在最新版的2.4.2中，文檔的更新也是一大亮點，refrence manual擴充了200多頁的內容，添加了contrib部分的文檔。contrib就是指OpenCV中新添加的模塊，但又不是很穩定，可以認為是一個雛形的部分。這次結合refman的閱讀，介紹一下FaceRecognizer這個人臉識別類，這個類也是2.4.2更新日志里著重強調過的更新，配套的文檔也是相當充實。這個類的基類也是Algorithm類，對于Algorithm類的簡單介紹，請參看我之前的blogOpenCV學習筆記（五十）——Algorithm類介紹（core），這個類內的接口函數也是異常簡單，人臉識別的任務也就是兩大部分，訓練和預測，分別對應著train函數和predict函數，還有對應的數據加載保存函數save和load。不過它當然還可以調用其基類Algorithm的函數。特別說明的是，人臉識別中預測的參數也是可以調節的，但這里只給出了train和predict函數，為啥沒有setparameter的函數呢，那是因為各中人臉識別方法的參數并不相同，要通過Algorithm的get和set函數實時的調整~~v5啊！

先來說說訓練的過程，train函數的兩個參數也很簡單，訓練的圖像組vector<Mat>和對應的標簽組vector<int>，這個label標簽只需保證同一個人的標簽相同即可，不需要保證圖像的按標簽順序輸入，方便極了。對于預測，有兩種調用，其中的參數有測試圖像、返回的標簽值和測試樣本和標簽樣本的相似性。返回的標簽值為-1，說明測試樣本在訓練集中無對應或距離較遠。這里用個FisherFace作為示例說明一下如何訓練和預測：

當然我們也不需要每次使用都進行一次訓練，可以把訓練好的模型通過save函數保存成一個文件，下次使用的時候只需load即可。

目前支持的3種人臉識別的方案：特征臉EigenFace、Fisher臉FisherFace、LBP直方圖LBPHFace。分別調用函數createEigenFaceRecognizer、createFisherFaceRecognizer、createLBPHFaceRecognizer建立模型。

對于EigenFace兩個輸入參數，分別為PCA主成分的維數num_components和預測時的閾值threshold，主成分這里沒有一個選取的準則，要根據輸入數據的大小而決定，通常認為80維主成分是足夠的。除了這兩個輸入參數外，還有eigenvalues和eigenvectors分別代表特征值和特征向量，mean參數為訓練樣本的平均值，projections為訓練數據的預測值，labels為預測時的閾值。

對于FisherFace，和EigenFace非常相似，也有num_components和threshold兩個參數和其他5個參數，FisherFace的降維是LDA得到的。默認值為c-1，如果設置的初始值不在（0，c-1]的范圍內，會自動設定為c-1。

特別需要強調的是，EigenFace和FisherFace的訓練圖像和測試圖像都必須是灰度圖，而且是經過歸一化裁剪過的。

對于LBPHFace，我想不用過多介紹，LBP簡單和效果是大家都很喜歡的，參數包括半徑radius，鄰域大小即采樣點個數neighbors，x和y方向的單元格數目grid_x,grid_y，還有兩個參數histograms為訓練數據得到的直方圖，labels為直方圖對應的標簽。這個方法也要求訓練和測試的圖像是灰度圖

接下來應該結合文檔進一步研究一下這個人臉識別類。我之前大量的人臉實驗都是在matlab下進行的，有了這個利器，我感覺會有越來越多的學生做老師和老板布置的project會選擇用OpenCV，而不是Matlab。希望我們都愛的OpenCV越來越好，越來越強大。歡迎交流