人脸识别学习总结
对人脸识别算法进行了一定程度的学习，从最开始的特征脸到如今的CNN人脸检测，有了较为全面的了解。重点掌握了基于PCA的特征脸检测，LDA线性判别分析（Fisher线性判别），以及基于级联器的Haar特征，LBP特征的人脸检测算法，人脸检测的学习主要是基于OpenCV中人脸识别类FaceRecognizer的学习。目前支持的算法有：
Eigenface特征脸 createEigenFaceRecognizer() Fisherface createFisherFaceRecognizer() LBP局部二值直方图 createLBPHFaceRecognizer()
1、Eigenface特征脸（掌握PCA数学原理，人脸识别步骤）特征脸EigenFace：就相当于把人脸从像素空间变换到另一个空间，在另一个空间中做相似性的计算。EigenFace选择的空间变换方法是PCA，也就是大名鼎鼎的主成分分析。EigenFace方法利用PCA得到人脸分布的主要成分，具体实现是对训练集中所有人脸图像的协方差矩阵进行特征值分解，得到对应的特征向量，这些特征向量就是“特征脸”。
1）将训练集的每一个人脸图像都拉长一列，将他们组合在一起形成一个大矩阵A。假设每个人脸图像是MxM大小，那么拉成一列后每个人脸样本的维度就是N=MxM大小了。假设有20个人脸图像，那么样本矩阵A的维度就是20xN了。
2）将所有的20个人脸求每一列的平均值，就得到了一个“平均脸”，这个“平均脸”矩阵E是一个1xN的向量，将这个向量reshape成MxM矩阵，你就可以把这个脸显示出来。
3）将20个图像都减去那个平均脸图像（即矩阵A的每一行减去向量E），得到差值图像的数据矩阵Φ，矩阵Φ的维度也是20xN。
4）计算协方差矩阵 。协方差矩阵C的维度是NxN，（注意：协方差衡量的是不同像素位置间的相关性，并不是图像与图像之间的相关性）再对其进行特征值分解。就可以得到想要的特征向量（1xN）。这些特征向量如果还原成像素排列的话，其实还蛮像人脸的，所以称之为特征脸。我们可以取前40个特征向量，作为特征脸。
5）将训练集图像和测试集的图像都投影到这些特征向量上了，再对测试集的每个图像找到训练集中的最近邻或者k近邻等处理，进行分类即可。
实现步骤：
1、读取训练样本 注意一定要读取灰度图，并且转换成CV_32FC1
2、求特征向量（特征脸）
intnumber_principal_compent=10;//保留最大的主成分数（特征向量数）//构造pca数据结构PCApca(database,Mat(),CV_PCA_DATA_AS_ROW,number_principal_compent);Mateigenvectors=pca.eigenvectors.clone();3、求出每个训练样本和测试样本在子空间中的投影系数Matcv=pca.project(database);//输入database(m个样本)m*n，m张图像，返回cv是一个m*number_principal_compent的向量Mattest=pca.project(testimage);//testimage是输入一张人脸图像：1*n,返回test是一个1*number_principal_compent的向量，每个值代表该输入图像在每个特征脸上投影的系数。
4、计算每个训练样本和测试样本的欧式距离，取其中最小的为识别图片。
vectordistancefor(inti=0;i