# 对于每一张照片,首先创建一个列表list,存储本张照片的16384个灰度值,
# 当一个list存储完16384个灰度值后,将list添加至bigList。
# 依次循环210次, bigList就存储了210张照片的灰度值了。
'''
注：这里有一处细节,就是我是在读入每一张照片时,是新创建的列表list。
   而不是在最开始创建list,然后每次读入照片时使用.clear()清空list。
   这里涉及到Python中浅复制的知识,是因为bigList使用append的时候，
   是浅复制的状态，如果之后对列表list操作bigList也会被修改,这样的话
   最后bigList存储的全为最后一张照片的灰度值。
'''
# 最后使用numpy中的函数,将列表bigList转换为矩阵。

bigList = []
# 导入人脸模型库
faceCascade = cv2.CascadeClassifier(r'C:\Python\haarshare\haarcascade_frontalface_alt.xml')
# 遍历30个人
for i in range(1, 31):
    # 遍历每个人的7张照片
	for j in range(1, 8):
		list = []
        # 直接读入灰度照片
		image = cv2.imread("C:\\Users\\tangyitao\\Pictures\\Saved Pictures\\trainFace\\train"
								+ str(i) + "\\train" + str(i) + "" + str(j) + ".jpg", 0)
		faces = faceCascade.detectMultiScale(image, 1.3, 5)
		for (x, y, w, h) in faces:
            # 裁剪人脸区域为 128 * 128 大小
			cutResize = cv2.resize(image[y:y + h, x:x + w], (128, 128),
										interpolation=cv2.INTER_CUBIC)  
        # 遍历图片行数
		for x in range(cutResize.shape[0]):
            # 遍历图片每一行的每一列
			for y in range(cutResize.shape[1]):
                # 将每一处的灰度值添加至列表
				list.append(cutResize[x, y]) 
		bigList.append(list)
print("\n\ntrainFaceMat ")
trainFaceMat = numpy.mat(bigList)  # 得到训练样本矩阵
print("trainFaceMat.shape[0] ",trainFaceMat.shape[0])
print("trainFaceMat.shape[1]",trainFaceMat.shape[1])
print(trainFaceMat)

运行结果：

?????????3.2：计算训练样本的平均值矩阵

?计算训练样本的平均值矩阵meanFaceMat,该矩阵大小为1 * N。1 * N 就代表目前算出? ? ? ? ? ? ? ? ? ? ?来的平均值矩阵是 一张 人脸的数据，这张平均脸其实就是把上面的 M * N 的矩阵? ? ? ? ? ? ?trainFaceMat平均化，把这 M 张照片的每一个位置对应的数值加起来，然后再除以 M。可以理解为把一 个 M * N 的二维数组的每一列都加起来，变成一个 1 * N 的数组，然后这个数组的每一? ? ? ? ?位都除以 M，最后得到一个 1 * N 的平均值脸。

# numpy中有相关函数，直接调用即可
# axis = 0代表计算每一列的平均值
# axis = 1代表计算每一行的平均值

meanFaceMat = numpy.mean(trainFaceMat, axis=0)  # 每一列的和除行数，得到平均值
print("meanFaceMat \n\n")
print("meanFaceMat.shape[0] ",meanFaceMat.shape[0])
print("meanFaceMat.shape[1] ",meanFaceMat.shape[1])
print(meanFaceMat)
        

# trainFaceMat 大小为 M * N, meanFaceMat 大小为 1 * N
# 可直接相减
normTrainFaceMat = trainFaceMat - meanFaceMat
print("\n\n normTrainFaceMat")
print("normTrainFaceMat.shape[0]  ",normTrainFaceMat.shape[0])
print("normTrainFaceMat.shape[1]  ",normTrainFaceMat.shape[1])
print(normTrainFaceMat)

covariance = numpy.cov(normTrainFaceMat)

# 求得协方差矩阵的特征值和特征向量
eigenvalue, featurevector = numpy.linalg.eig(covariance) 

sorted_Index = numpy.argsort(eigenvalue)

topk_evecs = featurevector[:,sorted_Index[:-140-1:-1]]

eigenface = numpy.dot(numpy.transpose(normTrainFaceMat), topk_evecs)

eigen_train_sample = numpy.dot(normTrainFaceMat, eigenface)

?eigen_train_sample 为投影样本矩阵，大小为 M×m，每一行为一个训练样本图 像在特征脸空间的投影。由于 m<<N，经过投影可获得更能描述训练样本图像特征的描述。

4.人脸识别

????????4.1：创建测试样本组成的 1×N 矩阵

# 主要思想和第一步计算trainFaceMat差不多,这里只需要添加一张照片的数据
list = []
faceCascade = cv2.CascadeClassifier(r'C:\Python\haarshare\haarcascade_frontalface_alt.xml')
# fileName 为待识别图片的文件名,读入灰度人脸
image = cv2.imread(fileName, 0)
faces = self.faceCascade.detectMultiScale(self.image, 1.3, 5)
for (x, y, w, h) in self.faces:
	cut = image[y:y + h, x:x + w]
	# 处理成 128 * 128大小的人脸
	cutResize = cv2.resize(cut, (128, 128), interpolation=cv2.INTER_CUBIC)
for x in range(cutResize.shape[0]):
	for y in range(cutResize.shape[1]):
		list.append(cutResize[x, y])
testFaceMat = numpy.mat(list)

# 这里减的meanFaceMat 和计算normTrainFaceMat 的meanFaceMat是同一个变量
normTestFaceMat = testFaceMat - meanFaceMat

# 和计算 eigen_train_sample相同，用规格化矩阵去点乘 eigenface即可。
eigen_test_sample = numpy.dot(normTestFaceMat, eigenface)

# 以 eigen_train_sample[0]与eigen_test_sample的欧式距离赋值 minDistance
minDistance = numpy.linalg.norm(eigen_train_sample[0], eigen_test_sample)
# num 记录训练集中第几个人与待识别人为同一人
num = 1
# 遍历 eigen_train_sample 的每一行，在此处，eigen_train_sample.shape[0] = 210。
for i in range(1, eigen_train_sample.shape[0]):
    distance = numpy.linalg.norm(eigen_train_sample[i], eigen_test_sample)
	if minDistance > distance:
		minDistance = distance
        # 30个人中，每个人有7张照片，i是记录的第几张照片
        # 因此记录第几个人的num为 i // 7 + 1。
		num = i // 7 + 1