位置: IT常识 - 正文

11 OpenCV图像识别之人脸识别(opencv图像识别特定形状)

编辑:rootadmin
11 OpenCV图像识别之人脸识别 文章目录1 Eigenfaces1.1 建模流程1.2 示例代码2 Fisherfaces2.1 建模流程2.2 示例代码3 Local Binary Histogram3.1 建模流程3.2 示例代码

推荐整理分享11 OpenCV图像识别之人脸识别(opencv图像识别特定形状),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:opencv图像识别有什么算法,opencv图像识别程序,opencv实现图像识别,opencv图像识别有什么算法,opencv图像识别实例,opencv用摄像头的图像识别,opencv用摄像头的图像识别,opencv 图片识别,内容如对您有帮助,希望把文章链接给更多的朋友!

OpenCV 提供了三种人脸识别方法:

Eigenfaces

Eigenfaces是一种基于PCA(Principal Component Analysis,主成分分析)的人脸识别方法,属于OpenCV中的特征脸方法之一。该方法将人脸图像转换为低维的特征向量,使用PCA降维的方式提取出训练集中的主成分特征,进而提取出人脸图像的特征向量。在进行识别时,通过比较输入图像与训练集中每个图像的特征向量的相似度来判断其所属的人脸类别。

Local Binary Patterns Histograms (LBPH)

LBPH 是一种基于局部二值模式(Local Binary Pattern)的人脸识别方法,它将每个像素与周围的像素进行比较,计算出每个像素点的二进制编码,再将编码串联起来形成一个局部特征。LBPH 的优点是对于图像的旋转、缩放和灰度变化等不敏感,但对于遮挡和表情变化等因素的鲁棒性还有待提高。

Fisherfaces

Fisherfaces 是一种基于线性判别分析(Linear Discriminant Analysis)的人脸识别方法,它通过将图像投影到低维空间,将图像从高维特征向量转换为低维特征向量,并使用低维特征向量进行分类。Fisherfaces 的优点是对于光照、表情变化等因素的鲁棒性很强,但对于遮挡的鲁棒性还有待提高。

1 Eigenfaces

Eigenfaces 是一种基于主成分分析(Principal Component Analysis, PCA)的人脸识别方法,它是最早的、也是最简单的人脸识别方法之一。

Eigenfaces 方法将每个人脸图像看作一个高维向量,通过对这些向量进行 PCA 变换,得到一组特征向量(也称为 eigenfaces),并将每个人脸图像投影到这组特征向量上,从而将高维的人脸数据降维到一个低维的特征空间中,进而实现人脸识别。

1.1 建模流程

首先,通过cv2.face.EigenFaceRecognizer_create()创建Eigenfaces识别器:

EigenFaceRecognizer = cv2.face.EigenFaceRecognizer_create([, num_components[, threshold]])

其中,可选参数num_components表示PCA保留的特征数量,默认为0,即保留所有特征。可选参数threshold表示一个阈值,当人脸图像与训练数据的差异小于该阈值时,认为这是同一个人。默认值为0,表示不使用阈值。

该方法返回一个EigenFaceRecognizer对象,可以使用其train()方法进行训练,predict()方法进行预测,save()和load()方法保存和加载模型。

随后,进行训练:

cv2.face.EigenFaceRecognizer_create().train(src, labels)或EigenFaceRecognizer.train(src, labels)

其中,

src:训练数据,可以是一个列表或一个 NumPy 数组,其中每个元素都是包含人脸图像的数组。labels:与训练数据对应的标签,传入的一个 NumPy 数组,其中每个元素都是一个整数标签,表示训练数据中对应人脸的身份信息。

该函数不返回任何值,训练后的识别器会保存在类实例中,可以通过调用 cv2.face.EigenFaceRecognizer_create().predict() 函数使用它。

最后,使用模型进行预测:

label, confidence = recognizer.predict(src)

recognizer.predict(src)函数是使用已经训练好的人脸识别器对输入的人脸图像进行识别。它接收一个参数src,即待识别的人脸图像。该函数返回两个值:

label:表示识别结果对应的人脸标签,通常是一个整数。confidence:表示识别结果的置信度或准确度。值越小表示置信度越高,一般情况下,评分小于5000就可以认为匹配度高,评分为0则为完全一样。1.2 示例代码

下面提供一个代码脚本,大概的流程为:

定义一个空列表 photos 和一个空列表 labels。使用 OpenCV 中的 cv2.imread() 函数读取一组人脸图像,并将其添加到 photos 列表中。每张图像都有一个对应的标签,表示这张图像属于哪个人。创建一个字典 names,将每个标签与对应的人名关联起来。使用 OpenCV 中的 cv2.face.EigenFaceRecognizer_create() 函数创建一个特征脸识别器。使用 recognizer.train() 函数训练识别器,让其学会如何识别这组人脸图像。读取一张待识别的人脸图像,并使用 recognizer.predict() 函数对其进行识别。该函数返回一个标签和一个置信度评分。打印出评分和对应的人名。

训练数据网上可以较为容易的找到,也可以博客下面留言获取。

import cv2import numpy as np photos = list() lables = list() photos.append(cv2.imread("第一张图象地址,后面依此类推", 0)) lables.append(0) # 第1张图像对应的标签 photos.append(cv2.imread("", 0)) lables.append(0) # 第2张图像对应的标签 photos.append(cv2.imread("", 0)) lables.append(0) # 第3张图像对应的标签 photos.append(cv2.imread("", 0)) lables.append(1) # 第4张图像对应的标签 photos.append(cv2.imread("", 0)) lables.append(1) # 第5张图像对应的标签 photos.append(cv2.imread("", 0)) lables.append(1) # 第6张图像对应的标签 names = {"0": "张三", "1": "李四"} # 标签对应的名称字典 recognizer = cv2.face.EigenFaceRecognizer_create() # 创建特征脸识别器 recognizer.train(photos, np.array(lables)) # 识别器开始训练 i = cv2.imread("待识别.png", 0) # 待识别的人脸图像 label, confidence = recognizer.predict(i) # 识别器开始分析人脸图像 print("confidence = " + str(confidence)) # 打印评分 print(names[str(label)]) # 数组字典里标签对应的名字 cv2.waitKey() cv2.destroyAllWindows()11 OpenCV图像识别之人脸识别(opencv图像识别特定形状)

其运行结果为;

2 Fisherfaces

Fisherfaces 是一种基于线性判别分析(Linear Discriminant Analysis, LDA)的人脸识别方法,它是 Eigenfaces 方法的改进版本。

Fisherfaces 通过寻找最佳的投影方向(线性变换),将高维的人脸数据投影到一个低维的特征空间中,从而实现人脸识别。与 Eigenfaces 不同的是,Fisherfaces 不仅仅考虑样本之间的距离,还考虑了样本所属的类别之间的距离,因此更加适用于多类别人脸识别。

Fisherfaces 方法与 Eigenfaces 方法相比,具有更高的识别率和更好的鲁棒性,但计算成本较高。

2.1 建模流程

OpenCV的各模型建模流程相同,除

recognizer = cv2.face.EigenFaceRecognizer_create()# 需要改成recognizer = cv2.face.FisherFaceRecognizer_create()

其余均不需更改。

2.2 示例代码

示例代码与1.2中基本完全相同,需要更改的就是2.1中提到的部分。 更改方法后,运行结果为: 此处看出这个模型的confidence较高,也就是对结果更没有信心,其原因可能是因为 Fisherfaces 方法对样本数据的数量和质量的要求较高,以及对输入图像的光照、姿态、表情等变化更加敏感。

具体来说,Fisherfaces 方法需要在训练集中包含足够多的样本,并且每个样本需要具有代表性,才能够获得较好的分类效果。此外,Fisherfaces 方法对于输入图像的光照、姿态、表情等变化比较敏感,这些因素会影响特征向量的提取和分类结果的准确性,从而降低置信度。

相比之下,Eigenfaces 方法虽然对于样本数量和质量的要求不高,也比较容易实现,但其在人脸识别方面的分类能力和鲁棒性较差,因此在某些情况下可能会出现识别错误的情况,从而导致置信度较低。

3 Local Binary Histogram3.1 建模流程

Local Binary Histogram(LBH)是一种基于局部二值模式(Local Binary Pattern, LBP)的人脸识别方法。与前面提到的基于 PCA 或 LDA 的人脸识别方法不同,LBH 方法直接利用局部纹理特征进行人脸识别,具有较好的鲁棒性和识别精度。

具体来说,LBH 方法通过以下步骤实现人脸识别:

对于每个人脸图像,将其分成若干个局部区域,并计算每个局部区域的 LBP 特征。

将每个局部区域的 LBP 特征用直方图统计的方法转换为一个向量。

将每个人脸图像的局部区域 LBP 特征向量组合成一个全局的特征向量,并将其归一化。

对于测试集中的每个人脸图像,同样将其分成若干个局部区域,并计算每个局部区域的 LBP 特征。将每个局部区域的 LBP 特征向量用直方图统计的方法转换为一个向量,并将这些向量组合成一个测试集的全局特征向量。

计算训练集中每个人脸图像的全局特征向量与测试集中人脸图像的全局特征向量之间的距离,将距离最小的训练集中的人脸图像所属的类别作为测试集中人脸图像的识别结果。

相比于传统的基于 PCA 或 LDA 的人脸识别方法,LBH 方法更加鲁棒,能够更好地应对光照、姿态、表情等变化,同时具有较高的识别率和较低的计算成本,因此被广泛应用于人脸识别和相关领域。

3.2 示例代码

此处需要更改的部分:

recognizer = cv2.face.LBPHFaceRecognizer_create()

此处因计算方法不同,需注意返回值confidence的含义与前两者不同。 此模型的返回值,小于50认为匹配度较高,0则为完全一样。

代码的输出为:

本文链接地址:https://www.jiuchutong.com/zhishi/300808.html 转载请保留说明!

上一篇:Pytorch优化器全总结(三)牛顿法、BFGS、L-BFGS 含代码(python优化工具箱)

下一篇:vscode插件(个人正在用的)(vscode插件在哪)

  • 完税价格是含税价
  • 增值税的计税金额
  • 工商年报认缴时间填错了
  • 进项票可以抵扣销项票吗
  • 台账和明细账的区别
  • 净流动负债和流动负债
  • 计提存货跌价准备怎么计算
  • 怎么报企业所得税季报
  • 个人独资企业政策性搬迁
  • 福利费进项税可以抵扣
  • 手撕发票怎么区分地区开具
  • 房地产企业内部查账查什么
  • 购买货物待销售会计分录
  • 公司社保公积金最晚缴费时间段
  • 混合销售如何做会计分录
  • 幼儿园开学费发票内容
  • 增值税专用发票开票必填项
  • 糖类计算公式
  • 金融服务手续费可以抵扣进项税吗
  • 补缴地价款是什么意思
  • 自产产品公益性捐赠可以免征增值税吗
  • 收取手续费的委托代销 发票谁来开
  • 收到的税收返还包括
  • 公司帮别人代缴社保
  • 向人力资源公司辞职怎么说
  • 低值易耗品摊销表格
  • 土地使用权摊销账务处理
  • 工会残保金必须缴纳吗
  • Win11安装如何跳过以太网
  • 怎么用红字信息表开红字发票
  • PHP:xml_parser_free()的用法_XML解析器函数
  • php数组函数有哪些
  • ScanMailOutLook.exe - ScanMailOutLook是什么进程 有什么用
  • swoole和websocket的区别
  • php字符串赋值
  • 认缴注册是什么意思
  • mac键盘快捷键设置
  • kscreensaverapp.exe是什么
  • hpptd.exe
  • vue项目中使用opencv
  • PHP:iconv_strrpos()的用法_iconv函数
  • 三方债权债务抵消如何开发票
  • 窗函数的作用
  • debian更换国内源教程
  • mongodb4.4安装
  • pytorch map
  • admit允许
  • 医院会计医保怎么做账
  • 日常费用报销表格
  • 资产负债表中应收账款的计算公式
  • java线程的四种基本状态
  • 企业异地预交的税怎么算
  • sql server异常怎么处理
  • 资金账簿印花税按年还是按次
  • 房地产企业印花税计入什么科目
  • 计提税费和实际缴纳的有差额怎么办
  • 家电销售范围包括哪些
  • 所得税多缴纳分录
  • 发票报销流程和条件
  • 企业的培训费用
  • 专用发票金额大实际报销金额小会计分录怎么做
  • 高新技术企业认定管理办法
  • 无票收入怎么做账,要交税吗,填入增值税申报表
  • mysql 5.7.34安装
  • win10手机版下载官方中文版
  • win10系统玩游戏卡
  • 电脑重装win7系统黑屏
  • win10怎么添加蓝牙驱动
  • opengl实现光照效果
  • js+html
  • nodejs初始化
  • linux如何启动tomcat
  • cocos2dx-js
  • 怎样用在js中使用css的内容
  • jquery层级选择器
  • jQuery select自动选中功能实现方法分析
  • Python中使用Queue和Condition进行线程同步的方法
  • android基本控件使用方法
  • 如何编写高质量创业计划书实验小结
  • 湖北税务查询电话
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设