本文主要参考OpenCV人脸识别教程：http://docs.opencv.org/modules/contrib/doc/facerec/facerec_tutorial.html

1、OpenCV 从2.4开始支持3个新的人脸识别算法。

1. 1. Eigenfaces 极值特征脸 createEigenFaceRecognizer()
   2. Fisherfaces createFisherFaceRecognizer()
   3. Local Binary Patterns Histograms局部二值直方图 createLBPHFaceRecognizer()

2、为了使用这三种算法，我们首先需要准备人脸训练样本，本文采用AT&T Facedatabase(点击下载)提供的人脸训练样本，该样本包括40个人，每人10张照片。照片在不同时间、不同光照、不同表情(睁眼闭眼、笑或者不笑)、不同人脸细节(戴眼镜或者不戴眼镜)下采集。所有的图像都在一个黑暗均匀的背景下，正面竖直人脸(有些有轻微旋转)。图像格式为pgm，图像大小为92*112，我们可以用gimp打开该格式的图像。

     解压AT&T人脸数据库后，我们把目录att_faces拷贝到solution文件目录。在att_faces目录中，有s1,s2,...s40,共40个子目录，每个子目录中有1.pgm...10.pgm，10个文件，每个子目录对应一个人，子目录中的每副照片，对应一个人的各种人脸表情。比如s1中存放的10张人脸样本如下所示：

      下面我们我们创建一个txt文件facerec_at.txt，格式如下，每一行包括两个字段，中间用“;”分开，第一个字段表示样本图片的路径文件名，第二个参数是一个整数索引，表示第几个人，例如第二个参数都为0，则表示第一个人，后面依次类推：

../att_faces/s13/2.pgm;12
../att_faces/s13/7.pgm;12
../att_faces/s13/6.pgm;12
../att_faces/s13/9.pgm;12
../att_faces/s13/5.pgm;12
../att_faces/s13/3.pgm;12
../att_faces/s13/4.pgm;12
../att_faces/s13/10.pgm;12
../att_faces/s13/8.pgm;12
../att_faces/s13/1.pgm;12
../att_faces/s17/2.pgm;16
../att_faces/s17/7.pgm;16

...

../att_faces/s38/10.pgm;37
../att_faces/s38/8.pgm;37
../att_faces/s38/1.pgm;37

3. Eigenfaces算法描述：

      二维灰度图像p*q大小，是一个m=pq维的向量空间，一个100*100像素大小的图像就是10000维的图像空间。我们可以通过主成分分析算法(PCA)来对m维的图像向量进行降维操作。OpenCV中PCA算法细节，可以参考：http://www.cnblogs.com/mikewolf2002/p/3432243.html，通过PCA算法，我们可以得到k个特征脸，k就是我们选择降到的维数。

算法描述Algorithmic Description

令   表示一个随机特征，其中 .

1. 计算均值向量

1. 计算协方差矩阵 S

1. 计算 的特征值    和对应的特征向量  

1. 对特征值进行递减排序，特征向量和它顺序一致. k个主成分也就是k个最大的特征值对应的特征向量。

x的K个主成份:

其中  .

PCA基的重构:

其中 .

然后特征脸通过下面的方式进行人脸识别：

1. 把所有的训练数据投影到PCA子空间
2. 把待识别图像投影到PCA子空间
3. 找到训练数据投影后的向量和待识别图像投影后的向量最近的那个。

4. 程序开始后，我们把样本图像和索引标签读到两个vector变量中。

    // 得到txt文件的名字
    string fn_csv = string("facerec_at_t.txt");
    // 定义一个Mat格式的vector用来保存图像，int格式的vector表示图像索引标签
    vector<Mat> images;
    vector<int> labels;
    //读入图像文件和索引标签
    try {
        read_csv(fn_csv, images, labels);
        } catch (cv::Exception& e)
        {
            cerr << "Error opening file \"" << fn_csv << "\". Reason: " << e.msg << endl;
            exit(1);
        }
    我们选择images中的最后一副图片，作为检测的图像，并把它从images中移除。

Mat testSample = images[images.size() - 1];
int testLabel = labels[labels.size() - 1];
images.pop_back();
labels.pop_back();

通过下面的代码，我们输入待检测的图像，返回结果是对应人的索引标签，我们输入图像是第37个人，从结果看是对的。

    //创建特征脸算法模型，并通过样本训练数据
    Ptr<FaceRecognizer> model = createEigenFaceRecognizer();
    model->train(images, labels);

    //通过predict输入待检测的图像，返回结果是索引标签
    int predictedLabel = model->predict(testSample);
    string result_message = format("Predicted class = %d / Actual class = %d.", predictedLabel, testLabel);
    cout << result_message << endl;

5. 通过下面的代码，我们可以求得特征值和特征向量值，并把特征向量显示为特征脸。

// 特征值和特征向量
Mat eigenvalues = model->getMat("eigenvalues");
// And we can do the same to display the Eigenvectors (read Eigenfaces):
Mat W = model->getMat("eigenvectors");
//特征值列数是1，行数是特征值的数量399
//特征向量10304*399,每一列都是一个特征向量
//每一个特征值对应一个特征向量
printf("特征值数量 ：%d\n", eigenvalues.rows);
printf("特征向量维数 ：%d\n",W.rows);
//显示10个特征向量
for (int i = 0; i < min(10, W.cols); i++)
    {
    string msg = format("Eigenvalue #%d = %.5f", i, eigenvalues.at<double>(i));
    cout << msg << endl;
   // 得到第i个特征向量
    Mat ev = W.col(i).clone();
    // 把特征向量归一化到0-255，便于显示
    Mat grayscale = toGrayscale(ev.reshape(1, height));
    // 用Jet colormap显示灰度图.
    imshow(format("gray image%d", i), grayscale);
    Mat cgrayscale;
    applyColorMap(grayscale, cgrayscale, COLORMAP_JET);
    imshow(format("%d", i), cgrayscale);
    }

我们总共显示了10个特征向量(特征脸)，第一个特征脸的灰度图和color map图如下：

程序代码：工程FirstOpenCV31