Fisherfaces 人臉識(shí)別

PCA 方法是 EigenFaces 方法的核心，它找到了最大化數(shù)據(jù)總方差特征的線性組合。不可否認(rèn)，EigenFaces
是一種非常有效的方法，但是它的缺點(diǎn)在于在操作過(guò)程中會(huì)損失許多特征信息。

因此，在一些情況下，如果損失的信息正好是用于分類(lèi)的關(guān)鍵信息，必然會(huì)導(dǎo)致無(wú)法完成分類(lèi)。Fisherfaces 采用 LDA（Linear Discriminant Analysis，線性判別分析）實(shí)現(xiàn)人臉識(shí)別。線性判別識(shí)別最早由 Fisher 在 1936 年提出，是一種經(jīng)典的線性學(xué)習(xí)方法，也被稱(chēng)為“Fisher 判別分析法”。

基本原理

線性判別分析在對(duì)特征降維的同時(shí)考慮類(lèi)別信息。其思路是：在低維表示下，相同的類(lèi)應(yīng)該緊密地聚集在一起；不同的類(lèi)別應(yīng)該盡可能地分散開(kāi)，并且它們之間的距離盡可能地遠(yuǎn)。簡(jiǎn)單地說(shuō)，線性判別分析就是要盡力滿(mǎn)足以下兩個(gè)要求：

• 類(lèi)別間的差別盡可能地大。
• 類(lèi)別內(nèi)的差別盡可能地小。

做線性判別分析時(shí)，首先將訓(xùn)練樣本集投影到一條直線 A 上，讓投影后的點(diǎn)滿(mǎn)足：

• 同類(lèi)間的點(diǎn)盡可能地靠近。
• 異類(lèi)間的點(diǎn)盡可能地遠(yuǎn)離。

做完投影后，將待測(cè)樣本投影到直線 A 上，根據(jù)投影點(diǎn)的位置判定樣本的類(lèi)別，就完成了識(shí)別。

例如，圖 23-13 所示的是一組訓(xùn)練樣本集。現(xiàn)在需要找到一條直線，讓所有的訓(xùn)練樣本滿(mǎn)足：同類(lèi)間的距離最近，異類(lèi)間的距離最遠(yuǎn)。

圖 23-14 的左圖和右圖中分別有兩條不同的投影線 L1 和 L2，將圖 23-13 中的樣本分別投影到這兩條線上，可以看到樣本集在 L2 上的投影效果要好于在 L1 上的投影效果。

線性判別分析就是要找到一條最優(yōu)的投影線。以圖 23-14 中右圖投影為例，要滿(mǎn)足：

• A、B 組內(nèi)的點(diǎn)之間盡可能地靠近
• C 的兩個(gè)端點(diǎn)之間的距離（類(lèi)間距離）盡可能地遠(yuǎn)

找到一條這樣的直線后，如果要判斷某個(gè)待測(cè)樣本的分組，可以直接將該樣本點(diǎn)向投影線投影，然后根據(jù)投影點(diǎn)的位置來(lái)判斷其所屬類(lèi)別。

例如，在圖 23-15 中，三角形樣本點(diǎn) U 向投影線投影后，其投影點(diǎn)落在圓點(diǎn)的投影范圍內(nèi)，則認(rèn)為待測(cè)樣本點(diǎn) U 屬于圓點(diǎn)所在的分類(lèi)。

函數(shù)介紹

OpenCV 中，通過(guò)函數(shù) cv2.face.FisherFaceRecognizer_create()生成 Fisherfaces 識(shí)別器實(shí)例模型，然后應(yīng)用 cv2.face_FaceRecognizer.train()函數(shù)完成訓(xùn)練，用 cv2.face_FaceRecognizer.predict()函數(shù)完成人臉識(shí)別。

1. 函數(shù)cv2.face.FisherFaceRecognizer_create()
   函數(shù) cv2.face.FisherFaceRecognizer_create()的語(yǔ)法格式為：

retval = cv2.face.FisherFaceRecognizer_create( [, num_components[,
threshold]] )

式中的兩個(gè)參數(shù)都是可選參數(shù)，它們的含義為：

• num_components：使用 Fisherfaces 準(zhǔn)則進(jìn)行線性判別分析時(shí)保留的成分?jǐn)?shù)量?？梢圆捎媚J(rèn)值“0”，讓函數(shù)自動(dòng)設(shè)置合適的成分?jǐn)?shù)量。
• threshold：進(jìn)行識(shí)別時(shí)所用的閾值。如果最近的距離比設(shè)定的閾值 threshold 還要大，函數(shù)會(huì)返回“-1”。

2. 函數(shù)cv2.face_FaceRecognizer.train()

函數(shù) cv2.face_FaceRecognizer.train()對(duì)每個(gè)參考圖像進(jìn)行 Fisherfaces 計(jì)算，得到一個(gè)向量。
每個(gè)人臉都是整個(gè)向量集中的一個(gè)點(diǎn)。該函數(shù)的語(yǔ)法格式為：

None = cv2.face_FaceRecognizer.train( src, labels )

式中各個(gè)參數(shù)的含義為：

• src：訓(xùn)練圖像，即用來(lái)學(xué)習(xí)的人臉圖像。
• labels：人臉圖像所對(duì)應(yīng)的標(biāo)簽。
  該函數(shù)沒(méi)有返回值。

3. 函數(shù)cv2.face_FaceRecognizer.predict()
   函數(shù) cv2.face_FaceRecognizer.predict()在對(duì)一個(gè)待測(cè)人臉圖像進(jìn)行判斷時(shí)，尋找與其距離最近的人臉圖像。與哪個(gè)人臉圖像最接近，就將待測(cè)圖像識(shí)別為其對(duì)應(yīng)的標(biāo)簽。該函數(shù)的語(yǔ)法格式為：

label, confidence = cv2.face_FaceRecognizer.predict( src )

式中的參數(shù)與返回值的含義為：

• src：需要識(shí)別的人臉圖像。
• label：返回的識(shí)別結(jié)果的標(biāo)簽。
• confidence：置信度評(píng)分。置信度評(píng)分用來(lái)衡量識(shí)別結(jié)果與原有模型之間的距離。0 表示完全匹配。該值通常在 0 到 20 000 之間，若低于 5000，就認(rèn)為是相當(dāng)可靠的識(shí)別結(jié)果。需要注意，該評(píng)分值的范圍與 EigenFaces 方法的評(píng)分值范圍一致，與 LBPH 方法的評(píng)分值范圍不一致。

示例：使用 FisherFaces 完成一個(gè)簡(jiǎn)單的人臉識(shí)別程序

import cv2
import numpy as np
images=[]
img1= cv2.imread("face\\face2.png",cv2.IMREAD_GRAYSCALE);
img1.resize((240,240))
images.append(img1)

img2= cv2.imread("face\\face3.png",cv2.IMREAD_GRAYSCALE);
img2.resize((240,240))
images.append(img2)

img3= cv2.imread("face\\face4.png",cv2.IMREAD_GRAYSCALE);
img3.resize((240,240))
images.append(img3)

img4= cv2.imread("face\\face5.png",cv2.IMREAD_GRAYSCALE);
img4.resize((240,240))
images.append(img4)

labels=[0,0,1,1]
#print(labels)
recognizer = cv2.face.FisherFaceRecognizer_create()
recognizer.train(images, np.array(labels)) # 識(shí)別器訓(xùn)練
predict_image=cv2.imread("face\\face6.png",cv2.IMREAD_GRAYSCALE)
predict_image.resize((240,240))
label,confidence= recognizer.predict(predict_image)
print("label=",label)
print("confidence=",confidence)

運(yùn)行結(jié)果：

label= 0
confidence= 1034.0276952694567

從結(jié)果中可以看出，他的準(zhǔn)確度又比EigenFaces 人臉識(shí)別對(duì)比的化準(zhǔn)確多了。

常見(jiàn)的OpenCV人臉?biāo)惴ㄒ约八鼈兊膶?duì)比

Haar Cascade人臉檢測(cè)（查找）：
Haar Cascade是一種傳統(tǒng)的人臉檢測(cè)算法，它基于特征的級(jí)聯(lián)分類(lèi)器。盡管速度較快，但對(duì)于一些角度、光照和遮擋變化較大的情況，可能表現(xiàn)不夠穩(wěn)定和準(zhǔn)確。

Dlib人臉檢測(cè)和識(shí)別：
Dlib庫(kù)提供了基于HOG特征的人臉檢測(cè)和深度學(xué)習(xí)的人臉識(shí)別。Dlib在不同角度和輕微遮擋下有良好的檢測(cè)性能。它還可以進(jìn)行人臉特征點(diǎn)檢測(cè)，如眼睛、嘴巴等。

深度學(xué)習(xí)模型：（后續(xù)講解）
OpenCV也集成了一些深度學(xué)習(xí)模型用于人臉檢測(cè)和識(shí)別，如基于CNN的人臉檢測(cè)器和基于深度學(xué)習(xí)的人臉識(shí)別算法。這些模型通常在大規(guī)模數(shù)據(jù)集上進(jìn)行了訓(xùn)練，具有更高的準(zhǔn)確性，但可能需要更多的計(jì)算資源。

LBPH人臉識(shí)別：（應(yīng)用少）
局部二值模式直方圖（LBPH）是一種基于紋理的人臉識(shí)別算法，適用于小規(guī)模數(shù)據(jù)庫(kù)。它不需要大量的訓(xùn)練數(shù)據(jù)，但在復(fù)雜場(chǎng)景下可能性能較差。

Eigenfaces和Fisherfaces：
Eigenfaces和Fisherfaces是基于PCA和LDA的經(jīng)典人臉識(shí)別算法。它們?cè)谀承┣闆r下可能表現(xiàn)出色，但在復(fù)雜環(huán)境中可能不如深度學(xué)習(xí)模型。

在選擇OpenCV人臉?biāo)惴〞r(shí)，需要考慮以下因素：

準(zhǔn)確性： 算法的準(zhǔn)確性是否滿(mǎn)足你的應(yīng)用需求？
速度： 算法的執(zhí)行速度是否足夠快？
復(fù)雜度： 算法的實(shí)現(xiàn)和使用是否容易？
數(shù)據(jù)規(guī)模： 你的數(shù)據(jù)集是大還是??？
場(chǎng)景： 你的應(yīng)用場(chǎng)景中是否有遮擋、光照變化等因素？

一般來(lái)說(shuō)，對(duì)于復(fù)雜的人臉檢測(cè)和識(shí)別問(wèn)題，深度學(xué)習(xí)模型可能會(huì)更加準(zhǔn)確，但也需要更多的計(jì)算資源。對(duì)于一些簡(jiǎn)單的應(yīng)用，傳統(tǒng)的方法如Haar Cascade或Dlib可能已經(jīng)足夠。選擇適合自己應(yīng)用的算法需要根據(jù)具體情況進(jìn)行權(quán)衡和評(píng)估。文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-665270.html

到了這里，關(guān)于opencv 進(jìn)階13-Fisherfaces 人臉識(shí)別-函數(shù)cv2.face.FisherFaceRecognizer_create()的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！