介绍基于主成分分析（PCA）的人脸识别技术，即特征脸（Eigenfaces）方法。通过数学原理讲解降维必要性，利用 scikit-learn 和 OpenCV 实现训练与识别流程。实验基于 Olivetti 数据集，可视化特征脸并分析光照、姿态对识别率的影响。文章展示了完整的 Python 代码，包括数据加载、模型训练及最近邻匹配策略，为理解传统人脸识别算法提供实践参考。
人脸识别是计算机视觉中最具挑战性和应用价值的任务之一。作为最早的经典方法之一，基于主成分分析（PCA）的特征脸（Eigenfaces）方法通过降维实现了高效的特征提取。本文将带您从数学原理出发，完整实现一个基于 PCA 的人脸识别系统。
在进入实现细节前，我们先明确为何需要降维。
人脸图像通常具有高维度（例如，100x100 的图像即有 10,000 个像素维度）。直接在如此高维空间进行计算不仅计算复杂度极高，而且会受到'维度灾难'的困扰，导致识别精度下降。
PCA（Principal Component Analysis）是一种无监督学习算法，通过线性变换将数据投影到一个低维子空间，同时保留尽可能多的原始信息（方差）。在 PCA 的帮助下，我们可以用数十甚至数百个特征来描述原本需要上万维度才能描述的人脸。
Turk & Pentland 于 1991 年提出的**特征脸（Eigenfaces）**算法，就是将 PCA 应用于人脸识别的经典之作。它的核心思想是：
PCA 通过计算数据协方差矩阵的特征值分解来寻找主成分。特征值越大，对应的特征向量（即主成分）保留的数据方差越多。
在人脸识别中，特征向量被称为特征脸（Eigenfaces）。它们是图像空间的基底。
生成步骤：
代码实现：我们将使用
scikit-learn中的PCA类简化上述计算，内部已实现了高效的 SVD 分解。
提示：本文示例基于 Olivetti 数据集。
以下代码演示了完整的训练与识别流程。
import numpy as np
import cv2
import os
from sklearn.decomposition import PCA
from sklearn.metrics import pairwise_distances
# -------------------- 1. 数据准备 --------------------
def load_images_from_folder(folder_path, img_size=(100, 100)):
"""读取文件夹中的所有图像，将其灰度化、统一尺寸并向量化。"""
images = []
labels = []
for label_dir in os.listdir(folder_path):
person_path = os.path.join(folder_path, label_dir)
if not os.path.isdir(person_path):
continue
for img_name in os.listdir(person_path):
img_path = os.path.join(person_path, img_name)
img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
img_resized = cv2.resize(img, img_size)
images.append(img_resized.flatten())
labels.append(int(label_dir)) # 假设文件夹名为标签
return np.array(images), np.array(labels)
# -------------------- 2. PCA 训练 --------------------
def train_pca_face_recognizer(X_train, n_components=100):
"""训练 PCA 模型，并返回均值脸和特征向量。"""
pca = PCA(n_components=n_components, svd_solver='randomized', whiten=True).fit(X_train)
mean_face = pca.mean_
eigenfaces = pca.components_
return pca, mean_face, eigenfaces
# -------------------- 3. 投影与识别 --------------------
def project_face(pca, face):
"""将人脸投影到特征空间"""
return pca.transform(face.reshape(1, -1))
def recognize_face(projected_test_face, projected_train_faces, train_labels):
"""通过计算欧氏距离进行最近邻匹配。返回识别标签和置信度（距离）。"""
distances = pairwise_distances(projected_test_face, projected_train_faces, metric='euclidean')
min_index = np.argmin(distances)
return train_labels[min_index], distances[0, min_index]
# -------------------- 4. 主流程 --------------------
if __name__ == "__main__":
# 1. 加载数据
train_folder = "path/to/olivetti/train"
test_folder = "path/to/olivetti/test"
X_train, y_train = load_images_from_folder(train_folder)
X_test, y_test = load_images_from_folder(test_folder)
# 2. 训练 PCA
n_components = 100 # 保留前 100 个特征脸
pca, mean_face, eigenfaces = train_pca_face_recognizer(X_train, n_components)
# 3. 将训练集投影到特征空间
projected_train = pca.transform(X_train)
# 4. 识别测试集
correct = 0
for i, test_face in enumerate(X_test):
proj_test = project_face(pca, test_face)
pred_label, confidence = recognize_face(proj_test, projected_train, y_train)
print(f"真实标签：{y_test[i]}, 预测标签：{pred_label}, 置信度：{confidence:.2f}")
if pred_label == y_test[i]:
correct += 1
accuracy = correct / len(X_test)
print(f"\n识别准确率：{accuracy * 100:.2f}%")
PCA 类内部已自动完成。pca.components_ 即为特征脸。我们可以将提取的特征脸（Eigenfaces）可视化，观察它们捕捉到的'全局特征'。
import matplotlib.pyplot as plt
def plot_eigenfaces(eigenfaces, img_shape=(100, 100), n_row=5, n_col=5):
plt.figure(figsize=(1.8 * n_col, 2.4 * n_row))
plt.suptitle("Eigenfaces (前 25 个特征脸)", fontsize=16)
for i in range(n_row * n_col):
plt.subplot(n_row, n_col, i + 1)
plt.imshow(eigenfaces[i].reshape(img_shape), cmap='gray')
plt.title(f"特征脸 {i+1}")
plt.xticks([])
plt.yticks([])
plt.show()
# 假设我们已经训练好了 pca
plot_eigenfaces(pca.components_, img_shape=(100, 100), n_row=5, n_col=5)
观察：
PCA 方法对光照、姿态和表情变化较为敏感。
改进方向：后续可以结合 Fisherfaces（LDA） 或 LBPH 方法提升鲁棒性，或者使用深度学习模型（如 FaceNet）。
本文系统地介绍了基于 PCA 的人脸识别技术：
scikit-learn 的 PCA 类简化计算，结合 OpenCV 完成图像预处理。特征脸算法的意义不仅在于它的实用性，更在于它开启了人脸识别技术的大门，为后来的深度学习方法奠定了基础。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online