因为这个学期学习的Pattern Recognition需要做一个Lab实验，而我所在的小组的题目是人脸识别。我想参与做的工作是人脸检测定位，然后提取特征。

为了减少工作量，尽量采用现成的技术和现有的库，例如OpenCV。最容易实现而且已经被广泛实践的就是人脸的定位了，使用过google plus或者facebook的人都知道，在浏览相片的时候，能够自动识别人脸并且提示圈人。目前发现新浪微博的相册还无此自动识别功能，只有手动寻找位置……

人脸检测效果如下：

在Python下用起来OpenCV很爽，代码很简洁，很清晰易懂。使用的是Haar特征的分类器，训练之后得到的数据存在一个xml中。

在 http://opencvlibrary.svn.sourceforge.net/viewvc/opencvlibrary/trunk/opencv/data/haarcascades/ 可以下载各种分类器的haar特征数据。例如人脸（正脸和侧脸），眼耳口鼻，上体或者下体等。

import sys, os
import Image
from opencv.cv import *
from opencv.highgui import *
	
def detectObject(image, size):
  grayscale = cvCreateImage(cvSize(*size), 8, 1)
  cvCvtColor(image, grayscale, CV_BGR2GRAY)
  storage = cvCreateMemStorage(0)
  cvClearMemStorage(storage)
  cvEqualizeHist(grayscale, grayscale)
  cascade = cvLoadHaarClassifierCascade('haarcascade_profileface.xml',
                                        cvSize(1,1))
  faces = cvHaarDetectObjects(grayscale, cascade, storage, 1.1, 3, 
                              CV_HAAR_DO_CANNY_PRUNING, cvSize(50,50))
  if faces:
    for i in faces:
      cvRectangle(image, cvPoint( int(i.x), int(i.y)),
                  cvPoint(int(i.x+i.width), int(i.y+i.height)),
                  CV_RGB(0,255,0), 2, 8, 0)
  else:
    print "Faces not detected. Maybe change some parameters to test again."
  
def displayObject(image):
  cvNamedWindow("face", 1)
  cvShowImage("face", image)
  cvWaitKey(0)
  cvDestroyWindow("face")
  
def main():
  # Format & size
  img = Image.open(sys.argv[1])
  if 900 not in img.size:
    img.thumbnail((900, 900), Image.ANTIALIAS)
  img.save('/tmp/face.jpg', 'JPEG')

  image = cvLoadImage("/tmp/face.jpg")
  detectObject(image, img.size)
  displayObject(image)

if __name__ == "__main__":
  main()

diplayObject函数用于创建一个窗口，输出图像用，很方便，plot一样随时查看效果。
detectObject函数用于加载haar特征数据，然后调用cvHaarDetectObjects来test。如果成功，返回一组矩形区域。在测试之前，需要将输入的图片转换成灰度图（grayscale），还需要创建一个存储空间用于存放测试结果。测试结果是动态分配内存空间的，所以无须指定大小了。

贴一些效果图：

静茹的照片都是舍友传给我测试的，他是梁静茹的忠实粉丝啊！！！

下面来张@菜汤 的，我也算是菜汤的一个粉丝吧！！！

多个人出现在同一张图片中。

当然，并不是每次都能成功定位到人脸的，这个跟特征数据以及训练的参数有关，也跟测试时候参数的设置有关。例如，在做眼部的检测时，如果训练的数据都是没有戴眼镜的人，然后选取一张戴眼镜的人脸进行测试，大部分都会失败！！！如果是墨镜，那就百分之百失败了。

我有一个想法，我硬盘上的照片已经超过60G了，照片数目一定也不少。我想抽时间，写个小程序，把照片里的所有人脸都提取出来，然后采用KPCA和SVM来进行人脸识别。为什么要采用SVM呢？ 因为在之前我们的小组中，曾珊同学提议的KPCA的方法效果很好，而SVM相对于其他方法可能慢一些，但是准确率很高，达到90%以上就很满意了。

以上统计的训练和测试的图像来自ORL人脸数据库 http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html