【模式识别1】PCA+FLD人脸识别

教程官网：https://docs.opencv.org/2.4/modules/contrib/doc/facerec/facerec_tutorial.html
用到的数据集、代码等资源文件：

1. ORL数据集
2. create_csv.py----打印ORL数据集标签文件的脚本
3. facerec_eigenfaces.cpp----文中Eigenfaces相关部分代码
4. facerec_fisherfaces.cpp----文中Fisherfaces相关部分代码

1. 了解ORL人脸识别数据集格式

AT&T Facedatabase，也称为ORL人脸数据库，包含40个不同对象，每个对象有10张不同图像，每张图像通道数、高、宽为[1, 112, 92]。受试者图像是在不同时间、光线、面部表情（睁眼/闭眼、微笑/不微笑）和面部细节（戴眼镜/不戴眼镜）下拍摄的。所有的图像都是在黑暗的均匀背景下拍摄的，受试者处于直立的正面位置（允许存在一定的侧移）。

2. OpenCV环境配置

1. 进入官网https://opencv.org/，选择“Library”库目录，选择适合系统的版本开始下载，本次作业在Win11系统下完成，故选择如下版本：
   

2. 下载完成后运行.exe文件，将OpenCV库安装在期望的目录下。

3. 添加环境变量，在用户变量“Path”中新建变量：
   

4. 新建Visual Studio 2022项目，右击“项目”，点击“属性”，点击VC++目录中的“包含目录”，编辑，添加include路径：
   

5. 点击VC++中的“库目录”，编辑，添加lib路径：
   

6. 点击“链接器”中的“输入”中的“附加依赖项”，编辑，添加附加依赖项（指明需要用什么库，d.lib表示debug模式，.lib表示release模式，图中只展示了部分）：
   

3. 理解人脸识别OpenCV教程特别是PCA和FLD部分代码，在ORL上运行并分析它们识别结果之间差异

3.1 Eigenfaces

3.1.1 算法描述

Eigenfaces（特征脸，即特征向量）的思想是将人脸从拉长的n维像素空间变换到另一k维空间(k<n)，使得同类物体在另一空间中聚集，不同类物体在另一空间中距离较远，从而在另一空间做相似性的计算。Eigenfaces选择的空间变换方法是PCA，它广泛应用于预处理以消去样本特征维度之间的相关性。EigenFaces利用PCA得到人脸分布的主要成分，即对训练集中所有人脸图像的协方差矩阵进行特征值分解，得到对应k个特征向量（即特征脸）。
算法过程暂时省略，后续有空更新。。。

3.1.2 实验验证

1. 准备数据和标签
   运行教程中的create_csv.py脚本，输出“/path/to/image.ext;0”形式的label，效果如下：
   

2. 教程facerec_eigenfaces.cpp程序流程图
   教程中基于OpenCV的facerec_eigenfaces.cpp代码的程序流程图如下：
   

3. 读取图像和标签
   获取①中标签文件所在路径。
   
   分别定义存储图像和标签的数组。
   
   将标签文件中的图像路径和图像类别分别存入图像数组images和标签数组labels。
   

4. 训练模型并测试一张图片
   获取测试数据（数组中最后一张图片），并将它从训练集中移除。
   
   初始化EigenFace模型并训练。
   
   获取测试图片的识别结果，并将结果进行打印
   
   识别结果如下：
   
   可以看出，预测结果与真实值一致，识别正确。

5. 平均脸计算结果可视化
   通过模型可以直接计算训练样本的平均脸。
   
   特征脸如图所示：
   

6. 特征值计算结果记录
   通过模型可以直接获取训练集的特征值，下表记录了前十个最大的特征值。

7. 特征脸计算结果可视化
   取前十个最大特征值对应的特征向量（特征脸），将其标准化恢复成二维灰度图像，并用JET颜色图展示特征脸。
   
   
8. 重建人脸并可视化

用一定数量的特征向量（特征脸）将原始图像映射到特征空间的一个点上，再将其重建到像素空间，上图展示了从10个特征脸起，从左至右从上至下依次递增15个特征脸的重建效果。

3.1.3 用eigenfaces（特征脸）重构近似的人脸图像

3.1.2节中第⑧步展示了以不同数量的eigenfaces重建近似的人脸图像的过程，使用的eigenfaces数量由10个逐渐递增到295个，但都存在不同程度的信息丢失情况，不如原图像平滑。而在debug过程中发现，特征值分解后得到的特征脸数量为399：

因此，继续增加特征脸的数量，下图可以看出，当特征脸数量增加到350时，重构图像已经很原图较为接近，即达到了人脸重构的效果，如下图所示。

3.2 Fisherfaces

3.2.1 算法描述

PCA是EigenFaces人脸识别的核心，它找到了最大化数据方差的特征的线性组合。但它具有明显的缺点，若方差是由外部来源引起的（如光照），则可能模型会损失许多人脸的特征信息，从而失去判别能力。
而Fisherfaces采用LDA（Linear Discriminant Analysis，线性判别分析）实现人脸识别。其基本原理是让数据在低维表示下，同类应该紧密聚集，异类应该尽可能分散，且它们之间的距离尽可能远。做线性判别分析时，首先将训练集样本投影到一条直线，让投影后的点满足（1）同类间的点尽可能靠近。（2）异类间的点尽可能远离。预测时，将待测样本投影到直线上，根据投影点的位置判定样本的类别。

3.2.2 实验验证

1. 训练模型并测试一张图片
   训练后的Fisherfaces模型对测试图片的预测结果为：
   
   可以看出，预测结果与真实值一致，识别正确。

2. 特征图计算结果可视化
   取前十个最大特征值对应的特征向量（特征脸），将其标准化恢复成二维灰度图像，并用Bone颜色图展示特征脸。
   

3. 特征值计算结果记录
   通过模型可以直接获取训练集的特征值，下表记录了前十个最大的特征值。

4. 重建人脸并可视化
   

3.3 Eigenfaces和Fisherfaces识别结果之间差异

与Eigenfaces无监督学习方法相比，Fisherfaces是有监督的人脸识别方法，它主要为了识别用于区分对象的特征，因此难以重建回高质量的人脸图像。然而Eigenfaces将原图像投影到另一空间时，保留了人脸分布的主要成分，因此在反投影回图像时，重构的效果更好。