《深度学习》OpenCV FisherFaces算法人脸识别原理及案例解析

一、FisherFaces算法

1、什么是FisherFaces算法

2、原理

3、特点

4、算法步骤

1）数据预处理

2）特征提取

3）LDA降维

4）特征投影

5）人脸识别

二、案例解析

1、完整代码

运行结果：

一、FisherFaces算法

1、什么是FisherFaces算法

Fisherfaces采用LDA（Linear Discriminant Analysis，线性判别分析）实现人脸识别。

2、原理

在低维表示下，首先将训练集样本集投影到一条直线A上，让投影后的点满足： 同类间的点尽可能地靠近、异类间的点尽可能地远离

3、特点

FisherFaces算法具有计算效率高、识别准确度高、对光照和表情变化具有一定的鲁棒性等特点。

4、算法步骤

1）数据预处理

首先，收集人脸图像数据库，并对每个人脸图像进行预处理，如裁剪、旋转、缩放等，以确保图像的一致性和准确性。

2）特征提取

对预处理后的人脸图像进行特征提取。这些特征可以包括人脸的形状、眼睛、嘴巴、鼻子等部位的几何特征，以及纹理、颜色等特征。在FisherFaces算法中，这些特征被表示为高维向量。

3）LDA降维

利用LDA算法对提取的特征向量进行降维。通过计算类间散度矩阵和类内散度矩阵，找到最优的投影方向，使得投影后的数据类间方差最大，类内方差最小。

4）特征投影

将原始人脸图像投影到降维后的低维空间中，得到人脸的特征向量。这些特征向量用于后续的人脸识别。

5）人脸识别

在识别阶段，将待识别的人脸图像进行同样的预处理和特征提取，然后投影到低维空间中，得到其特征向量。接着，计算待识别人脸的特征向量与数据库中已知人脸的特征向量之间的距离（如欧氏距离），最后，根据距离大小判断待识别人脸的身份。

二、案例解析

1、完整代码

import cv2
import numpy as npdef image_re(image):   # 定义一个函数输入图片地址，自动读取并缩放图片尺寸a = cv2.imread(image,0)a = cv2.resize(a,(140,180))return aimages = []
a = image_re('pyy2.png')   # 将读取到的图片全部存入一个列表
b = image_re('pyy3.png')
c = image_re('zly1.png')
d = image_re('zly2.png')
images.append(a)
images.append(b)
images.append(c)
images.append(d)
labels = [0,0,1,1]   # 设置读入列表图片的标签pre_image = image_re('pyy1.png')   # 读取待识别图像"""创建一个FisherFace的人验特征识别器"""
recognizer = cv2.face.FisherFaceRecognizer_create()# 函数FaceRecognizertrain用给定的数据和相关标签训练生成的实例模型。
# src: 训练图像，用来学习的人险图像
# labels: 标签，人脸图像对应的标签
recognizer.train(images,np.array(labels))# confidence:大小介于0到20000，只要低于5000都被认为是可的结果
label,confidence = recognizer.predict(pre_image)
dic = {0:'pyy',1:'zly'}
print('这人是:',dic[label])
print("置信度为:",confidence)# 在图片上标记识别出来的内容
aa = cv2.putText(cv2.imread('pyy1.png').copy(),dic[label],(10,30),cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0,0,255), 2)
cv2.imshow( 'xx',aa)
cv2.waitKey(0)