自应式网站长沙网站建设制作

当前位置： 首页 > news >正文

自应式网站,长沙网站建设制作,有关宠物方面的网站建设方案,完整企业网站模板文章目录 一、LBPH算法1.基本原理2.实现步骤3.代码实现 二、Eigenfaces算法1.特点2.代码实习 三、FisherFaces算法1.算法原理2.算法特点3.代码实现 四、总结 人脸识别特征识别器是数字信息发展中的一种生物特征识别技术#xff0c;其核心在于通过特定的算法和技术手段#xf… 文章目录 一、LBPH算法1.基本原理2.实现步骤3.代码实现 二、Eigenfaces算法1.特点2.代码实习 三、FisherFaces算法1.算法原理2.算法特点3.代码实现 四、总结 人脸识别特征识别器是数字信息发展中的一种生物特征识别技术其核心在于通过特定的算法和技术手段从人脸图像中提取出具有区分性和稳定性的特征用于后续的人脸识别和身份验证。Opencv提供了三种用于识别人脸的特征提取算法。分别是 LBPH 算法、EigenFaces 算法、FisherFaces 算法。以下是对人脸识别特征识别器的详细介绍 一、LBPH算法 Local Binary Patterns HistogramsLBPH即局部二值模式直方图是一种用于图像识别和人脸识别的特征提取方法。以下是对LBPH的详细介绍 1.基本原理 LBPH算法通过LBP算子描述图像局部纹理特征。LBP算子是一种用于描述图像局部纹理的算子它将每个像素与其邻域内的像素进行比较并将比较结果编码为二进制数。然后通过统计这些二进制数的直方图来提取图像的局部纹理特征。在人脸识别中LBPH算法将人脸图像划分为多个局部块并计算每个块的LBP直方图最后将这些直方图组合起来形成特征向量。 2.实现步骤 1、以每个像素为中心判断与周围像素灰度值大小关系对其进行二进制编码从而获得整幅图像的LBP编码图像 2、再将LBP图像分为个区域获取每个区域的LBP编码直方图继而得到整幅图像的LBP编码直方图。LBP特征与Haar特征很相似都是图像的灰度变化特征。 特点 通过比较不同人脸图像LBP编码直方图达到人脸识别的目的,其优点是不会受到光照、缩放、旋转和平移的影响。 3.代码实现 import cv2 import numpy as npimages[] images.append(cv2.imread(fmjj1.png, cv2.IMREAD_GRAYSCALE)) images.append(cv2.imread(fmjj2.png, cv2.IMREAD_GRAYSCALE)) images.append(cv2.imread(ss1.png, cv2.IMREAD_GRAYSCALE)) images.append(cv2.imread(ss2.png, cv2.IMREAD_GRAYSCALE)) labels [0, 0, 1, 1] dic {0: fmjj, 1: ss, -1: 无法识别} predict_image cv2.imread(fmjj.png, cv2.IMREAD_GRAYSCALE)recognizer cv2.face.LBPHFaceRecognizer_create(threshold80)recognizer.train(images, np.array(labels))label, confidence recognizer.predict(predict_image) print(这人是, dic[label]) print(置信度, confidence) aa cv2.putText(cv2.imread(fmjj.png).copy(), dic[label], (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2) cv2.imshow(aa, aa) cv2.waitKey(0) cv2.destroyAllWindows()本代码通过对四张照片进行读取前两种为同一人图像后两张为另一人图像转为灰度图并设置对应的标签然后读取测试图片通过使用LBPHFaceRecognizer来创建一个人脸识别器并为其设置了一个阈值为80然后使用测试图像和对应的标签来训练这个识别器。最后使用predict方法来对新的人脸图像进行识别。结果如下
二、Eigenfaces算法 基于主成分分析PCA的算法通过对人脸图像进行PCA处理将高维的人脸数据转换为低维数据提取出人脸的主要特征。 1.特点 降维效果好Eigenfaces算法通过PCA降维将高维的人脸图像数据转换为低维数据同时保留了人脸的主要特征有效降低了计算复杂度。识别精度高由于Eigenfaces算法提取了人脸图像的主要特征向量因此在识别阶段能够较好地区分不同的人脸。对光照和表情变化敏感然而Eigenfaces算法对光照和表情变化较为敏感因为这些变化会改变人脸图像的主要特征向量从而影响识别精度。 2.代码实习 import cv2 import numpy as npdef image_re(image):a cv2.imread(image, 0)a cv2.resize(a, (120, 180))return aimages [] a image_re(fmjj1.png) b image_re(fmjj2.png) c image_re(ss1.png) d image_re(ss2.png) images.append(a) images.append(b) images.append© images.append(d)labels [0, 0, 1, 1] pre_image cv2.imread(fmjj.png, 0) pre_image cv2.resize(pre_image, (120, 180))recognizer cv2.face.EigenFaceRecognizer_create()recognizer.train(images, np.array(labels)) label, confidence recognizer.predict(pre_image) dic {0: fmjj, 1: ss} print(这人是, dic[label]) print(置信度, confidence) aa cv2.putText(cv2.imread(fmjj.png).copy(), dic[label], (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2) cv2.imshow(aa, aa) cv2.waitKey(0) cv2.destroyAllWindows()代码基本与上述一致这里我们使用EigenFaceRecognizer创建人脸识别器然后再对其进行训练预测得到最终结果。 三、FisherFaces算法 1.算法原理 Fisherfaces算法的核心思想是利用LDA算法对人脸特征进行降维并通过计算投影系数将原始图像投影到低维空间中。这样不仅可以大大减少计算量提高识别速度还能在一定程度上保持较高的识别准确率。LDA是一种经典的线性学习方法它能够在降维的同时考虑类别信息使得投影后的同类样本点尽可能靠近异类样本点尽可能远离。 2.算法特点 考虑类别信息与Eigenfaces算法相比Fisherfaces算法在降维过程中考虑了类别信息这使得投影后的特征更具区分性。对光照和角度变化具有鲁棒性由于Fisherfaces算法在提取特征时考虑了人脸的几何形状和纹理信息因此它对光照和角度变化具有一定的鲁棒性。计算复杂度较高虽然Fisherfaces算法在识别阶段具有较快的速度但由于在训练阶段需要计算类内和类间散度矩阵以及投影系数因此计算复杂度相对较高。 3.代码实现 import cv2 import numpy as npdef image_re(imgae):a cv2.imread(imgae, 0)a cv2.resize(a, (120, 180))return aimage [] a image_re(fmjj1.png) b image_re(fmjj2.png) c image_re(ss1.png) d image_re(ss2.png) image.append(a) image.append(b) image.append© image.append(d) labels [0, 0, 1, 1] pre_image image_re(fmjj.png) recognizer cv2.face.FisherFaceRecognizer_create() recognizer.train(image, np.array(labels)) label, confidence recognizer.predict(pre_image) dic {0: fmjj, 1: ss} print(这人是, dic[label]) print(置信度, confidence) aa cv2.putText(cv2.imread(fmjj.png).copy(), dic[label], (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2) cv2.imshow(aa, aa) cv2.waitKey(0) cv2.destroyAllWindows() 四、总结 Eigenfaces、Fisherfaces和LBPH都是人脸识别中的经典算法它们各自具有不同的特点和优势。Eigenfaces和Fisherfaces关注全局信息而LBPH注重局部特征。在实际应用中可以根据具体需求和场景选择合适的算法进行人脸识别。例如在需要处理大规模数据集时可以选择Eigenfaces算法在需要注重分类性能时可以选择Fisherfaces算法在复杂环境下进行人脸识别时可以选择LBPH算法。