OpenCV學習筆記（五十四）——概述FaceRecognizerFace Service類contrib

在最新版的2.4.2中，文檔的更新也是一大亮點，refrence manual擴充了200多頁的內容，添加了contrib部分的文檔。contrib就是指OpenCV中新添加的模組，但又不是很穩定，可以認為是一個雛形的部分。這次結合refman的閱讀，介紹一下FaceRecognizer這個Face Service類，這個類也是2.4.2更新日誌裡著重強調過的更新，配套的文檔也是相當充實。這個類的基類也是Algorithm類，對於Algorithm類的簡單介紹，請參看我之前的blogOpenCV學習筆記（五十）——Algorithm類介紹（core），這個類內的介面函數也是異常簡單，Face Service的任務也就是兩大部分，訓練和預測，分別對應著train函數和predict函數，還有對應的資料載入儲存函數save和load。不過它當然還可以調用其基類Algorithm的函數。特別說明的是，Face Service中預測的參數也是可以調節的，但這裡只給出了train和predict函數，為啥沒有setparameter的函數呢，那是因為各中Face Service方法的參數並不相同，要通過Algorithm的get和set函數即時的調整~~v5啊！

先來說說訓練的過程，train函數的兩個參數也很簡單，訓練的映像組vector<Mat>和對應的標籤組vector<int>，這個label標籤只需保證同一個人的標籤相同即可，不需要保證映像的按標籤順序輸入，方便極了。對於預測，有兩種調用，其中的參數有測試映像、返回的標籤值和測試樣本和標籤樣本的相似性。返回的標籤值為-1，說明測試樣本在訓練集中無對應或距離較遠。這裡用個FisherFace作為樣本說明一下如何訓練和預測：

vector<Mat> images;vector<int> labels;// images for first personimages.push_back(imread("person0/0.jpg", CV_LOAD_IMAGE_GRAYSCALE));labels.push_back(0);images.push_back(imread("person0/1.jpg", CV_LOAD_IMAGE_GRAYSCALE));labels.push_back(0);// images for second personimages.push_back(imread("person1/0.jpg", CV_LOAD_IMAGE_GRAYSCALE));labels.push_back(1);images.push_back(imread("person1/1.jpg", CV_LOAD_IMAGE_GRAYSCALE));labels.push_back(1);Ptr<FaceRecognizer> model = createFisherFaceRecognizer();model->train(images, labels);Mat img = imread("person1/2.jpg", CV_LOAD_IMAGE_GRAYSCALE);int predicted = model->predict(img);

當然我們也不需要每次使用都進行一次訓練，可以把訓練好的模型通過save函數儲存成一個檔案，下次使用的時候只需load即可。

目前支援的3種Face Service的方案：特徵臉EigenFace、Fisher臉FisherFace、LBP長條圖LBPHFace。分別調用函數createEigenFaceRecognizer、createFisherFaceRecognizer、createLBPHFaceRecognizer建立模型。

對於EigenFace兩個輸入參數，分別為PCA主成分的維數num_components和預測時的閾值threshold，主成分這裡沒有一個選取的準則，要根據輸入資料的大小而決定，通常認為80維主成分是足夠的。除了這兩個輸入參數外，還有eigenvalues和eigenvectors分別代表特徵值和特徵向量，mean參數為訓練樣本的平均值，projections為訓練資料的預測值，labels為預測時的閾值。

對於FisherFace，和EigenFace非常相似，也有num_components和threshold兩個參數和其他5個參數，FisherFace的降維是LDA得到的。預設值為c-1，如果設定的初始值不在（0，c-1]的範圍內，會自動設定為c-1。

特別需要強調的是，EigenFace和FisherFace的訓練映像和測試映像都必須是灰階圖，而且是經過歸一化裁剪過的。

對於LBPHFace，我想不用過多介紹，LBP簡單和效果是大家都很喜歡的，參數包括半徑radius，鄰域大小即採樣點個數neighbors，x和y方向的儲存格數目grid_x,grid_y，還有兩個參數histograms為訓練資料得到的長條圖，labels為長條圖對應的標籤。這個方法也要求訓練和測試的映像是灰階圖

接下來應該結合文檔進一步研究一下這個Face Service類。我之前大量的人臉實驗都是在matlab下進行的，有了這個利器，我感覺會有越來越多的學生做老師和老闆布置的project會選擇用OpenCV，而不是Matlab。希望我們都愛的OpenCV越來越好，越來越強大。歡迎交流