OpenCV从2.4版本开始支持人脸识别功能，本书所用的版本是2.6.10，Python版本为3.4。OpenCV主要提供3种人脸识别算法，分别是Eigenfaces[12]、Fisherfaces[13]、Local Binary Patterns Histograms[14]（LBP，局部二值模式直方图）。Eigenfaces和Fisherfaces都是整体特征，而LBP则是局部特征，可以降低特征向量维度。OpenCV人脸识别的官方参考文档链接为：http://docs.opencv.org/2.6.10/modules/contrib/doc/facerec/facerec_tutorial.html。
6.3.1 Eigenfaces
1.算法原理
假设一张图片的尺寸为m×n像素，那么该图片对应一个长度为m×n的特征向量。所以，一张200×200像素的图片就对应了一个长度为40 000维的特征向量。但并不是这40 000个特征都对我们识别图像有帮助，我们想要的是最能代表图片信息的主要特征向量（40 000维中的一部分维）。主成分分析（Principal Component Analysis，PCA）由Karl Pearson（1901）和Harold Hotelling（1933）提出，它将一系列相关的属性（维）转换成更小的不相关属性集合（来源：OpenCV人脸识别的官方参考文档）。一个高维度的数据中，通常只有一部分维度代表有用的信息，而PCA就能发现高维数据中的主成分（主要属性）。PCA算法原理如下：
（1）计算数据集平均值。
（2）根据数据集平均值计算该数据集的协方差。
（3）求出协方差的特征向量和对应的特征值。
（4）根据特征值降序排列特征向量，前k个主成分就是k个最大的特征值对应的特征向量。
2.算法流程
整体操作步骤如下（来源：OpenCV人脸识别的官方参考文档）。
（1）运行源码opencv_frprocess_data文件夹下的create_csv.py文件，将图片路径和标签信息保存到at.csv文件中。
（2）编译源码文件夹opencv_fr下的facerec_eigenfaces.cpp文件，生成可执行文件。
具体步骤如下。
1）数据预处理
（1）使用AT&T Facedatabase[15]数据库，该数据库包含40个人，每个人有10张图片，其中某些人的图片在不同时间采集，有微弱的光照变化和面部表情变化。
（2）运行源代码opencv_frprocess_data文件夹下的create_csv.py文件，将图片路径和标签信息保存到at.csv文件中。在使用之前，读者需要修改自己的图片路径。
命令形式：
create_csv.py [图片数据所在路径，需要指定到该路径下包含s*的文件夹]
OpenCV提供的create_csv.py文件内容如下：
2）分类识别
（1）编译源码文件夹opencv_fr下的facerec_eigenfaces.cpp文件，生成的可执行文件命名为FaceRec_EigenFaces.exe。
（2）使用FaceRec_EigenFaces.exe命令：
FaceRec_EigenFaces.exe [图片列表文件] [输出图片的保存路径，可选]
例：
facerec_eigenfaces.cpp文件是OpenCV官方网站提供的源程序，其内容如下：
3.算法结果
经测试，该算法能正确预测测试图片的标签。
输出为：测试图片的预测标签，前10个特征向量对应的特征值如下所示。
使用了JET模式色图的10个Eigenfaces如图6-8所示，从这些图中我们可以看出，Eigenfaces不仅对面部特征进行了编码，而且对图片中的光照也进行了编码（第四张图中的右侧光，第五张图中的左侧光）。
图6-8 使用了JET模式色图的10个Eigenfaces
使用特征向量重新构建的人脸图像如图6-9所示。重新构建一个较好的人脸图像需要多个特征向量，从图6-9中可以看出，10个特征向量不足以重新构建人脸图像。50个特征向量可能足够重新构建人脸图像，对于AT&T Facedatabase来说，300个特征向量可以重新构建一个较好的人脸图像（来源：OpenCV人脸识别的官方参考文档）。
图6-9 使用特征向量重新构建的人脸图像
6.3.2 Fisherfaces
1.算法原理
Eigenfaces主要基于PCA实现，但是仍有一些不足，因为该PCA是无监督的，没有考虑类间变化，如输入数据的主要变化是光照，经过PCA处理后，该数据不再具有可区分信息（来源：OpenCV人脸识别的官方参考文档）。
线性鉴别分析[16]（Linear Discriminant Analysis，LDA）主要是处理特定类的降维，最大化类间的离散度、最小化类内的离散度。Fisherfaces主要基于LDA实现。
2.算法流程
整体操作步骤如下。
（1）运行源码opencv_frprocess_data文件夹下的create_csv.py文件，将图片路径和标签信息保存到at.csv文件中。
（2）编译源码文件夹opencv_fr下的facerec_fisherfaces.cpp文件，生成可执行文件。
具体步骤如下。
1）数据预处理
同6.3.1节。
2）分类识别
编译源码文件夹opencv_fr下的facerec_fisherfaces.cpp文件，生成FaceRec_FisherFaces.exe可执行文件。
FaceRec_FisherFaces.exe命令：
FaceRec_FisherFaces.exe [图片列表文件] [输出图片的保存路径，可选]
例：
facerec_fisherfaces.cpp文件是OpenCV官方网站提供的源程序，其内容如下：
3.算法结果
经测试，本算法能正确预测测试图片的标签。
输出为：测试图片的预测标签，此处只输出了前16个类别的特征值，如下所示。
输出16个类的Fisherface如图6-10所示，输出16个类的Fisherface重新构建后的图像如图6-11所示。
图6-10 16个类的Fisherface
图6-11 16个类的Fisherface重新构建后的图像
6.3.3 Local Binary Patterns Histograms
1.算法原理
Eigenfaces和Fisherfaces考虑的是整体特征，Eigenfaces最大化整体离散度，由于数据内部变化可能会导致分类识别，如光照变化等；为了保留类间可区分信息，于是就有了基于LDA实现的Fisherfaces，在特定场景下，它优于Eigenfaces。
Local Binary Patterns Histograms的主要思想是：通过比较图片中像素和与它相邻的像素对局部进行求和。取一个像素作为中心，对相邻的像素进行比较，如果中心像素的值大于或等于相邻像素的值，则把该相邻像素标为1，否则标为0。对于图片中的每个像素，会得到一个二进制序列，如00001111。一个中心像素周围的8个像素，可以得到28种组合，这种方法称为LBP或LBP编码。
为了具有尺度不变性，使用一个给定半径的圆来定义近邻，这种方法称为扩展LBP。
2.算法流程
整体操作步骤如下。
（1）运行源码opencv_frprocess_data文件夹下的create_csv.py文件，将图片路径和标签信息保存到at.csv文件中。
（2）编译源码文件夹opencv_fr下的facerec_lbph.cpp文件，生成可执行文件。
具体步骤如下。
1）数据预处理
同6.3.1节。
2）分类识别
编译源码文件夹opencv_fr下的facerec_lbph.cpp文件，假设生成FaceRec_LBPH.exe可执行文件。
FaceRec_LBPH.exe命令：
FaceRec_LBPH.exe [图片列表文件] [输出图片的保存路径，可选]
例：
FaceRec_LBPH.exe F:paperbookcodeopencv_frprocess_dataat. csv
facerec_lbph.cpp文件是OpenCV官方网站提供的源程序，其内容如下：
3.算法结果
经测试，该算法能正确预测测试图片中的标签。
输出为：测试图片的预测标签，模型信息如下所示。