在前面一篇教程中，我们学习了OpenCV中基于特征脸的人脸识别的代码实现，我们通过代码

Ptr<FaceRecognizer> model = createEigenFaceRecognizer();

创建了人脸识别模型类，该识别模型类基于特征值人脸。该类有几个重要的成员:

int _num_components;
double _threshold;
vector<Mat> _projections;
Mat _labels;
Mat _eigenvectors;
Mat _eigenvalues;
Mat _mean;

     _num_components表示我们的特征脸识别算法通过PCA降维后保留的特征向量数目，如果在创建人脸识别类时没有指定它的值，则它会保留所有的特征向量，比如我们例子中有399个采样图片，每个图片都为10304维，则最多的特征值数目为399，_num_components的值即为399。_threshold是判定输入的图像属于那一个特征脸时使用。如果类创建时候，没有指定它的值，则默认它会被赋予一个很大的值。我们可以通过下面的代码在类初始化时指定他们的值。

int num_components = 10;

double threshold = 10.0;

Ptr<FaceRecognizer> model = createEigenFaceRecognizer(num_components, threshold);

创建人脸识别模型类之后，我们首先要调用train函数：

model->train(images, labels);

    该函数参数为样本图像集合以及样本图像标签集合，在该函数中，会通过PCA算法，得到采样集合的特征值和特征向量，并把每个采样图像投影到PCA子空间，放在变量 _projections中。所谓的投影PCA空间，就是用当前采样图向量减去均值向量，然后用特征向量乘以它，得到的y值。

详细参考http://www.cnblogs.com/mikewolf2002/p/3432243.html。

进过train函数后，我就得到了一系列的PCA空间投影图。

然后，我们会调用predict函数，传入带识别的人脸图像，该函数会返回检测到的人脸标签号。

int predictedLabel = model->predict(testSample);

   在该函数中，会首先把testSample投影到PCA空间，然后和_projections中保存的特征图像挨个比较，距离最近的特征图标签号即为输入图像对应的人。注意在比较中，用到域值_threshold，如果所有特征图距离都大于域值，则会返回-1，没有在模型中找到对应的人脸。

for(size_t sampleIdx = 0; sampleIdx < _projections.size(); sampleIdx++) {

    double dist = norm(_projections[sampleIdx], q, NORM_L2);

   if((dist < minDist) && (dist < _threshold)) {

        minDist = dist;

        minClass = _labels.at<int>((int)sampleIdx);

    }

}

人脸识别模型类中还有两个重要的函数：load, save，我们在工程FirstOpenCV31中增加save函数：

model->save("face.data");

在工程FirstOpenCV33中，我们跳过train环节，直接load, face.data，这样可以加快程序执行速度。

model->load("face.data");

程序代码：FirstOpenCV31，FirstOpenCV33