//--应用PCA进行特征提取,并重构人脸图像--// #include<highgui.h> #include<cv.h> #include<windows.h> #include<iostream> #include<stdio.h> #include<cxcore.h> #include<ml.h> using namespace cv; using namespace std; char adr[100]; vector<Mat>pFrameMat; Mat pDataMat; CvMat *pData; CvMat *pAvgMat; CvMat *pEigValueMat; CvMat *pEigVectorMat; float labels[200]; CvMat labelsMat; Mat ReadFaces(const vector<Mat>&pSrcImage,int pType); vector<Mat> LoadFacesSample(); Mat NormImage_0_255(const Mat&pFrame); int main(int argc,char**argv) { cvNamedWindow("原始人脸图像",CV_WINDOW_AUTOSIZE); cvNamedWindow("平均脸图像",CV_WINDOW_AUTOSIZE); cvNamedWindow("主成分1人脸图像",CV_WINDOW_AUTOSIZE); cvNamedWindow("主成分2人脸图像",CV_WINDOW_AUTOSIZE); cvNamedWindow("重构人脸图像1",CV_WINDOW_AUTOSIZE); cvNamedWindow("重构人脸图像2",CV_WINDOW_AUTOSIZE); cvNamedWindow("重构人脸图像3",CV_WINDOW_AUTOSIZE); IplImage *pImage =cvLoadImage("F:\\人脸识别\\ORL人脸数据库\\s1\\1.bmp",CV_LOAD_IMAGE_ANYDEPTH | CV_LOAD_IMAGE_ANYCOLOR); for(int i=0;i<200;i++) { labels[i] =(float)(i/5); } labelsMat =cvMat(200,1,CV_32FC1,labels); //所有训练人脸样本数据的分类标记,共40类,0-39 pFrameMat =LoadFacesSample(); //获取所有人脸样本组成的矩阵 pDataMat =ReadFaces(pFrameMat,CV_32FC1); //获取每个人脸样本转换成列向量的图像矩阵 CvMat *pData =cvCreateMat(pDataMat.rows,pDataMat.cols,CV_32FC1); //转换后的所有人脸样本的矩阵 CvMat *pAvgMat =cvCreateMat(1,pDataMat.cols,CV_32FC1); //所有人脸样本的平均向量 CvMat *pEigValueMat =cvCreateMat(1,min(pDataMat.rows,pDataMat.cols),CV_32FC1); //人脸样本的特征值 CvMat *pEigVectorMat =cvCreateMat(min(pDataMat.rows,pDataMat.cols),pDataMat.cols,CV_32FC1); //人脸样本的特征向量 CvMat temp =pDataMat; cvCopy(&temp,pData); //将Mat类型的图像矩阵转换成CvMat类型 cvCalcPCA( pData, pAvgMat, pEigValueMat, pEigVectorMat, CV_PCA_DATA_AS_ROW ); //计算出平均脸,特征值,特征向量 CvMat *pEigResults1 =cvCreateMat(pDataMat.rows,50,CV_32FC1); //选取前50个特征向量 CvMat *pEigResults2 =cvCreateMat(pDataMat.rows,100,CV_32FC1); //选取前100个特征向量 CvMat *pEigResults3 =cvCreateMat(pDataMat.rows,150,CV_32FC1); //选取前150个特征向量 cvProjectPCA( pData,pAvgMat,pEigVectorMat,pEigResults1); cvProjectPCA( pData,pAvgMat,pEigVectorMat,pEigResults2); cvProjectPCA( pData,pAvgMat,pEigVectorMat,pEigResults3); //计算PCA变换后的投影系数(降维的人脸样本) 系数个数=特征向量个数 CvMat *pReconMat1=cvCreateMat(pDataMat.rows,pDataMat.cols,CV_32FC1); CvMat *pReconMat2=cvCreateMat(pDataMat.rows,pDataMat.cols,CV_32FC1); CvMat *pReconMat3=cvCreateMat(pDataMat.rows,pDataMat.cols,CV_32FC1); cvBackProjectPCA( pEigResults1,pAvgMat,pEigVectorMat,pReconMat1); cvBackProjectPCA( pEigResults2,pAvgMat,pEigVectorMat,pReconMat2); cvBackProjectPCA( pEigResults3,pAvgMat,pEigVectorMat,pReconMat3); //计算所有经过PCA变换后的重构人脸矩阵 Mat a(pAvgMat,true); Mat pAvg =NormImage_0_255(a.row(0)).reshape(1, pFrameMat[0].rows); IplImage imgAvgTmp = pAvg; IplImage *pAvgImage = cvCloneImage(&imgAvgTmp); //将平均脸向量转换成IplImage型的图像 Mat b(pEigVectorMat,true); Mat pEig1 =NormImage_0_255(b.row(0).reshape(1,pFrameMat[0].rows)); Mat pEig2 =NormImage_0_255(b.row(1).reshape(1,pFrameMat[0].rows)); IplImage imgEigTmp1 = pEig1; IplImage imgEigTmp2 = pEig2; IplImage *pEigImage1 = cvCloneImage(&imgEigTmp1); //将第一个主成分脸转换成IplImage型的图像 IplImage *pEigImage2 = cvCloneImage(&imgEigTmp2); //将第二个主成分脸转换成IplImage型的图像 Mat c(pReconMat1,true); Mat pRecon1 =NormImage_0_255(c.row(0).reshape(1,pFrameMat[0].rows)); IplImage imgRecTmp1 =pRecon1; IplImage *pReconImage1 = cvCloneImage(&imgRecTmp1); //选取50个特征向量重构第一个人脸样本的图像 Mat d(pReconMat2,true); Mat pRecon2 =NormImage_0_255(d.row(0).reshape(1,pFrameMat[0].rows)); IplImage imgRecTmp2 =pRecon2; IplImage *pReconImage2 = cvCloneImage(&imgRecTmp2); //选取100个特征向量重构第一个人脸样本的图像 Mat h(pReconMat3,true); Mat pRecon3 =NormImage_0_255(h.row(0).reshape(1,pFrameMat[0].rows)); IplImage imgRecTmp3 =pRecon3; IplImage *pReconImage3 = cvCloneImage(&imgRecTmp3); //选取150个特征向量重构第一个人脸样本的图像 CvSVMParams params; params.svm_type = CvSVM::C_SVC; //params.kernel_type = CvSVM::LINEAR; //线性核函数 params.kernel_type = CvSVM::RBF; //径向基核函数 params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 100, 1e-6); // 迭代条件 CvSVM SVM; SVM.train(pEigResults1,&labelsMat,NULL,NULL,params); Mat e(pEigResults1,true); float reponse =SVM.predict(e.row(60)); cout<<"分类前样本所属类别:"<<12<<endl; cout<<"分类前样本所属类别:"<<reponse<<endl; //用支持向量机分类器对测试样本进行分类,显示分类标签号 cvShowImage("原始人脸图像",pImage); cvShowImage("平均脸图像",pAvgImage); cvShowImage("主成分1人脸图像",pEigImage1); cvShowImage("主成分2人脸图像",pEigImage2); cvShowImage("重构人脸图像1",pReconImage1); cvShowImage("重构人脸图像2",pReconImage2); cvShowImage("重构人脸图像3",pReconImage3); //显示人脸图像 cvWaitKey(0); cvReleaseImage(&pImage); cvReleaseImage(&pAvgImage); cvReleaseImage(&pEigImage1); cvReleaseImage(&pEigImage2); cvReleaseImage(&pReconImage1); cvReleaseImage(&pReconImage2); cvReleaseImage(&pReconImage3); //释放内存 cvDestroyWindow("原始人脸图像"); cvDestroyWindow("平均脸图像"); cvDestroyWindow("主成分1人脸图像"); cvDestroyWindow("主成分2人脸图像"); cvDestroyWindow("重构人脸图像1"); cvDestroyWindow("重构人脸图像2"); cvDestroyWindow("重构人脸图像3"); //销毁窗口 return 0; } //--将样本矩阵转换成行向量,把所有样本人脸转换成矩阵--// Mat ReadFaces(const vector<Mat>&pSrcImage,int pType) { size_t n =pSrcImage.size(); //获取样本个数 if(n==0) return Mat(); size_t pDim =pSrcImage[0].total(); //获取样本维数 Mat pData =Mat(n,pDim,pType); //建n行pData列空矩阵 for(int i=0;i<n;i++) { if(pSrcImage[i].empty()) { string error_message = format("Image number %d was empty, please check your input data.", i); CV_Error(CV_StsBadArg, error_message); } // 确保数据能被reshape if(pSrcImage[i].total() != pDim) { string error_message = format("Wrong number of elements in matrix #%d! Expected %d was %d.", i, pDim, pSrcImage[i].total()); CV_Error(CV_StsBadArg, error_message); } Mat pRowData =pData.row(i); if(pSrcImage[i].isContinuous()) { pSrcImage[i].reshape(1,1).convertTo(pRowData,pType,1,0); } else { pSrcImage[i].clone().reshape(1,1).convertTo(pRowData,pType,1,0); } } return pData; } //--将多个样本人脸转换成向量--// vector<Mat> LoadFacesSample() { vector<Mat> pImageMat; for(int i=1;i<=40;i++) { for(int j=1;j<=5;j++) { sprintf(adr,"F:\\人脸识别\\ORL人脸数据库\\s%d\\%d.bmp",i,j); pImageMat.push_back(imread(adr,IMREAD_GRAYSCALE)); } } return pImageMat; } //--将图像归一化为8位深度的图像--// Mat NormImage_0_255(const Mat&pFrame) { Mat pDst; switch(pFrame.channels()) { case 1: normalize(pFrame,pDst,0,255,NORM_MINMAX,CV_8UC1); break; case 3: normalize(pFrame,pDst,0,255,NORM_MINMAX,CV_8UC3); break; default: pFrame.copyTo(pDst); break; } return pDst; }
应用PCA算法提取特征脸,重构人脸图像,并利用SVM算法进行人脸识别
猜你喜欢
转载自blog.csdn.net/jyy555555/article/details/79833381
今日推荐
周排行