年中国人脸识别行业发展前景预测及投资分析报告_图文_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
年中国人脸识别行业发展前景预测及投资分析报告
北京中宏经略信息咨询有限公司-bigda...|
总评分0.0|
&&研究报告,行业研究报告,市场调研报告,咨询报告,产业研究,中国商业数据网
阅读已结束，下载文档到电脑
想免费下载更多文档？
定制HR最喜欢的简历
下载文档到电脑，方便使用
还剩23页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢人脸识别项目在中国发展怎么样？_人脸识别吧_百度贴吧
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&签到排名：今日本吧第个签到，本吧因你更精彩，明天继续来努力！
本吧签到人数：0成为超级会员，使用一键签到本月漏签0次！成为超级会员，赠送8张补签卡连续签到：天&&累计签到：天超级会员单次开通12个月以上，赠送连续签到卡3张
关注：1,457贴子：
人脸识别项目在中国发展怎么样？收藏
百度众包海量用户为您提供人物整体,局部等图片采集与标注服务,输出训练数据集.加QQ或详细沟通,金牌解决方案架构师为你量身定制训练数据方案!
人脸识别项目在中国发展已经应用到很多方面了，像蚂蚁金服快递柜“刷脸取件“、银行的人脸识别柜台机、英飞拓的人脸识别布控系统等等都是。
看好哦，希望中国人工智能方面出现更多这样优秀的企业。
近年来AI进入高速发展期，其中，计算机视觉发展尤为迅猛计算机视觉领域企业数量、投融资规模都在增长，尤其是最近5年到2018年中国人工智能市场规模会超过406亿，这个复合增长率会达到25.8%，增速是快于全球的整个增长率的。在市场结构上来讲，也是存在着整体的情况。投资规模来讲，在去年一年，从投资的整个额度包括投资笔数都呈快速增加的态势，而且很多从事人工智能和机器视觉的企业数量也在快速地增加。在中国，人工智能的发展欣欣向荣，尤其是北京地区
登录百度帐号推荐应用咨询热线：400-086-5388
中研普华 ? 中国领先行业研究机构
注册中研商圈即可和100万会员买家做生意
报告编号：1363894 &&
出版日期：2016年2月 && 报告页码：120页&&图表数量：40个
寄送方式：Email发送 或 特快专递 &&
服务热线：400-856-6-5388&&（免费服务热线）
订阅热线：6 &&
订阅热线：6
订阅传真：8
电子邮件：
中文版全价:RMB 30000
电子版:RMB
印刷版:RMB 29500
英文版全价:USD 12500
电子版:USD
印刷版:USD
【报告导读】
《年版人脸识别项目商业计划书》由中研普华人脸识别行业分析专家领衔撰写，主要分析了人脸识别行业的市场规模、发展现状与投资前景，同时对人脸识别行业的未来发展做出科学的趋势预测和专业的人脸识别行业数据分析，帮助客户评估人脸识别行业投资价值。
关注中研网
中研普华18年专注细分产业研究，持续提升服务品质，客户好评如潮！
本报告所有内容受法律保护。国家统计局授予中研普华公司,。
本报告由中国行业研究网出品，报告版权归中研普华公司所有。本报告是中研普华公司的研究与统计成果，报告为有偿提供给购买报告的客户使用。未获得中研普华公司书面授权，任何网站或媒体不得转载或引用，否则中研普华公司有权依法追究其法律责任。如需订阅研究报告，请直接联系本网站，以便获得全程优质完善服务。
中研普华公司是中国成立时间最长，拥有研究人员数量最多，规模最大，综合实力最强的咨询研究机构，公司每天都会接受媒体采访及发布大量产业经济研究成果。在此，我们诚意向您推荐一种“”。
本报告目录与内容系中研普华原创，未经本公司事先书面许可，拒绝任何方式复制、转载。
第一章 执行摘要 第一节 项目背景 第二节 项目概况 第三节 项目竞争优势 第四节 项目投资亮点
第二章 项目介绍 第一节 项目名称 第二节 项目承办单位 第三节 项目拟建地区、地点 第四节 初步估计的项目回收期
第三章 人脸识别市场分析 第一节 人脸识别市场现状及趋势 一、人脸识别国际市场现状及趋势 二、人脸识别国内市场现状及趋势 三、人脸识别市场供求及预测 第二节 人脸识别目标市场分析研究 一、人脸识别市场规模分析及预测 二、人脸识别市场中关键影响因素 三、人脸识别细分市场分析研究 四、人脸识别项目计划拥有的市场份额 第三节 中研普华研究总结
第四章 人脸识别行业分析 第一节 人脸识别行业分析 一、人脸识别产业基本情况 二、人脸识别行业存在的问题及机会 三、人脸识别行业投资前景分析 第二节 企业竞争力分析 一、企业在整个行业中的地位 二、和同类型企业对比分析 三、竞争对手分析 四、SWOT分析 五、企业核心竞争优势 第三节 企业竞争策略 第四节 中研普华建议
第五章 公司介绍 第一节 公司概况 第二节 公司股权结构 第三节 公司管理架构 第四节 公司管理 一、董事会 二、管理团队 三、外部支持 第五节 各部门职能和经营目标 第六节 2015年公司资产负债情况 第七节 2015年公司经营情况 第八节 企业主要竞争资源 第九节 战略和未来计划
第六章 项目建设计划 第一节 项目建设主要内容 一、建设规模与目标 二、项目建设内容 三、项目建设布局与进度安排 第二节 厂址选择 一、项目建设地点 二、区位优势分析 三、厂址选择及理由 第三节 原材料保证 第四节 建设工期计划 第五节 主要设备选型
第七章 市场营销 第一节 企业发展规划 一、企业发展目标 二、企业发展策略 三、企业发展计划 四、企业实施步骤 第二节 企业营销战略 一、整体营销战略 二、精细化战略规划 第三节 市场推广方式
第八章 财务分析与预测 第一节 基本财务数据假设 一、2015年基本财务数据 一、年财务数据预测 二、销售收入预测与成本费用估算 第二节 盈利能力分析预测 一、损益和利润分配表 二、现金流量表 三、相关财务指标（投资利润率、投资利税率、财务内部收益率、财务净现值、投资回收期） 第三节 敏感性分析 第四节 盈亏平衡分析 第五节 中研普华财务评价结论
第九章 人脸识别项目效益分析 第一节 人脸识别项目的经济效益分析 第二节 人脸识别项目的社会效益分析 第三节 人脸识别项目社会风险分析 第四节 人脸识别项目社会评价结论
第十章 资金需求 第一节 资金需求及使用规划 一、项目总投资 二、固定资产投资 三、流动资金 第二节 资金筹集方式 一、本项目拟采用的融资方式 二、项目融资方案 三、资金其他来源 第三节 详细使用规划 第四节 投资者权利
第十一章 资金退出 第一节 融资方案 一、资金进入、退出方式 二、退出方式可行性 第二节 投资退出方案 一、股权融资退出方案 二、债权融资退出方式 第三节 投资回报率
第十二章 风险分析 第一节 风险分析 一、资源风险 二、市场不确定性风险 三、研发风险 四、生产不确定性风险 五、成本控制风险 六、竞争风险 七、政策风险 八、财务风险 九、管理风险 十、破产风险 第二节 风险规避措施
第十三章 结论
附录 附录一 财务附表 附录二 公司营业执照 附录三 专利技术信息 附录四 竞争者调查
图表目录 图表：2015年人脸识别国际市场规模 图表：2015年人脸识别国内市场规模 图表：年人脸识别国际市场规模预测 图表：年人脸识别国内市场规模预测 图表：2015年人脸识别全国及各地区需求量 图表：年人脸识别市场供需预测 图表：销售估算表 图表：成本估算表 图表：损益表 图表：资产负债表 图表：现金流量表 图表：盈亏平衡点 图表：投资回收期 图表：投资回报率
《年人脸识别项目计划书》为公司独家首创针对项目投融资咨询的专项计划书。计划书分为：行业通用版、专业定制版。行业通用版是中研普华根据行业一般水平测算好了行业指标数据，作为行业通用的模板计划书，企业可以自行补充单位，稍做调整就可以作为使用。我们也可以根据企业具体项目要求专项编写专业定制版，并根据详细要求合理报价，为企业项目立项、上马、融资提供全程指引服务。　　本计划书主要有以下几大用途：　　审批国家资金——国家规范格式、关注产业发展、侧重社会影响；　　吸引外商——国际规范格式、遵从外资政策、确保外商利益；　　吸引——业规范格式、规避项目风险、保障收益回报；　　友好企业合作——行业规范格式、互利的实施方案、谨慎的市场评估；　　项目评比——专家完全版格式、严密的实施计划、精确的收益评估。　　（Business Plan）是公司、企业或项目单位为了达到招商融资和其它发展目标之目的，在经过前期对项目科学地调研、分析、搜集与整理有关资料的基础上，根据一定的格式和内容的具体要求而编辑整理的一个向投资商及其他相关人员全面展示公司和项目目前状况、未来发展潜力的书面材料。商业计划书是包括项目筹融资、战略规划等经营活动的蓝图与指南，也是企业的行动纲领和执行方案。　　商业计划书是一份全方位描述企业发展的文件，是企业经营者素质的体现，是企业拥有良好融资能力、实现跨式发展的重要条件之一。一份好的商业计划书是获得贷款和投资的关键。如何吸引投资者、特别是风险投资家参与创业者的，这时一份高品质且内容丰富的商业计划书，将会使投资者更快、更好地了解投资项目，将会使投资者对项目有信心，有热情，动员促成投资者参与该项目，最终达到为项目筹集资金的作用。　　商业计划书是争取风险投资的敲门砖。投资者每天会接收到很多商业计划书，商业计划书的质量和专业性就成为了企业需求投资的关键点。企业家在争取获得风险投资之初，首先应该将商业计划书的制作列为头等大事。一份完备的商业计划书，不仅是企业能否成功融资的关键因素，同时也是企业发展的核心工具。作为中国最早的投融资策划专业公司之一，中研普华具有：一流专家团队、丰富编制经验、数百个可查询案例、国际规范、质量超值。　　《年人脸识别项目商业计划书》由中研普华咨询公司领衔撰写，依托中研普华庞大的细分市场数据库，在大量周密的基础上，主要依据了国家统计局、国家部、国家海关总署、人脸识别相关行业协会、中国行业研究网的基础信息，对我国人脸识别行业的供给与需求状况、市场格局与分布等多方面进行了分析，并紧密结合项目情况对人脸识别项目未来发展前景进行了研判。本报告深入挖掘项目的优势，将项目潜力、商业模式、规划、财务预计等方面的内容完美地展现给投资者，最大限度提升您的公司/项目价值，确保您的商业计划处于同行领先水平，将是您成功融资的敲门砖。我们策划制作的商业计划书在投资商与金融机构的慎审下确保您的项目计划处于同行领先水平，是您成功融资立项的先决要素。
高质量的商业计划书是获得贷款和投资的关键。如何吸引投资者、特别是风险投资家参与创业者的投资项目，高品质且内容丰富的商业计划书，将会使投资者更快、更好地了解投资项目，将会使投资者对项目有信心，有热情，动员促成投资者参与该项目，最终达到为项目筹集资金的作用。
计划书作用
1、沟通工具：中研普华编制的商业计划书可作为项目运作主体的沟通工具，会着力体现企业（项目）的核心价值与竞争优势，有效吸引风险投资者及商业伙伴，促成项目融资。
2、管理工具：中研普华编写的项目商业计划书可视为项目运作主体的计划工具，引导公司走过发展的不同阶段，规划具有战略性、全局性、长期性。
3、指导工具：中研普华编写的项目商业计划书内容涉及到企业（项目）运作的方方面面，能够全程指导项目开展工作，提供建议参考。
中研普华集团每年完成项目数量达数百个，积累了丰富的项目案例，可对同行业项目提供具有参考性、建设性意见，帮助客户对项目进行梳理和判断。中研普华编制的商业计划书、可行性研究报告，涵盖能源、新能源、食品、化工、文化、房地产、冶金、零售、旅游、酒店、餐饮、物流电子、建筑、机械、医药、轻工等诸多领域。中研普华为项目方圆满实现了编制报告的目标，诸如立项、申请资金、申请用地、银行贷款、进行环评、申请设备配置单、上市募资及工商注册等。我们在商业计划书、可行性研究报告撰写方面的能力得到业内的高度认可，其业务承接数量和完成的质量在业内首屈一指，在同行业名列前茅，而且客户满意率达到100%。
社会影响力
1、专业优势：中研普华集团拥有高学历、多元化的专业团队，依托投资咨询中心、市场调研中心、产业研究中心和资本中心200多位高级研究员和80多位专家顾问，中研普华咨询拥有丰富的投融资项目策划与包装经验，具有极强的专业性与国际商业水准。中研普华的项目团队人员均为本科以上学历，人均咨询工作经验超过8年，同时有一流的投资咨询专家教授全程掌控项目。我们的团队项目丰富经验、数百个可查询成功案例、国际规范、质量超值。可最大限度提升您的项目价值。我们策划制作的商业计划书在投资商与金融机构的慎审下，确保您的项目计划处于同行领先水平，是成功融资立项的先决要素。
2、信息渠道优势：市场研究是中研普华的核心业务之一，中研普华长期对18个行业大类、数千个细分行业和数万种产品进行跟踪监测，并建立有行业数据、产品数据、企业数据、宏观数据和进出口数据等多个经济运行监测数据库，数据库建立长达十几年，掌握最全最新的行业数据。因此，中研普华咨询在编制商业计划书时，能够依托强大的数据基础和专业的市场研究团队，对项目产品的投资价值和市场前景给出正确的分析结论。
3、市场分析优势：中研普华集团具有十几年项目分析经验，深刻把握行业动态、政策要点，能立足项目本身对市场作出深入分析。采用国际规范的投资分析与评价工具，对您的投融资项目实现规范化的策划、包装、调查、分析、撰制，对国际国内投资商具有极强的针对性与可操作性；始终保持着国际最新版本，针对不同的行业进行各有侧重的分析，汇集数位业内顶级专家为您倾心打造，在计划书报送环节上成功率达到同行业的前列。
4、财务测算优势：中研普华项目人员具备专业财务分析能力，依托资本中心的多位国家级高级经济师、造价师和注册会计师，加上对项目的财务敏感性分析以及充分考虑项目单位的风险控制能力。可根据行业情况、政策情况和客户提供信息对项目财务数据进行合理性论证，并根据数据库内行业的收入、成本、费用数据对项目盈利能力进行分析和预测，编制专业的收入、成本、利润、现金流等报表，计算有理有据的财务指标。
5、增值服务优势：中研普华服务贯穿客户项目申报始终，实行项目负责人全程跟踪服务，同时，还可提供优质的增值服务。中研普华经过十几年积淀，积累了大量可信赖的合作伙伴，可为客户嫁接渠道、资金等资源。中研普华拥有国内最大的产经平台“中研网”，可为客户提供项目推介、招商等增值服务。
6、收费合理优势：中研普华编制商业计划书的收费标准在国内众多咨询机构中处于中等水平，收费合理。同时，中研普华出具的商业计划书帮助众多企业顺利筹得资金，获得了项目企业的一致好评。
中研普华为客户编制完商业计划书后，可协助企业寻找投资机构进行融资服务。PE与VC虽然都是对上市前企业的投资，但是两者在投资阶段、投资规模、投资理念和投资特点等方面有很大的不同。VC主要投资企业的前期，PE主要投资后期。PE对处于种子期、初创期、发展期、扩展期、成熟期和Pre-IPO各个时期企业进行投资，故广义上的PE包含VC。
如需了解更多内容，请访问商业计划专题：
&&&&&&&&&&&&&&&&&&&&&&&&
售价： RMB 30000
售价： RMB 30000
售价： RMB 30000
售价： RMB 30000
公司介绍CONTENT OVERVIEW
中研普华集团是中国领先的产业研究专业机构，拥有十余年的投资银行、企业IPO上市咨询一体化服务、行业调研、细分市场研究及募投项目运作经验。公司致力于为企业中高层管理人员、企事业发展研究部门人员、风险投资机构、投行及咨询行业人士、投资专家等提供各行业丰富翔实的市场研究资料和商业竞争情报；为国内外的行业企业、研究机构、社会团体和政府部门提供专业的行业市场研究、商业分析、投资咨询、市场战略咨询等服务。目前，中研普华已经为上万家客户（）包括政府机构、银行业、世界500强企业、研究所、行业协会、咨询公司、集团公司和各类投资公司在内的单位提供了专业的产业研究报告、项目投资咨询及竞争情报研究服务，并得到客户的广泛认可；为大量企业进行了上市导向战略规划，同时也为境内外上百家上市企业进行财务辅导、行业细分领域研究和募投方案的设计，并协助其顺利上市；协助多家证券公司开展IPO咨询业务。我们坚信中国的企业应该得到货真价实的、一流的资讯服务，在此中研普华研究中心郑重承诺，为您提供超值的服务！中研普华的管理咨询服务集合了行业内专家团队的智慧，磨合了多年实践经验和理论研究大碰撞的智慧结晶。我们的研究报告已经帮助了众多企业找到了真正的商业发展机遇和可持续发展战略，我们坚信您也将从我们的产品与服务中获得有价值和指导意义的商业智慧！
了解中研普华实力：&&&&&&&&&&&&
中研普华咨询业务：&&&&&&&&&&&&&&&&&&&&&&
更多“人脸识别”相关的报告
中研知名度及美誉
联系我们 CONTECT US
全国服务热线：400-086-5388
客户服务专线：6
IPO咨询专线：6
投融资可研：6
商业计划项目：6
产业园区咨询：6
政府投资规划：6
权威引用AUTHORITATIVE QUOTE
荣誉资质CERTIFICATE OF HONOR
购买流程HOW TO BUY
购买报告仅需 3
1、双方洽谈，明确需求
电话、邮件或网络确定购买细节
2、提交订单或征订表
征订表详细填写后传真给我们
网上订购，在线填写后提交订单
3、支付款项
通过银行汇款支付购买报告款项
1.购买报告时请认准
商标，公司从未通过第三方代理，请与本站联系购买。
2.中研普华欢迎广大客户上门洽谈与合作。大批量采购报告可享受会员优惠，详情来电咨询。
手机扫描二维码快速访问
全国免费服务热线：400-856--5388 客户服务专线：6 06
咨询QQ：5336038
Copyright (C) 1998- All Rights Reserved. 版权所有 中国行业研究网(简称“”) TM
400-086-5388使用opencv实现对人脸库的主成分提取（不使用PCA类），完成特征模型保存
对一张测试照片进行识别，找到图片库中和测试图片最像的图
配置过程网上太多了，就不做过多解释了，可以参照某个来做。主要的也就几步，下载Opencv，配Path，配置VC++目录的包含目录和库目录，配置链接器附加项的附加依赖项。
, 40人x10张 (本次Proj使用)
训练集是AT&T人脸库40x8(两张做测试用)
左图是输入的测试人脸，右图两张是人脸库中的匹配到后还原人脸
匹配结果(前50%特征向量)
为什么要做PCA (principle component analysis)
主成分分析做的就是给了一堆很高维的数据，我们需要把它变成低维的数据，变成低维数据有一个好，最直观的就是数据量下来了。那图片举例，比如1000个样本，100x100的分辨率，以前的数据，每个点就算是1Btye的数据，要10M。我把它映射到500维(取前50%特征向量)的空间，变成的数据，一下子降低到了500K，一下子降低了一个量级，更关键的是计算量瞬间也降了一个档次。一些场景如嵌入式设备上（如ZKteco的考勤机），计算和空间都是很奢侈的东西，我们的PCA就发挥作用了。
怎么做数据的降维
为什么要做降维原因还有很多很多，有兴趣的可以去查查，不在这里讲的主要原因是我自己也不知道。那么接下来就要分析怎么降维，降维大概的意思就是把一个数据点降到低维的数据点，比如XY二维的点映射到一维的话，如果是映射到x轴，那么所有点点乘个(1, 0)就好了；如果是三维的点降到一维那么点乘(1, 0, 0)就好了，降到二维点乘(1, 0, 0);(0, 1, 0)就好了，也就是相当于原来的数据矩阵乘了一个变换矩阵。
问题来了，这个变换矩阵要怎么设定呢？是不是直接所有的都映射到X，Y，Z…轴上就好了呢？当然不是！比如下面有张数据点图表示男女的身高体重图
黑点表示男生，红点表示女生
X轴表示体重，Y轴表示身高
如果判断都是按照体重来划分的话，m1很可能就被判断成了女生，fm1则被判断成了男生。“虽然我体重轻一点，但是我身高比较高啊，我应该被划分成男生”。讲道理的话按照那条蓝线来分比较科学，为什么科学啊，因为比较符合图的分布，为什么符合分布啊？….这个时候有人就弄了一个PCA做降维的准则，有人说：“我觉得使得新的数据集方差最大的那种分法比较好。”大家想想，是这么个道理，方差比较小，大家挤成一团，很多数据点很容易重叠，也不容易区分。
更加细致的推导可以去参考其他大学的pca课程ppt，如这里有pca处理人脸步骤的详解,的ppt则对整个过程的数学推导有详细的证明，CMU的ML还有更多的资源，是一个很好的学习的地方
看他们的ppt对PCA的理解帮助更大，如果想简单了解下直接看下我的证明也可以
假设数据集是
新的数据集是
原来的数据是p维，新的数据是k维，对于新数据的第一维数据
我们需要选择 使得最大
因此，目标变成了
用拉格朗日乘子法求值
(看不懂的话可以查The Matrix Cookbook)
因此最大的方差就是最大的特征值，对应的
是最大特征值对应的特征向量。
需要满足要求使得
同理可得它就是第二大的特征根，我们要找投影方差最大的K个向量，也就是协方差矩阵的前K大特征值对应的特征向量。
所以为了保存最多的信息，数据变换到K维空间我们的变换矩阵就是
进行数据的还原
讲了那么多我们队PCA的大概求解过程也了解了，那么，具体用在人脸识别的分析上面是否又是如此呢？有点小小的不一样。
我们这时候不是图像的灰度值来算协方差矩阵，而是
为什么呢，因为用offset值算的协方差矩阵，重构图像后的error是最小的。具体的推导我实在是懒得打了，把上的两张推导图放上来，大家将就着看好了。
计算小Tips
我们在计算协方差矩阵的时候，会发现特征值没法算，为什么呢，一个图像一万维，的矩阵特征值不是算爆炸了吗？你会发现自己opencv的函数半天输出不出结果，这个时候如果人脸训练样本比较少的话，假设
的特征向量，然后乘以 A，就可以得到要求得协方差矩阵的特征向量，证明如下（摘自）
这再次说明了一个问题，多看看别人学校的课程公开的资源，用google随便一搜很多，或者是coursera，比很多博客上的靠谱全面太多了，囧
有时间我再挑代码重点解释下吧，大家上面理解了，下面的大家应该基本都能够看懂，原谅我翔一样的代码，看个高兴就好了…人脸库是上面提到的ATT/T，上面有链接，可以自己去下
#include "opencv2/opencv.hpp"
#include &opencv2/core/core.hpp&
#include &opencv2/highgui/highgui.hpp&
cv::String root_folder = "att_faces";
int population = 10;
int gesture = 8;
double EigenPerc = 0.5;
/* --load model data-- */
cv::Mat LoadNewSpaceData, loadEigenVector, loadDataM // datamean is a mean face (a vector)
/* ---------------- */
void showFace(cv::String windowName, cv ::Mat faceVector, int rows) {
faceVector = faceVector.reshape(1, rows);
faceVector.convertTo(faceVector, CV_8U);
cv::imshow(windowName, faceVector);
void saveModel() {
cv::Mat dataM // original image data
int img_ // will be wriiten to model file
//read image data
for (int man = 1; man &= man++)
for (int pos = 1; pos &= pos++) {
char filename[50];
sprintf(filename, "att_faces/s%d/%d.pgm", man, pos);
cv::Mat img = cv::imread(filename);
cv::cvtColor(img, img, CV_RGB2GRAY);
img_rows = img.
img = img.reshape(1, 1);
dataMat.push_back(img);
dataMat.convertTo(dataMat, CV_32F);
//calc covariance and dataMean (mean matrix will be written to model file)
cov, dataMean, dataMatOff, temp, temp12;
cv::reduce(dataMat, dataMean, 0, CV_REDUCE_SUM);
dataMean = dataMean / dataMat.
cv::repeat(dataMean, dataMat.rows, 1, temp12); //tips: source and destination array can't be the same
cv::subtract(dataMat, temp12, dataMatOff);
cov = dataMatOff * dataMatOff.t();
// Calculate eigenVectors of the corvariance matrix of original image matrix
cv::Mat eigenVal, eigenV
cv::Mat eigenVecF
cv::eigen(cov, eigenVal, eigenVec);
eigenVec = eigenVec.t();
eigenVec.convertTo(eigenVecFloat, CV_32F);
cv::Mat realEigenVec = dataMatOff.t() * eigenVecF
/* normalize eigenvector */
cv::Mat temp1, temp2, temp3;
cv::pow(realEigenVec, 2, temp1);
cv::reduce(temp1, temp2, 0, CV_REDUCE_SUM);
cv::sqrt(temp2, temp2);
cv::repeat(temp2, temp1.rows, 1, temp3);
cv::divide(realEigenVec, temp3, realEigenVec);
cv::Mat newSpaceData, newF
int cutcols = (int)(EigenPerc * realEigenVec.cols);
if (cutcols == 0) cutcols = 1;
newSpaceData = dataMatOff * realEigenVec.colRange(0, cutcols);
std::cout && "cols: "&& cutcols && std::
newFace = newSpaceData * (realEigenVec.colRange(0, cutcols).t());
newFace = newFace + dataM*/
cv::FileStorage fsw("model.yml", cv::FileStorage::WRITE);
fsw && "imageRows" && img_
fsw && "newSpaceData" && newSpaceData && "EigenVector" && realEigenVec.colRange(0, cutcols)
&& "dataMean" && dataM
fsw.release();
void loadModel() {
cv::FileStorage fsr("model.yml", cv::FileStorage::READ);
img_rows = (int)fsr["imageRows"];
fsr["newSpaceData"] && LoadNewSpaceD
fsr["EigenVector"] && loadEigenV
fsr["dataMean"] && loadDataM
fsr.release();
cv::Mat newFace = LoadNewSpaceData * loadEigenVector.t();
cv::Mat expandDataMean = cv::repeat(loadDataMean, newFace.rows, 1);
newFace = newFace + expandDataM
//show face
showFace("model_face", newFace.rowRange(0, 1), img_rows);
void checkFace(cv::Mat testFace) {
cv::Mat testNewSpaceF
testFace.convertTo(testFace, CV_32F);
testNewSpaceFace = (testFace - loadDataMean) * loadEigenV
// find a nearest face from newSpaceDataLoad
float minDis = 3.e+38F;
cv::Mat matchF
for (int i = 0; i & LoadNewSpaceData. i++) {
//std::cout && testNewSpaceF
cv::Mat off = (testNewSpaceFace - LoadNewSpaceData.rowRange(i, i + 1));
cv::Mat val = off * off.t();
val.convertTo(val, CV_32F);
dis = val.at&float&(0, 0);
if (dis & minDis) {
matchFace = LoadNewSpaceData.rowRange(i, i + 1) * loadEigenVector.t();
cv::Mat face8U;
matchFace = matchFace + loadDataM
matchFace.convertTo(face8U, CV_8U);
std::cout && minD
showFace("matched_face", face8U, img_rows);
cv::waitKey(0);
int main() {
saveModel();
loadModel();
cv::namedWindow("original_face");
cv::namedWindow("matched_face");
cv::namedWindow("model_face");
cv::Mat testFace = cv::imread("test.pgm");
imshow("original_face", testFace);
cv::cvtColor(testFace, testFace, CV_RGB2GRAY);
testFace = testFace.reshape(1, 1);
checkFace(testFace);
CV的教材及参考资料
Richard Szeliski, , 2010
Simon J.D. Prince, , Cambridge University Press,
David A. Forsyth, Jean Ponce,
Gary Bradski, Adrian Kaebler, , O’Reilly, 2008.
Rafael C. Gonzalez, Richard E. Woods,
, 2nd or 3rd, Prentice Hall，电子工业出版社（影印版，第二版2004年2月，第三版2010年1月）
Richard O.Duda, Peter E.Hart, David G.Stork,
(2nd Edition), John Wiley, 机械工业出版社（影印版，中译版，2003年9月）
矩阵速查手册 the matrix cookbook，学习DM的时候Prof强力推荐的书，矩阵求导不知道怎么求的话可以看这本书
numerical recipes in c++
本文已收录于以下专栏：
相关文章推荐
Qt5.7+Opencv2.4.9人脸识别(一)项目介绍
计算机组成原理个人笔记（一）
OpenCV人脸检测(完整源码+思路)
Qt5.7+Opencv2.4.9人脸识别(五)人脸识别
他的最新文章
讲师：汪剑
讲师：刘道宽
您举报文章：
举报原因：
原文地址：
原因补充：
(最多只允许输入30个字)