一、关于ORL人脸数据库
ORL是一个40个人，每人采取10张人脸头像构成的一个人脸数据库，尺寸全部为92*112。分为40个文件夹，即每个文件夹中包含有10张人脸照片，为pgm格式。
其中s41为拍好并处理好的自己人脸图像。
值得一提的是，图片为pgm格式，许多软件无法读取，但是别忘了我们的opencv可是图片处理能力十分强大的噢！如果想看下这些人脸图是怎样的，可以使用opencv的imshow函数进行读取哦……
二、添加进自己的人脸数据
上面截图中可以看出，笔者采集了自己的照片，这一步需要有几个注意点：
1.放入的图片格式不一定要pgm格式
2.放入的图片尺寸大小一定要一致（92*112）
3.图片不需要自己一张张的拍摄，可以写一段程序进行拍摄，并进行预处理达到要求， 之后放到ORL库里一起整合。
此程序拍得的照片已经将人脸处理成了92*112的大小。
三、利用已有模型进行训练
1. 一个小测试
笔者参照了不少博客大神，受益匪浅。在正式开始实践前，先做了个小测试，即用较少的人脸数据进行训练和识别测试。做小测试的时候，我是首先从ORL中选择了2个人的各自5张图片和自己的5张图片，共3个人15张人脸图片进行训练。(11-15.jpg对应的是我自己，即上图中1-5.jpg，此处人为复制出来进行命名进行小测试)
其中a1-a5对应一类（0），b1-b5对应一类（1 ),c1-c5对应一类（2），之后要做的就是将这些人脸图压进栈，即将照片（image.表示人脸图像）和标签（label表分类结果）下面以a类为例压进栈。
在之后就是模型的训练了，opencv自带的Facerecognizer类。其中有人脸识别接下来会用到的几个函数（train、load、save、predict）。
同时opencv自带了三个人脸识别算法：Eigenfaces，Fisherfaces 和局部二值模式直方图 (LBPH)。直接调用这三种算法很简单，一般都是三句话足够：
之后就可以直接测试了，以第一种模型为例：
2. 数据量较大的情况
小测试中共涉及了15张图片，即使让你人为命名写路径也不算很麻烦，可是人脸识别需要的数据往往很大，这就不可能说人为的去一张张图片的处理了。但是整体的流程和上面小测试是相同的，这里主要介绍一种csv文件的使用方法：
我们需要读取人脸和人脸对应的标签。直接在数据库中读取显然是低效的。所以我们用csv文件读取。csv文件中包含两方面的内容，一是每一张图片的位置所在，二是每一个人脸对应的标签，就是为每一个人编号。这个at.txt就是我们需要的csv文件。生成之后它里面是这个样子的：（指定到人脸存储路径即可）
这里网上有许多教程可以自动生成csv文件，笔者是直接下载别人的，然后查找替换成自己路径下即可，关键我们要学会的是怎么利用csv文件去访问图片和标签。
这里可以参考笔者的程序，先定义子函数，之后在主程序中调用即可：
之后便是一些处理，将摄像头采集到的图像检测出人脸，再将人脸处理成指定格式，调用predict函数进行识别，和库内数据比较即可。
具体全面的程序和项目代码将在下一篇给出！
