当前位置：首页 > news >正文

OpenCV 人脸分析----人脸识别的一个经典类cv::face::EigenFaceRecognizer

news 2025/7/8 6:03:50

操作系统：ubuntu22.04
OpenCV版本：OpenCV4.9
IDE:Visual Studio Code
编程语言：C++11

算法描述

这是基于 PCA（主成分分析）的人脸识别算法实现。它通过将人脸图像投影到一个低维的“特征脸”空间中进行识别，是最早也是最基础的人脸识别方法之一。

构造函数与参数

你可以使用以下方式创建 EigenFaceRecognizer：

// 默认构造
Ptr<EigenFaceRecognizer> model = EigenFaceRecognizer::create();// 或者指定 PCA 成分数和置信度阈值
Ptr<EigenFaceRecognizer> model = EigenFaceRecognizer::create(num_components, threshold);

参数	描述
num_components	PCA 保留的主成分数，默认为 0（自动计算）
threshold	预测时的置信度阈值，超过此值认为未知身份

核心函数摘要

方法	描述
void train(InputArrayOfArrays _src, InputArray _labels)	使用图像集和对应标签训练模型
void predict(InputArray src, int &label, double &confidence) const	预测输入图像的标签及置信度
void save(const String& filename)	保存训练好的模型到文件
void load(const String& filename)	从文件加载模型
Mat getEigenValues()	获取特征值
vector getEigenVectors()	获取特征向量（即特征脸）
vector getProjections()	获取训练样本的投影向量
double getThreshold()	获取当前置信度阈值
void setThreshold(double val)	设置置信度阈值

注意事项

图像必须为单通道灰度图；
所有图像尺寸必须一致（例如统一缩放为 96x96）；
标签为整数类型，表示不同身份 ID；
对光照、姿态变化较敏感；
不适用于大规模数据集或复杂场景；

代码示例


#include <opencv2/opencv.hpp>
#include <opencv2/face.hpp>
#include <vector>using namespace cv;
using namespace cv::face;
using namespace std;int main() {// 准备训练数据：人脸图像和对应的标签vector<Mat> images;     // 人脸图像（灰度图）vector<int> labels;     // 标签（如 0: 张三, 1: 李四）// 示例加载图像并转换为灰度图Mat img1 = imread("/media/dingxin/data/study/OpenCV/sources/images/1.pgm", IMREAD_GRAYSCALE);Mat img2 = imread("/media/dingxin/data/study/OpenCV/sources/images/2.pgm", IMREAD_GRAYSCALE);images.push_back(img1);images.push_back(img2);labels.push_back(0);  // 同一人使用相同标签labels.push_back(0);// 创建 EigenFaceRecognizer 实例Ptr<EigenFaceRecognizer> model = EigenFaceRecognizer::create();// 训练模型model->train(images, labels);// 预测新图像Mat testImage = imread("/media/dingxin/data/study/OpenCV/sources/images/Lenna.png", IMREAD_GRAYSCALE);resize(testImage, testImage, Size(img2.cols, img2.rows));int predictedLabel;double confidence;model->predict(testImage, predictedLabel, confidence);cout << "Predicted label: " << predictedLabel << ", Confidence: " << confidence << endl;return 0;
}