//--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，0-39pFrameMat =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reshapeif(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;}
