opencv实现Eigenface人脸识别

自己用opencv实现EigenFace 人脸识别的训练与识别、与重构过程。

自己写代码实现EigenFace 人脸识别的训练与识别、与重构过程，要求如下：

假设每张⼈脸图像只有一张人脸，且两只眼睛位置已知（即可人工标注给出）。每张图像的眼睛位置存在相应目录下的㇐个与图像文件名相同但后缀名为txt的⽂本文件⾥，文本文件中用一行、以空格分隔的4个数字表示，分别对应于两只眼睛中⼼在图像中的位置；

实现三个程序过程，分别对应训练与识别、重构。

自己构建一个人脸库（至少40个，包括自己），课程主页提供一个AT&T人脸库可选用。

不能直接调用OpenCV里面与Eigenface相关的一些函数，所有关键函数需要自己实现。

特征值与特征向量求解函数可以调用SDK;

Eigenface人脸识别实现步骤：

确定模板

对灰度值做归一化

通常我们使用两种方法来增强图片的对比度：

直方图均衡化

OpenCV提供了一个易用的函数，用于直方图均衡化处理。

实现原理：一个完全均衡的直方图，意味着所有箱子包含的像素数量是相同的。其中一个必要条件就是，50%像素的强度值小于128，25%像素的强度值小于64，依次类推。

直方图拉伸

直方图拉伸让像素尽可能分布在[0,255]的范围之内。

PCA全名为主成分分析，其主要目的就是寻找一个矩阵，然后把原来的一组带有相关性的矩阵映射到寻找到的那个矩阵中，达到降维的目的。

一般的，如果我们有M个N维向量，想将其变换为由R个N维向量表示的新空间中，那么首先将R个基按行组成矩阵A，然后将向量按列组成矩阵B，那么两矩阵的乘积AB就是变换结果，其中AB的第m列为A中第m列变换后的结果。

这句话就相当于找到了一个R行N列矩阵，然后乘一个N行M列矩阵，这样就得到了一个R行M列矩阵（其中R