OpenCV使用Fisherfaces算法，实现人脸识别对比

Fisherfaces使用LDA(Linear Discriminant Analysis,线性判别分析)实现人脸识别。线性判别识别最早由Fisher在1936年提出，是一种经典的线性学习方法，也称为“Fisher判别方法”。

一、基本原理
线性判别分析在对特征值降维的同时考虑类别信息。其主要思路为：在低维表示下，相同的类应该紧密聚集在一起；不同的类应该尽可能的分开且距离应尽可能远。即线性判别分析要尽力满足一下两个要求：
·类别之间的差别尽可能地大
·类别之间的差别尽可能地小
做线性判别分析时，首先将训练样本投影到一条直线A上，让投影后的点满足：
·异类之间的点尽可能地远离
·同类之间的点尽可能地靠近
做完投影后，将待测样本投影到直线A上，根据投影点的位置判断样本的类别，就完成了识别。

例如：下图为一组训练样本集，现在需要找到一条直线，让所有样本满足：
异类之间的点尽可能地远离，同类之间的点尽可能地靠近

下图左右两图分别有两条不同投影线L1和L2，将上图中的样本投影到这两条线上，可以看到下图中L2的投影效果要好于在L1上的投影结果。

如上图所示线性判别分析找到的最优的投影线，A B样本组内样本之间的距离要尽可能的近，C的组间的距离要尽可能的远。找到这样一条直线后，如果要判断某个待测样本的分组，可以将该样本点向投影线投影，然后根据投影点的位置来判断其所属类别。
例如下图中，三角形样本U向投影线投影后，其投影点在原点的投影范围内，则认为该样本点U属于圆点所在分类。

二、函数介绍
Opencv提供函数：cv2.face.FisherFaceRecognizer_create()生成Fisherfaces识别实例模型，然后应用cv2.face_FaceRecognizer.train()函数完成训练，用cv2.face_FaceRecognizer.predict()函数完成人脸识别。

1.cv2.face.FisherFaceRecognizer_create()
该函数语法格式：r1 = cv2.face.FisherFaceRecognizer_create(num_components,threshold)
两个参数都为可选参数，他们的定义为：
num_components：使用Fisherfaces准则进行线性判别分析时保留的成分数量。可以采用默认值“0”
threshold：进行识别时所用的阈值。如果最近的距离比设定的阈值threshold还要大，函数返回1

2.cv2.face.FisherFaceRecognizer.train()
该函数对每个参考图像进行Fisherfaces计算，得到一个向量。每个人脸都是整个向量集中的一个点。该函数的语法格式为：
no = cv2.face.FisherFaceRecognizer.train(src,labels)
src：训练图像，用来学习的图像。
labels:人脸图像所对应的标签。
该函数没有返回值。

3.cv2.face_FaceRecognizer.predict()
该函数在对一个待测人脸图像进行判别时，寻找与其距离最近的人脸图像，将其识别为对应的标签。语法格式：
label,confidence=cv2.face_FaceRecognizer.predict(src)
src:需要识别的人脸图像。
label:返回识别结果的标签。
confidence：置信度评分，用来衡量识别结果与原有模型之间的距离。0表示完全匹配。该值通常在0到20000之间，若低于5000则认为是相当可靠的识别结果。

下面介绍简单的人脸识别示例：
（运行环境：PyCharm+python3.7+opencv4.5.1.48）
先有五张图，其中前四张作为训练集（图1、4为一组标签为0，图2、3为一组标签为1），另外一张为测试：
1.                   2.                     3.                     4.                     5.

代码：

import cv2
import numpy as np
images = []
# 这里因为需要我将照片导入前已经调整为一样大小，如果嫌麻烦可以在代码中将图像resize成一样大的，这里在给出
ima = cv2.imread("img/1.png", cv2.IMREAD_GRAYSCALE)
imb = cv2.imread("img/4.png", cv2.IMREAD_GRAYSCALE)
imc = cv2.imread("img/2.png", cv2.IMREAD_GRAYSCALE)
imd = cv2.imread("img/3.png", cv2.IMREAD_GRAYSCALE)
images.append(ima)
images.append(imb)
images.append(imc)
images.append(imd)
# 前两张标签为0，后两张标签为1
labels = [0, 0, 1, 1]
# print(labels)
recognizer = cv2.face.FisherFaceRecognizer_create()
recognizer.train(images, np.array(labels))
predict_image = cv2.imread("img/5.png", cv2.IMREAD_GRAYSCALE)
label, confidence = recognizer.predict(predict_image)
# 输出匹配的人脸图像标签，0或1
print("label=", label)
# 输出置信读
print("confidence=", confidence)
# 显示训练集中最为匹配的图像

 

运行结果：

可以看到匹配的标签为1，置信读为1687多
假设如果将图1、4，2、3标签互换输出结果应该是标签0，结果如下：

正确🙊👏🏻👏🏻
参考书籍：《OpenCV轻松入门：面向Python》李宗立.电子工业出版社.