人臉識別實踐總結

[我的站點]（http://whbzju.github.io/blog/archives/）

#概述 前段時間接觸了一陣子人臉識別，只能說是初窺門道，在這裏作個總結。本文不涉及具體的算法原理，由於我都是參考別人的資料，只認爲沒法寫的更好，在這邊作個概括總結。 現需求以下：從攝像頭視頻中識別出你本身或朋友的人臉

要實現這個需求，大致分爲兩個步驟，分別爲人臉檢測和人臉識別，即先要從攝像頭中識別出人臉，即人臉檢測，其次對檢測到的人臉進行識別，即人臉識別。本文基於Opencv的人臉算法實現。

##人臉檢測流程

• 選取特徵（本文采用Haar-like特徵）
• 選取分類器算法，訓練人臉分類器（本文采用Adaboost級聯分類器）
• 對圖像進行人臉檢測

##人臉識別流程

• 選取人臉識別算法（本文包括PCA、FDA和LBP）
• 訓練識別模型
• 對目標進行識別

#Opencv相關資料介紹 opencv在2.4後引入了人臉識別相關模塊，原來只有人臉檢測部分。在Opencv官網，有較詳細的介紹，看 !目錄，在該目錄中重點要看這篇!Face Recognition with OpenCV.

這應該是一個德國人寫的，在教程中他提到了3個算法：

• EigenFaces
• FisherFace
• Local Binary Patterns Histograms

前面兩個算法都是利用子空間的原理，有必定的類似性，分別以PCA和LDA爲基礎。後者以特徵選取爲主，作法思路都不大同樣，建議分開看。該教程中對算法的描述過於簡潔，不適合初學者看，建議尋找相關資料進一步閱讀。 ##PCA-主成分分析法 PCA在不少地方都有應用，是一個十分簡單有效的方法。其思想歸納起來即降維，它認爲原始數據中包含了大量的噪音和冗餘，經過協方差矩陣的對角化能夠獲得一個子空間，該子空間的維度大大下降，卻神奇的保留了原始數據中的顯著特徵。

該算法的具體原理可參考斯坦福大學的公開課，Andrew.Ng的機器學習課程，裏面有一章節專門講pca，若以爲看視頻太慢，能夠直接看講義，講的很清楚。國內有幾個博客做者對它進行了翻譯，推薦：

!主成分分析（Principal components analysis）-最大方差解釋

!機器學習中的數學(4)-線性判別分析（LDA）, 主成分分析(PCA)

該算法涉及較多的線性代數知識，忘掉的同窗建議複習下相關內容。

##LDA-線性判別分析 fisherface的FDA是在LDA基礎之上的一種算法。關於線性判別的思想以下：它認爲在PCA中，PCA把數據做爲一個總體來看，即數據源中全部的顯著特徵都會被保留下來，若是一我的的臉在強光下和弱光下，pca生成的子空間有顯著的差別，而他們倒是同一張臉。LDA的思想是尋找一個分割平面（在二維中即直線），來區分兩種不一樣類別的數據，既可以區分兩個不一樣的人臉，進行歸類。所以，它的目標就是怎麼要找到這個平面，達到最好的區分效果。

一樣，該算法的具體原理仍是推薦Andrew.Ng的機器學習公開課。國內也有相關介紹，可是他們的數學推導讓我不滿意。

!線性判別分析（Linear Discriminant Analysis）（一） !線性判別分析（Linear Discriminant Analysis）（二）

##LBPH 該算法較上面兩者容易理解，這裏不作詳細介紹，你們本身查找相關資料便可。

##Demo 上面教程中提到幾個算法opencv中都有例子實現，固然要作2.4以上。教程講了demo的位置和具體的使用。 全部的Demo須要一我的臉庫，教程中提供了幾個，能夠下載。下載下來的人臉庫須要預處理，即打上標籤，做者提供了python腳步，你們可使用。

有個demo值得關注，它實現了咱們的需求，它有個專門的教程：!Face Recognition in Videos with OpenCV. 不過要想識別本身的臉，必須將本身的臉裁剪下來保存到人臉庫中進行訓練。

我不想本身拍照片去裁剪，個人作法是利用demo中的人臉檢測算法，將個人人臉檢測到，而後保存成灰度圖，放到人臉庫中。PS：這裏有個問題，opencv自帶的人臉檢測分類器有可能會誤撿，會把空白的牆壁當作人臉。個人作法是，在視頻中指定一個矩形框，在這個矩形框中進行人臉檢測，這樣能夠大大下降誤撿率。實際操做中能夠調整位置，讓本身的人臉出如今矩形框中。

#Haar-like特徵Adaboost級聯分類器 完成了人臉識別的Demo驗證，你們必定很好奇人臉檢測是怎麼實現的。opencv裏面自帶的檢測算法原至兩篇論文： P. Viola and M. Jones. Rapid object detection using a boosted cascade of simple features. R. Lienhart and J. Maydt. An Extended Set of Haar-like Features for Rapid Object Detection.

##總體感受--如何訓練本身的分類器 你們能夠參考這篇!教程，利用opencv自帶的例子訓練一個分類器感受感受。 訓練分類器會遇到不少問題，人臉樣本和非人類樣本的比例有較高的要求，stage越高越難訓練，訓練時間也會隨之快速增加，並且效果還不能保證，博主訓練出來的分類器和opencv自帶的分類器效果是無法比啊！

##算法原理 我不打算這這裏描述它的原理，首先是這方面資料已經不少，我沒法作到寫的更好，其次是展開後篇幅太長，內容太多，我不想寫了，哈哈。 若想較好的理解，直接看上面提到的兩篇論文。若英文水平不行，能夠看北大有個學生寫的畢業論文：基於 AdaBoost 算法的人臉檢測，做者：趙楠，還不錯。

Haar-like特徵須要理解積分圖的概念，Adaboost包括弱分類器、強分類器和級聯分類器。其中級聯分類器較比較麻煩。

#總結 Opencv是個好東西，有個直接能運行的demo，比光禿禿的理論好多了，依靠它搭個自娛自樂的小工程沒問題。人臉識別的水很深，本文提到的算法是opencv裏面就有的，還有不少算法待各位本身有興趣去研究。