opencv2.4提出了一个新的关于人脸识别的类FaceRecognizer，可以用它进行人脸识别实验。当前主要的算法有Eigenfaces ，Fisherfaces ，Local Binary Patterns Histograms。

人脸识别对于人来说很简单，出生三天的baby就可以分辨出周围的人脸了。那么计算机是怎么做到的呢？其实我们对于人怎么识别出人脸都知之甚少，是根据内部特征（眼睛，鼻子，嘴巴）还是外部特征（头型，发际线）？我们怎么分析一张图片，大脑怎么编码它？经证实，我们的大脑根据不同的局部特征（线，边缘，角度）有不同的神经细胞分析。显然我们没有把世界看成零散的块块，我们的视觉皮层必须以某种方式把不同的信息来源转化成有用的模式。自动人脸识别就是从图片中抽取这些有意义的特征，然后用某种方式来形成分类。 基于几何特征的人脸识别可能是最直观的识别方式了。起初的一种识别方式这样表述：标记一些点（眼睛，耳朵，鼻子的位置），构建出特征向量（点之间的距离和角度），然后计算训练图片的特征向量的欧氏距离来进行识别。这种方法对于光照变化具有鲁棒性，但有个巨大的缺陷：即使是目前比较先进的算法，标记点的确定也是很复杂的，而且，也有论文表示，仅仅是几何特征可能没有涵盖足够的识别信息。 Eigenfaces方法描述了一个全面的方法来识别人脸：一个脸部图像由高维图像空间表示成低维的一个点表示，从而让分类变得简单。低维子空间由主成分分析PCA得到，这种变化对于标准点的重构是最优的，但没有分类标记。那么如果当变化仅由外部因素产生，比如光照，那么这样的降维方法是不可能拿来分类的。因此，提出线性判别分析来进行识别。 还有局部特征抽取的方法。为了避免图像局部区域输入数据的高维度，抽取的特征需要对遮挡，光照，小样本有更好的鲁棒性。用于局部特征抽取的算法有比如gabor小波，离散余弦变换和局部二值特征LBP，至于到底哪种才是表示空间信息的局部特征抽取的最佳方式，仍是个开放性的研究。

你可以创建自己的数据库或者几个网上可用的数据库。

得到数据之后，需要把它读到程序里面来，这里用的是CSV文件格式，基本上所有的CSV文件都需要包括文件名和分类标记，像这样：/path/to/image.ext;0 /path/to/image.ext是图片的路径，Windows系统就是C:/faces/person0/image0.jpg，然后分号隔开，用整数0标记图片，表示所属的类别。 下载ORL,CSV文件格式如下：

假设数据存在D:/data/at，CSV文件存在D:/data/at.txt. 你需要把./替换成D:/data/.成功建立好CSV后，可以试着运行它： facerec_demo.exe D:/data/at.txt

用不着手动输入产生CSV文件，官方源码有python的脚本自动生成，在..\opencv_contrib-master\modules\face\samples\etc\create_csv.py,这里贴出来。

看到没，你的文件目录格式要像代码注释里那样才行，然后调用create_csv.py at，at就是你存放图片的根目录。

输入图片表示方式的问题在于它的高维度，pq大小的二维灰度图片跨域了m=pq维的向量空间，因此一个100*100像素的图片就已经有10000维的空间了。那么，所有维度都同样有用吗？我们可以这样，如果数据有任何偏差，就寻找涵盖大部分信息的成分。哈哈哈，那就是PCA勒！把一系列可能相关的变量转换成低维的不相关变量。也就是说，高维数据经常用相关变量来描述，而大部分信息被其中部分有意义的变量包括。PCA寻找数据最大方差的自然基，称为主成分。

X={x1,x2,…,xn} 是一组随机向量 1.计算均值μ

源码见..\opencv_contrib-master\modules\face\samples\facerec_eigenfaces.cpp,在opencv的contrib模块里面，这里贴出来。