基于PCA进行人脸识别的代码

以下是基于PCA进行人脸识别的Python代码示例：

import numpy as np
import cv2
import os

# 读取训练集的人脸图像
def read_faces(path):
    faces = []
    labels = []
    for dir_name, subdir_list, file_list in os.walk(path):
        for file_name in file_list:
            if file_name.endswith(".jpg"):
                label = int(dir_name[-1])
                img_path = os.path.join(dir_name, file_name)
                img = cv2.imread(img_path, 0)
                faces.append(img)
                labels.append(label)
    return faces, labels

# 将输入图像转换为向量
def img_to_vec(img):
    w, h = img.shape
    return img.reshape(w*h)

# 计算均值脸和特征向量
def train(faces):
    X = np.array([img_to_vec(face) for face in faces])
    m = np.mean(X, axis=0)
    X = X - m
    C = np.dot(X,X.T)
    eigenvalues, eigenvectors = np.linalg.eig(C)
    eigenvectors = np.dot(X.T, eigenvectors)
    for i in range(eigenvectors.shape[1]):
        eigenvectors[:,i] /= np.linalg.norm(eigenvectors[:,i])
    return m, eigenvectors

# 将测试图像投影到特征空间
def project(w, X, m):
    w = w.T
    return np.dot(X - m, w)

# 计算两个向量之间的欧氏距离
def euclidean_distance(a, b):
    return np.sqrt(np.sum((a - b)**2))

# 预测输入图像的标签
def predict(face, m, eigenvectors, labels, faces):
    w = project(eigenvectors, img_to_vec(face), m)
    min_distance = float("inf")
    min_label = None
    for i in range(len(faces)):
        distance = euclidean_distance(w, project(eigenvectors, img_to_vec(faces[i]), m))
        if distance < min_distance:
            min_distance = distance
            min_label = labels[i]
    return min_label

# 读取训练集的人脸图像
faces, labels = read_faces("faces")

# 计算均值脸和特征向量
m, eigenvectors = train(faces)

# 读取测试集的人脸图像，并预测其标签
test_img = cv2.imread("test.jpg", 0)
predicted_label = predict(test_img, m, eigenvectors, labels, faces)

print("Predicted label:", predicted_label)

在上面的代码中，我们首先定义了一个`read_faces`函数，该函数用于从训练集目录中读取所有人脸图像，并将它们存储在一个列表中。接下来，我们定义一个`img_to_vec`函数，该函数将一个输入图像转换为一个向量。然后，我们使用`train`函数计算均值脸和特征向量。在`predict`函数中，我们将测试图像投影到特征空间，并计算该向量与每个训练图像向量之间的欧氏距离。最后，我们选择距离最小的那个图像的标签作为预测标签。

要使用此代码，您需要将训练图像存储在名为“faces”的文件夹中，并将测试图像命名为“test.jpg”。您还需要安装OpenCV库。