calcLimit：終止迭代計(jì)算目標(biāo)特征的條件。根據(jù)calcLimit的參數(shù)，計(jì)算會(huì)在前nEigens主要特征目標(biāo)被提取后結(jié)束（這句話有點(diǎn)繞，應(yīng)該就是提取了前nEigens個(gè)特征值，），另一種結(jié)束的情況是：目前特征值同最s大特征值的比值降至calcLimit的epsilon值之下。

　　賦值如下calcLimit = cvTermCriteria（ CV_TERMCRIT_ITER， nEigens， 1）;

　　它的類型定義如下：

　　typedef struct CvTermCriteria

　　{

　　int type;　　int max_iter;　　　　//最大迭代次數(shù)

　　double epsilon;　　　　//結(jié)果精確性

　　}

　　avg：訓(xùn)練樣本的平均圖像

　　eigVals：以降序排列的特征值的行向量指針。可以為0。

　　最后將所得數(shù)據(jù)形成一個(gè)facedata.xml“文件保存下來(lái)，它可以隨時(shí)被重新載入來(lái)識(shí)別經(jīng)訓(xùn)練過(guò)的人。

　　圖像在特征空間的投影：

　　void cvEigenDecomposite（ IplImage* obj， int nEigObjs， void* eigInput，int ioFlags， void* userData， IplImage* avg， float* coeffs ）;

　　obj：輸入圖像，訓(xùn)練或識(shí)別圖像

　　nEigObjs：特征空間的eigen數(shù)量

　　eigInput：特征空間中的特征臉

　　ioFlags、userData：默認(rèn)為0

　　avg：特征空間中的平均圖像

　　coeffs：這是唯一一個(gè)輸出，即人臉在子空間的投影，特征值

　　識(shí)別的過(guò)程

　　1. 讀取用于測(cè)試的圖片。

　　2. 平均人臉，特征臉和特征值（比率）使用函數(shù)“l(fā)oadTrainingData（）” 從人臉識(shí)別數(shù)據(jù)庫(kù)文件（the face recognition database fil）“facedata.xml”載入。

　　3. 使用OpenCV的函數(shù)“cvEigenDecomposite（）”，每張輸入的圖片都被投影到PCA子空間，來(lái)觀察哪些特征臉的比率最適合于代表這張圖片。

　　4. 現(xiàn)在有了特征值（特征臉圖片的比率）代表這張輸入圖片，程序需要查找原始的訓(xùn)練圖片，找出擁有最相似比率的圖片。這些用數(shù)學(xué)的方法在“findNearestNeighbor（）”函數(shù)中執(zhí)行，采用的是“歐幾里得距離（Euclidean Distance）”，但是它只是基本地檢查輸入圖片與每張訓(xùn)練圖片的相似性，找到最相似的一張：一張?jiān)跉W幾里得空間上與輸入圖片距離最近的圖片。就像在 Servo Magazine的文章上提到的那樣，如果使用馬氏距離（ the Mahalanobis space，需要在代碼里定義 USE_MAHALANOBIS_DISTANCE），你可以得到更準(zhǔn)確的結(jié)果。

　　5. 在輸入圖片與最相似圖片之間的距離用于確定可信度（confidence），作為是否識(shí)別出某人的指導(dǎo)。1.0的可信度意味著完全相同，0.0或者負(fù)的可信度意味著非常不相似。但是需要注意，我在代碼中用到的可信度公式只是一個(gè)非常基本的可信度測(cè)量，不是很可靠，但是我覺得多數(shù)人會(huì)想要看到一個(gè)粗略的可信度值。你可能發(fā)現(xiàn)它對(duì)你的圖片給出錯(cuò)誤的值，所以你可以禁用它（比如：把可信度設(shè)為恒定的1.0）。

　　一旦指導(dǎo)哪張訓(xùn)練圖片和輸入圖片最相似，并假定可信度值不是太低（應(yīng)該至少是0.6或更高），那么它就指出了那個(gè)人是誰(shuí)，換句話說(shuō)，它識(shí)別出了那個(gè)人！