本篇文章主要介绍了如何使用OpenCV实现人脸检测，训练自己的分类器并进行视频和照片的人脸识别。本文不具体讲解人脸检测和识别的原理，直接使用OpenCV实现。

软件版本

       OpenCV版本：2.4.13.4；VS开发版本：VS2015。

目标分割、检测、识别和跟踪的概念

参考链接 http://blog.csdn.net/mdjxy63/article/details/76009046

目标分割， Target Segmentation，任务是把目标对应的部分分割出来。
目标检测， Target Detection。检测到图片当中的目标的具体位置。
目标识别， Target Recognition。即是在所有的给定数据中，分类出哪一些sample是目标，哪一些不是。这个仅仅做一下分类任务。
目标追踪， Target Tracking。这个任务很重要的第一点是目标定位（Target Locating）。而且这个任务设计到的数据一般具有时间序列（Temporal Data）。常见的情况是首先Target被Identify以后，算法或者系统需要在接下来时序的数据中，快速并高效地对给定目标进行再定位。任务需要区别类似目标，需要避免不要的重复计算，充分利用好时序相关性（Temporal Correlation），并且需要对一些简单的变化Robust，必须旋转、遮盖、缩小放大，Motion Blur之类的线性或者非线性变化。
典型的技术路线是：目标分割 ——>目标检测 ——>目标识别 ——>目标跟踪
如：需要对视频中的小明进行跟踪，处理过程将经历如下过程：
（1）首先，采集第一帧视频图像，因为人脸部的肤色偏黄，因此可以通过颜色特征将人脸与背景分割出来（目标分割）；
（2）分割出来后的图像有可能不仅仅包含人脸，可能还有部分环境中颜色也偏黄的物体，此时可以通过一定的形状特征将图像中所有的人脸准确找出来，确定其位置及范围（目标检测）；
（3）接下来需将图像中的所有人脸与小明的人脸特征进行对比，找到匹配度最好的，从而确定哪个是小明（目标识别）；
（4）之后的每一帧就不需要像第一帧那样在全图中对小明进行检测，而是可以根据小明的运动轨迹建立运动模型，通过模型对下一帧小明的位置进行预测，从而提升跟踪的效率（目标跟踪）

程序实现

       下载att_faces，是ORL人脸数据库，共40个人，每人10张照片分别存于att_facess1-s40文件夹。

       建立face_collection工程，功能是打开摄像头，给自己拍10张照片，存在myfaces文件夹中。
该工程还将10张照片进行人像检测并转化为灰度图保存在att_facess41文件夹，作为第41组训练数据。

       运行create_csv.py文件，读取att_faces文件夹，生成包含图片地址和标签的csv文件，命名为try.txt，并存放在face_training工程下。注意这里分类时并不完全按照文件夹升序的，比如s1是类别0，s10是类别1而不是s2是类别1。因此，自己的照片存于s41文件夹，分到的类别号是35。这个至关重要，决定了人脸识别时的判断条件。

       参考链接 http://blog.csdn.net/xingchenbingbuyu/article/details/51386949

（2）分类器训练
       建立face_training工程，读取此try.txt文件，将自己在内的410张照片进行训练，得到三种分类器MyFaceFisherModel.xml、MyFaceLBPHModel.xml和MyFacePCAModel.xml。

       参考链接 http://blog.csdn.net/xingchenbingbuyu/article/details/51407336

（3）视频识别自己
       建立face_detect_show_name工程，测试face_training工程下的分类器MyFaceFisherModel.xml、MyFaceLBPHModel.xml和MyFacePCAModel.xml。

       参考链接 http://blog.csdn.net/xingchenbingbuyu/article/details/51472330

（4）照片分类

       我的程序如下：

#include<opencv2/opencv.hpp> 
#include<opencv2/objdetect/objdetect.hpp>  
#include<opencv2/highgui/highgui.hpp>  
#include<opencv2/imgproc/imgproc.hpp>
#include <sstream>

using namespace cv;
using namespace std;

// 人脸检测的类，实例化对象  
CascadeClassifier face_cascade;
CascadeClassifier eyes_cascade;

int main()
{
    // 加载分类器，用于将人脸从背景中检测出来。注意文件路径。这里使用openCV2环境
	face_cascade.load("...\sources\data\haarcascades\haarcascade_frontalface_alt2.xml");
	eyes_cascade.load("...\sources\data\haarcascades\haarcascade_eye_tree_eyeglasses.xml");

	/*------以下分类器，用于人脸识别，三选一进行测试，注意修改分类结果的保存路径--------*/
	// 训练出的PCA分类器
	Ptr<FaceRecognizer> model = createEigenFaceRecognizer();
	model->load("...\MyFacePCAModel.xml");

	// 训练出的LBP分类器
	//Ptr<FaceRecognizer> model = createLBPHFaceRecognizer();
	//model->load("...\MyFaceLBPHModel.xml");

	// 训练出的Fisher分类器
	//Ptr<FaceRecognizer> model = createFisherFaceRecognizer();
	//model->load("...\MyFaceFisherModel.xml");
	/*-----------------------------------------------------------------------------------*/

	vector<Rect> faces;
	vector<Rect> eyes;
	Mat img, img_gray;

	// 图片编号
	int cnt = 1;
	// 循环停止标志
	bool stop_flag = false;

	while (!stop_flag)
	{
		// 待处理图片的地址及文件名
		string imagename = format("...\testphotos\%d.jpg", cnt);
		// 读取待处理图片，存放在img中
		img = imread(imagename);
		// 如果读入图像失败
		if (img.empty())
		{
			fprintf(stderr, "Can not load image %sn", imagename);
			return 1;
		}

		// 将图片转化为灰度图，存放在img_gray中
		cvtColor(img, img_gray, COLOR_BGR2GRAY);
		// 使灰度图像直方图均衡化
		equalizeHist(img_gray, img_gray);

		// 检测人脸，faces保存被检测出的人脸位置坐标序列 
		face_cascade.detectMultiScale(img_gray, faces, 1.1, 3, CV_HAAR_DO_ROUGH_SEARCH, Size(50, 50));

		Mat face;
		Point text_lb;

		// 将检测出的人脸框出，并进行识别标示自己的名字
		for (size_t i = 0; i < faces.size(); i++)
		{
			if (faces[i].height > 0 && faces[i].width > 0)
			{
				face = img_gray(faces[i]);
				text_lb = Point(faces[i].x, faces[i].y);

				rectangle(img, faces[i], Scalar(255, 0, 0), 2, 8, 0);

				// 检测人眼
				Mat faceROI = img_gray(faces[i]);
				eyes_cascade.detectMultiScale(faceROI, eyes, 1.1, 1, CV_HAAR_DO_ROUGH_SEARCH, Size(3, 3));

				for (size_t j = 0; j < eyes.size(); j++)
				{
					Rect rect(faces[i].x + eyes[j].x, faces[i].y + eyes[j].y, eyes[j].width, eyes[j].height);
					rectangle(img, rect, Scalar(0, 255, 0), 2, 8, 0);
				}
			}
		}

		Mat face_test;
		int predict = 0;
		if (face.rows >= 120)
		{
			resize(face, face_test, Size(92, 112));
		}

		if (!face_test.empty())
		{
			// 测试图像应该是灰度图  
			predict = model->predict(face_test);
		}

		cout << predict << endl;
		if (predict == 35)  // 35对应try.txt的s41文件夹下的照片，也就是我的照片
		{
			string name = "My Name";
			putText(img, name, text_lb, FONT_HERSHEY_COMPLEX, 1, Scalar(0, 0, 255));
			// 为识别出的图片定义存放路径
			string  str = format("...\testResults_PCA\%d.jpg", cnt);
			//string  str = format("...\testResults_LBP\%d.jpg", cnt);
			//string  str = format("...\testResults_Fisher\%d.jpg", cnt);
			imwrite(str, img);
		}

		//-- Show what you got  
		String window_name = format("%d Face Recognition",cnt);
		namedWindow(window_name, CV_WINDOW_NORMAL);
		resizeWindow(window_name,500,500);
		imshow(window_name, img);

		// 待处理图片的编号
		cnt++;
		// 共处理13张图片
		if (cnt > 13)
		{
			stop_flag = true;
		}
	}

	waitKey(0);
	return 0;

}

亲测，按照上面的步骤实现的话，是可以得出结果哒，这里就不贴出自己的照片了