是一种非常有效的方法#xff0c;但是它的缺点在于在操作过程中会损失许多特征信息。

因此#xff0c;在一些情况下#xff0c…Fisherfaces

人脸识别

方法的核心它找到了最大化数据总方差特征的线性组合。

不可否认EigenFaces

是一种非常有效的方法但是它的缺点在于在操作过程中会损失许多特征信息。

因此在一些情况下如果损失的信息正好是用于分类的关键信息必然会导致无法完成分类。

Fisherfaces

LDALinear

线性判别分析在对特征降维的同时考虑类别信息。

其思路是在低维表示下相同的类应该紧密地聚集在一起不同的类别应该尽可能地分散开并且它们之间的距离尽可能地远。

简单地说线性判别分析就是要尽力满足以下两个要求

做完投影后将待测样本投影到直线

所示的是一组训练样本集。

现在需要找到一条直线让所有的训练样本满足同类间的距离最近异类间的距离最远。

23-14

找到一条这样的直线后如果要判断某个待测样本的分组可以直接将该样本点向投影线投影然后根据投影点的位置来判断其所属类别。

例如在图

cv2.face.FisherFaceRecognizer_create()生成

Fisherfaces

cv2.face_FaceRecognizer.train()函数完成训练用

cv2.face_FaceRecognizer.predict()函数完成人脸识别。

函数cv2.face.FisherFaceRecognizer_create()

cv2.face.FisherFaceRecognizer_create()的语法格式为

retval

cv2.face.FisherFaceRecognizer_create(

num_components[,

准则进行线性判别分析时保留的成分数量。

可以采用默认值“0”让函数自动设置合适的成分数量。

threshold进行识别时所用的阈值。

如果最近的距离比设定的阈值

threshold

函数cv2.face_FaceRecognizer.train()

cv2.face_FaceRecognizer.train()对每个参考图像进行

Fisherfaces

src训练图像即用来学习的人脸图像。

labels人脸图像所对应的标签。

函数cv2.face_FaceRecognizer.predict()

cv2.face_FaceRecognizer.predict()在对一个待测人脸图像进行判断时寻找与其距离最近的人脸图像。

与哪个人脸图像最接近就将待测图像识别为其对应的标签。

该函数的语法格式为

label,

cv2.face_FaceRecognizer.predict(

src

src需要识别的人脸图像。

label返回的识别结果的标签。

confidence置信度评分。

置信度评分用来衡量识别结果与原有模型之间的距离。

0

000

cv2.imread(face\\face2.png,cv2.IMREAD_GRAYSCALE);

cv2.imread(face\\face3.png,cv2.IMREAD_GRAYSCALE);

cv2.imread(face\\face4.png,cv2.IMREAD_GRAYSCALE);

cv2.imread(face\\face5.png,cv2.IMREAD_GRAYSCALE);

images.append(img4)labels[0,0,1,1]

#print(labels)

cv2.face.FisherFaceRecognizer_create()

np.array(labels))

predict_imagecv2.imread(face\\face6.png,cv2.IMREAD_GRAYSCALE)

predict_image.resize((240,240))

label,confidence

recognizer.predict(predict_image)

print(label,label)

print(confidence,confidence)运行结果

label

1034.0276952694567从结果中可以看出他的准确度又比EigenFaces

Haar

Cascade是一种传统的人脸检测算法它基于特征的级联分类器。

尽管速度较快但对于一些角度、光照和遮挡变化较大的情况可能表现不够稳定和准确。

Dlib人脸检测和识别

Dlib库提供了基于HOG特征的人脸检测和深度学习的人脸识别。

Dlib在不同角度和轻微遮挡下有良好的检测性能。

它还可以进行人脸特征点检测如眼睛、嘴巴等。

深度学习模型后续讲解

OpenCV也集成了一些深度学习模型用于人脸检测和识别如基于CNN的人脸检测器和基于深度学习的人脸识别算法。

这些模型通常在大规模数据集上进行了训练具有更高的准确性但可能需要更多的计算资源。

LBPH人脸识别应用少

局部二值模式直方图LBPH是一种基于纹理的人脸识别算法适用于小规模数据库。

它不需要大量的训练数据但在复杂场景下可能性能较差。

Eigenfaces和Fisherfaces是基于PCA和LDA的经典人脸识别算法。

它们在某些情况下可能表现出色但在复杂环境中可能不如深度学习模型。

准确性

一般来说对于复杂的人脸检测和识别问题深度学习模型可能会更加准确但也需要更多的计算资源。

对于一些简单的应用传统的方法如Haar

Cascade或Dlib可能已经足够。

选择适合自己应用的算法需要根据具体情况进行权衡和评估。