于PCA提取人脸主成分，构建低维特征空间实现识别，核心要点如下：

原理与实现

	流程：灰度化→尺寸统一→计算特征脸→投影匹配。代码关键：OpenCV的EigenFaceRecognizer接口实现训练与预测，阈值控制分类严格性。

挑战与优化

	数据要求：需多光照、多姿态样本增强泛化性。参数调优：通过交叉验证优化阈值，平衡识别率与误检率。预处理改进：直方图均衡化、人脸对齐提升鲁棒性。

意义与启示

	优势：简洁高效，奠定统计学习方法基础。局限：对光照、姿态敏感，局部特征捕捉弱。应用定位：轻量级场景适用，理解特征降维的经典案例。

该算法虽被深度学习超越，但其PCA思想仍是计算机视觉领域的重要理论基石。

开启新对话