读取csv文件路径（每行图像路径和标签分割），人脸识别（PCAModel、FisherModel、LBPHModel）训练预测。

// ConsoleApplication3.cpp : 定义控制台应用程序的入口点。

//

 

#include "stdafx.h"

#include

#include

#include

#include

#include

#include   

#include   

#include   

#include   

 

using namespace cv;

using namespace cv::face;

using namespace std;

 

static Mat norm_0_255(InputArray _src) {

Mat src = _src.getMat();

// 创建和返回一个归一化后的图像矩阵:  

Mat dst;

switch (src.channels()) {

case 1:

cv::normalize(_src, dst, 0, 255, NORM_MINMAX, CV_8UC1);

break;

case 3:

cv::normalize(_src, dst, 0, 255, NORM_MINMAX, CV_8UC3);

break;

default:

src.copyTo(dst);

break;

}

return dst;

}

 

//使用CSV文件去读图像和标签，主要使用stringstream和getline方法  

static void read_csv(const string& filename, vector& images, vector<int>& labels, char separator = ';') {

std::ifstream file(filename.c_str(), ifstream::in);

if (!file) {

string error_message = "No valid input file was given, please check the given filename.";

CV_Error(CV_StsBadArg, error_message);

}

string line, path, classlabel;

while (getline(file, line)) {

stringstream liness(line);

getline(liness, path, separator);

getline(liness, classlabel);

if (!path.empty() && !classlabel.empty()) {

images.push_back(imread(path, 0));

labels.push_back(atoi(classlabel.c_str()));

}

}

}

 

 

int main()

{

 

//读取你的CSV文件路径.  

//string fn_csv = string(argv[1]);  

string fn_csv = "at.txt";

 

// 2个容器来存放图像数据和对应的标签  

vector images;

vector<int> labels;

// 读取数据. 如果文件不合法就会出错  

// 输入的文件名已经有了.  

try

{

read_csv(fn_csv, images, labels);

}

catch (cv::Exception& e)

{

cerr << "Error opening file \"" << fn_csv << "\". Reason: " << e.msg << endl;

// 文件有问题，我们啥也做不了了，退出了  

exit(1);

}

// 如果没有读取到足够图片，也退出.  

if (images.size() <= 1) {

string error_message = "This demo needs at least 2 images to work. Please add more images to your data set!";

CV_Error(CV_StsError, error_message);

}

 

// 下面的几行代码仅仅是从你的数据集中移除最后一张图片  

//[gm:自然这里需要根据自己的需要修改，他这里简化了很多问题]  

Mat testSample = images[images.size() - 1];

int testLabel = labels[labels.size() - 1];

images.pop_back();

labels.pop_back();

// 下面几行创建了一个特征脸模型用于人脸识别，  

// 通过CSV文件读取的图像和标签训练它。  

// T这里是一个完整的PCA变换  

//如果你只想保留10个主成分，使用如下代码  

//      cv::createEigenFaceRecognizer(10);  

//  

// 如果你还希望使用置信度阈值来初始化，使用以下语句：  

//      cv::createEigenFaceRecognizer(10, 123.0);  

//  

// 如果你使用所有特征并且使用一个阈值，使用以下语句：  

//      cv::createEigenFaceRecognizer(0, 123.0);  

 

Ptr<BasicFaceRecognizer> model = createEigenFaceRecognizer();

model->train(images, labels);

model->save("MyFacePCAModel.xml");

 

Ptr<BasicFaceRecognizer> model1 = createFisherFaceRecognizer();

model1->train(images, labels);

model1->save("MyFaceFisherModel.xml");

 

Ptr<LBPHFaceRecognizer> model2 = createLBPHFaceRecognizer();

model2->train(images, labels);

model2->save("MyFaceLBPHModel.xml");

 

// 下面对测试图像进行预测，predictedLabel是预测标签结果  

int predictedLabel = model->predict(testSample);

int predictedLabel1 = model1->predict(testSample);

int predictedLabel2 = model2->predict(testSample);

 

// 还有一种调用方式，可以获取结果同时得到阈值:  

//      int predictedLabel = -1;  

//      double confidence = 0.0;  

//      model->predict(testSample, predictedLabel, confidence);  

 

string result_message = format("Predicted class = %d / Actual class = %d.", predictedLabel, testLabel);

string result_message1 = format("Predicted class = %d / Actual class = %d.", predictedLabel1, testLabel);

string result_message2 = format("Predicted class = %d / Actual class = %d.", predictedLabel2, testLabel);

cout << result_message << endl;

cout << result_message1 << endl;

cout << result_message2 << endl;

 

getchar();

//waitKey(0);

return 0;

}