• 操作系統：ubuntu22.04
• OpenCV版本：OpenCV4.9
• IDE:Visual Studio Code
• 編程語言：C++11

算法描述

這是基于 PCA（主成分分析） 的人臉識別算法實現。它通過將人臉圖像投影到一個低維的“特征臉”空間中進行識別，是最早也是最基礎的人臉識別方法之一。

構造函數與參數

你可以使用以下方式創建 EigenFaceRecognizer：

// 默認構造
Ptr<EigenFaceRecognizer> model = EigenFaceRecognizer::create();// 或者指定 PCA 成分數和置信度閾值
Ptr<EigenFaceRecognizer> model = EigenFaceRecognizer::create(num_components, threshold);

參數	描述
num_components	PCA 保留的主成分數，默認為 0（自動計算）
threshold	預測時的置信度閾值，超過此值認為未知身份

核心函數摘要

方法	描述
void train(InputArrayOfArrays _src, InputArray _labels)	使用圖像集和對應標簽訓練模型
void predict(InputArray src, int &label, double &confidence) const	預測輸入圖像的標簽及置信度
void save(const String& filename)	保存訓練好的模型到文件
void load(const String& filename)	從文件加載模型
Mat getEigenValues()	獲取特征值
vector getEigenVectors()	獲取特征向量（即特征臉）
vector getProjections()	獲取訓練樣本的投影向量
double getThreshold()	獲取當前置信度閾值
void setThreshold(double val)	設置置信度閾值

注意事項

• 圖像必須為 單通道灰度圖；
• 所有圖像尺寸必須一致（例如統一縮放為 96x96）；
• 標簽為整數類型，表示不同身份 ID；
• 對光照、姿態變化較敏感；
• 不適用于大規模數據集或復雜場景；

代碼示例

#include <opencv2/opencv.hpp>
#include <opencv2/face.hpp>
#include <vector>using namespace cv;
using namespace cv::face;
using namespace std;int main() {// 準備訓練數據：人臉圖像和對應的標簽vector<Mat> images;     // 人臉圖像（灰度圖）vector<int> labels;     // 標簽（如 0: 張三, 1: 李四）// 示例加載圖像并轉換為灰度圖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);  // 同一人使用相同標簽labels.push_back(0);// 創建 EigenFaceRecognizer 實例Ptr<EigenFaceRecognizer> model = EigenFaceRecognizer::create();// 訓練模型model->train(images, labels);// 預測新圖像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;
}

運行結果

Predicted label: 0, Confidence: 1490.02