基于QT+OpenCV的人脸识别-完美体育·（中国）手机网页版iMX8M Plus开发板的项目应用

//读取你的CSV文件路径.

//string fn_csv = string(argv[1]);

string fn_csv = "F:videocccat.txt";

// 2个容器来存放图像数据和对应的标签

vector images;

vector 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); //从csv文件中批量读取训练数据

}

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);

}

for (int i = 0; i < images.size(); i++)

{

//cout<

if (images.size() != Size(92, 112))

{

cout << i << endl;

cout << images.size() << endl;

}

}

// 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，作为测试图片

//[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();//删除最后一张照片，此照片作为测试图片

labels.pop_back();//删除最有一张照片的labels

// 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);

//创建一个PCA人脸分类器，暂时命名为model吧，创建完成后

//调用其中的成员函数train()来完成分类器的训练

Ptr model = face::EigenFaceRecognizer::create();

model->train(images, labels);

model->save("MyFacePCAModel.xml");//保存路径可自己设置，但注意用“”

Ptr model1 = face::FisherFaceRecognizer::create();

model1->train(images, labels);

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

Ptr model2 = face::LBPHFaceRecognizer::create();

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

//注意predict()入口参数必须为单通道灰度图像，如果图像类型不符，需要先进行转换

//predict()函数返回一个整形变量作为识别标签

int predictedLabel = model->predict(testSample);//加载分类器

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;