本系列人臉識別文章用的是opencv2，最新版的opencv3.2的程式碼請參考文章：

OpenCV之識別自己的臉——C++原始碼放送（請在上一篇文章末尾檢視）

在該系列第一篇《OpenCV人臉識別之一：資料收集和預處理》文章中，已經下載了ORL人臉資料庫，並且為了識別自己的人臉寫了一個拍照程式自拍。之後對拍的照片進行人臉識別和提取，最後我們得到了一個包含自己的人臉照片的資料夾s41。在部落格的最後我們提到了一個非常重要的檔案——at.txt。

1、csv檔案的生成

當我們寫人臉模型的訓練程式的時候，我們需要讀取人臉和人臉對應的標籤。直接在資料庫中讀取顯然是低效的。所以我們用csv檔案讀取。csv檔案中包含兩方面的內容，一是每一張圖片的位置所在，二是每一個人臉對應的標籤，就是為每一個人編號。這個at.txt就是我們需要的csv檔案。生成之後它裡面是這個樣子的：

前面是圖片的位置，後面是圖片所屬人臉的人的標籤。

要生成這樣一個檔案直接用手工的方式一個一個輸入顯然不可取的，畢竟這裡有400多張圖片。而且這種重複性的工作估計也沒人想去做。所以我們可以用命令列的方式簡化工作量；或者用opencv自帶的Python指令碼來自動生成。

命令列方式是這樣的。比如我的資料集在C:UsersbingbuyuDownloadsatt_faces資料夾下面，我就用下面兩行命令：

然後資料集資料夾下面就多出了一個at.txt檔案，但是現在是隻有路徑沒有標籤的。像下面這樣：

標籤需要手動敲上去。。。也挺麻煩的。

好在opencv教程裡面為我們提供了自動生成csv檔案的指令碼。路徑類似這樣：F:opencvsourcesmodulescontribdocfacerecsrccreate_csv.py。我不知道怎麼用命令列引數的形式執行Python指令碼，所以只能把程式碼裡面的BASE_PATH手動的改成自己的資料集路徑，改完大致是這樣：

#!/usr/bin/env python
 import sys
import os.path
 # This is a tiny script to help you creating a CSV file from a face
# database with a similar hierarchie:
#
#  philipp@mango:~/facerec/data/at$ tree
#  .
#  |-- README #  |-- s1
#  |   |-- 1.pgm #  |   |-- ...
#  |   |-- 10.pgm
 #  |-- s2
#  |   |-- 1.pgm
#  |   |-- ...
#  |   |-- 10.pgm
#  ...
#  |-- s40
 #  |   |-- 1.pgm
#  |   |-- ...
#  |   |-- 10.pgm
#
 if __name__ == "__main__":      
#if len(sys.argv) != 2:     
#    print "usage: create_csv <base_path>"     
#    sys.exit(1)      
#BASE_PATH=sys.argv[1]     
BASE_PATH="C:/Users/bingbuyu/Downloads/att_faces"      
SEPARATOR=";"      
fh = open("../etc/at.txt",'w')      
label = 0     
for dirname, dirnames, filenames in os.walk(BASE_PATH):         
for subdirname in dirnames:             
subject_path = os.path.join(dirname, subdirname)             
for filename in os.listdir(subject_path):                 
abs_path = "%s/%s" % (subject_path, filename)                 
print "%s%s%d" % (abs_path, SEPARATOR, label)                
 fh.write(abs_path)                 
fh.write(SEPARATOR)                
 fh.write(str(label))                
 fh.write("n")                   
label = label + 1
 fh.close()
 

然後執行這個指令碼就可以生成一個既有路徑又有標籤的at.txt了。

2、訓練模型

現在資料集、csv檔案都已經準備好了。接下來要做的就是訓練模型了。

這裡我們用到了opencv的Facerecognizer類。opencv中所有的人臉識別模型都是來源於這個類，這個類為所有人臉識別演算法提供了一種通用的介面。文件裡的一個小段包含了我們接下來要用到的幾個函式：

OpenCV 自帶了三個人臉識別演算法：Eigenfaces，Fisherfaces 和區域性二值模式直方圖 (LBPH)。這裡先不去深究這些演算法的具體內容，直接用就是了。如果有興趣可以去看相關論文。接下來就分別訓練這三種人臉模型。這個時候就能體現出Facerecognizer類的強大了。因為每一種模型的訓練只需要三行程式碼：

  Ptr<FaceRecognizer> model = createEigenFaceRecognizer();     model->train(images, labels);     model->save("MyFacePCAModel.xml");      Ptr<FaceRecognizer> model1 = createFisherFaceRecognizer();     model1->train(images, labels);     model1->save("MyFaceFisherModel.xml");      Ptr<FaceRecognizer> model2 = createLBPHFaceRecognizer();     model2->train(images, labels);     model2->save("MyFaceLBPHModel.xml");
當然在這之前要先把之前圖片和標籤提取出來。這時候就是at.txt派上用場的時候了。
//使用CSV檔案去讀影象和標籤，主要使用stringstream和getline方法
static void read_csv(const string& filename, vector<Mat>& images, vector<int>& labels, char separator = ';') {     
std::ifstream file(filename.c_str(), ifstream::in);     
if (!file) {         
string error_message = "No valid input file was given, please check the given filename.";         CV_Error(CV_StsBadArg, error_message);     
}     
string line, path, classlabel;     
while (getline(file, line)) {         
stringstream liness(line);         
getline(liness, path, separator);         
getline(liness, classlabel);        
 if (!path.empty() && !classlabel.empty()) {             
images.push_back(imread(path, 0));             
labels.push_back(atoi(classlabel.c_str()));        
 }
    }
}

在模型訓練好之後我們拿資料集中的最後一張圖片做一個測試，看看結果如何。

Mat testSample = images[images.size() - 1]; int testLabel = labels[labels.size() - 1]; <span style="white-space:pre"> </span>//。。。。這裡省略部分程式碼。。。。。。。。 // 下面對測試影象進行預測，predictedLabel是預測標籤結果 int predictedLabel = model->predict(testSample); int predictedLabel1 = model1->predict(testSample); int predictedLabel2 = model2->predict(testSample); // 還有一種呼叫方式，可以獲取結果同時得到閾值: // int predictedLabel = -1; // double confidence = 0.0; // model->predict(testSample, predictedLabel, confidence); string result_message = format("Predicted class = %d / Actual class = %d.", predictedLabel, testLabel); string result_message1 = format("Predicted class = %d / Actual class = %d.", predictedLabel1, testLabel); string result_message2 = format("Predicted class = %d / Actual class = %d.", predictedLabel2, testLabel); cout << result_message << endl; cout << result_message1 << endl; cout << result_message2 << endl;

由於本來的資料集中是40個人，加上自己的人臉集就是41個。標籤是從0開始標的，所以在這裡我是第40個人。也即是說Actual class應該40。Predicted class也應該是40才說明預測準確。這裡我們可以看到結果：

結果正確。

模型訓練的全部程式碼:

//#include "stdafx.h"
#include <opencv2/opencv.hpp>
 #include <iostream>
#include <fstream>
#include <sstream>
#include <math.h>
using namespace cv;
using namespace std;
static Mat norm_0_255(InputArray _src) {     
Mat src = _src.getMat();     
// 建立和返回一個歸一化後的影象矩陣:     
Mat dst;     
switch (src.channels()) {     
case1:         
cv::normalize(_src, dst, 0, 255, NORM_MINMAX, CV_8UC1);         
break;     
case3:        
 cv::normalize(_src, dst, 0, 255, NORM_MINMAX, CV_8UC3);         
break;     
default:         
src.copyTo(dst);        
break;     
}    
 return dst; }
//使用CSV檔案去讀影象和標籤，主要使用stringstream和getline方法
static void read_csv(const string& filename, vector<Mat>& images, vector<int>& labels, char separator = ';') {     
std::ifstream file(filename.c_str(), ifstream::in);     
if (!file) {         
string error_message = "No valid input file was given, please check the given filename.";         CV_Error(CV_StsBadArg, error_message);    
 }     
string line, path, classlabel;     
while (getline(file, line)) {         
stringstream liness(line);         
getline(liness, path, separator);         
getline(liness, classlabel);         
if (!path.empty() && !classlabel.empty()) {             
images.push_back(imread(path, 0));             
labels.push_back(atoi(classlabel.c_str()));        
 }   
  }
 }
 int main()
 {     
//讀取你的CSV檔案路徑.     
//string fn_csv = string(argv[1]);     
string fn_csv = "at.txt";     
// 2個容器來存放影象資料和對應的標籤     
vector<Mat> images;     
vector<int> labels;     
// 讀取資料. 如果檔案不合法就會出錯     
// 輸入的檔名已經有了.    
 try    
 {         
read_csv(fn_csv, images, labels);     
}    
 catch (cv::Exception& e)     
{         
cerr << "Error opening file "" << fn_csv << "". Reason: " << e.msg << endl;         
// 檔案有問題，我們啥也做不了了，退出了         
exit(1);     
}     
// 如果沒有讀取到足夠圖片，也退出.    
 if (images.size() <= 1) {         
string error_message = "This demo needs at least 2 images to work. Please add more images to your data set!";         
CV_Error(CV_StsError, error_message);     
}     
// 下面的幾行程式碼僅僅是從你的資料集中移除最後一張圖片     
//[gm:自然這裡需要根據自己的需要修改，他這裡簡化了很多問題]     
Mat testSample = images[images.size() - 1];     
int testLabel = labels[labels.size() - 1];     
images.pop_back();     
labels.pop_back();     
// 下面幾行建立了一個特徵臉模型用於人臉識別，     
// 通過CSV檔案讀取的影象和標籤訓練它。    
 // T這裡是一個完整的PCA變換     
//如果你只想保留10個主成分，使用如下程式碼    
 //      cv::createEigenFaceRecognizer(10);     
//     
// 如果你還希望使用置信度閾值來初始化，使用以下語句：    
 //      cv::createEigenFaceRecognizer(10, 123.0);     
//     
// 如果你使用所有特徵並且使用一個閾值，使用以下語句：    
 //      cv::createEigenFaceRecognizer(0, 123.0);     
Ptr<FaceRecognizer> model = createEigenFaceRecognizer();     
model->train(images, labels);     
model->save("MyFacePCAModel.xml");     
Ptr<FaceRecognizer> model1 = createFisherFaceRecognizer();     
model1->train(images, labels);     
model1->save("MyFaceFisherModel.xml");    
 Ptr<FaceRecognizer> model2 = createLBPHFaceRecognizer();     
model2->train(images, labels);     
model2->save("MyFaceLBPHModel.xml");    
 // 下面對測試影象進行預測，predictedLabel是預測標籤結果    
int predictedLabel = model->predict(testSample);    
 int predictedLabel1 = model1->predict(testSample);     
int predictedLabel2 = model2->predict(testSample);     
// 還有一種呼叫方式，可以獲取結果同時得到閾值:     
//      int predictedLabel = -1;     
//      double confidence = 0.0;     
//      model->predict(testSample, predictedLabel, confidence);     
string result_message = format("Predicted class = %d / Actual class = %d.", predictedLabel, testLabel);     
string result_message1 = format("Predicted class = %d / Actual class = %d.", predictedLabel1, testLabel);     
string result_message2 = format("Predicted class = %d / Actual class = %d.", predictedLabel2, testLabel);     
cout << result_message << endl;

cout << result_message1 << endl;     
cout << result_message2 << endl;    
 waitKey(0);     
return 0;
 }