摘要:识别时将测试图像投影到此空间,得到一组投影系数,通过与各个人脸图像比较进行识别。变换的实现基本公式其中为列矢量的均值矢量为矢量协方差矩阵的特征矩阵。
上面那个链接被识别成不安全网址,谨慎访问吧
(1)利用KL变换抽取人脸主要成分,构成特征脸空间。
(2)识别时将测试图像投影到此空间,得到一组投影系数,通过与各个人脸图像比较进行识别。
(1)基本公式:
其中?=[?1, ?2…??]T;m? =E[?] 为 列 矢 量?的 均 值 矢 量; U 为 矢 量?协 方 差 矩 阵C?的特征矩阵。
具体实现代码如下:
# 实现kl变换def kl_Transform(X): # 对X按列求平均得到mx mx = X.mean(1) # P = [X-mx] P = X - mx # 通过减小计算量的方式求其协方差矩阵的特征矩阵U temp = (P.T) * (P) # 获取temp的特征值和特征向量,V为其特征向量,array形式存储 _,V = np.linalg.eig(temp) # temp的特征向量的定义 temp_eig = [] # 通过读取列的方式,其大小为P的列数,将获取的特征值传入temp_eig for i in range(P.shape[1]): temp_eig.append(V[:,i]) # 传入数组化的temp_eig,通过(-1,len(temp_eig))设置大小 temp_eig = np.reshape(np.array(temp_eig),(-1,len(temp_eig))) # 将temp_eig转换为矩阵 temp_eig = np.mat(temp_eig) # 计算特征矩阵U U = P * temp_eig return U, mx, P
此处没有直接通过U = (x-mx)(x-mx)^T的特征矩阵方式求,而是采用了一种减少计算量,以
(x-mx)^T(x-mx)入手其推导如下:
def pca_Recognize(testImagePath,U,mx,P): # 取特征矩阵列数,作为训练次数 _,trainNumber = np.shape(U) # projectImage为训练集图片,P存储整个训练集图片矩阵,U为其协方差矩阵的特征矩阵 projectImage = U.T * (P) # 测试图片的读取 imdecode可以看出哦imread此处用来处理中文字符,cv2.IMREAD_GRAYSCALE灰度图片读取 testImageArray = cv2.imdecode(np.fromfile(testImagePath, dtype=np.uint8), cv2.IMREAD_GRAYSCALE) # 大小设置保持与测试集一致 testImageArray = cv2.resize(testImageArray, img_size) # 将其转化为1-D的形式,用于和projectImage中的 图片数量-D中的挨个进行比较距离大小 testImageArray = testImageArray.reshape(testImageArray.size, 1) # 转化为矩阵形式 testImageArray = np.mat(testImageArray) # 通过传入的mx,U对测试集图像进行同样的处理 # 均值化处理 differenceTestImage = testImageArray - mx # k-l变换的到处理后的测试图像 projectTestImage = U.T * differenceTestImage # 距离记录 distance = [] for i in range(0,trainNumber): # 挨个取出每个测试集图片参数q q = projectImage[:,i] # 比较训练集和测试集距离大小 temp = np.linalg.norm(projectTestImage - q) # 记录距离 distance.append(temp) # 取得最小距离 minDistance = min(distance) # 取得最小距离对应的index index = distance.index(minDistance) # 展示测试集数据图像 cv2.imshow("test data",cv2.imread(testImagePath,cv2.IMREAD_GRAYSCALE)) # 展示输出集合测试图像 cv2.imshow("recognize result", cv2.imread("./TrainDatabase" + "/" + str(index + 1) + ".jpg", cv2.IMREAD_GRAYSCALE)) # 循环记录为从0开始,图片命名从1开始,故此处为index+1 return index + 1
(1)测试集、训练集目录文件结构
项目目录
测试集文件
训练集文件
(2)具体代码:
def load_Data(path): train_file_path = os.listdir(path) #读取文件数 file_number = len(train_file_path) T = [] for i in range(1, file_number + 1): ip = path + "/" + str(i) + ".jpg" # 灰度化处理 image = cv2.imread(ip, cv2.IMREAD_GRAYSCALE) # 保持测试集训练集图像大小一致 image = cv2.resize(image, img_size) # 将其转换为1-D的形式 image = image.reshape(image.size, 1) T.append(image) # 转换为矩阵形式 T = np.array(T) T = T.reshape(T.shape[0], T.shape[1]) # 取转置 return np.mat(T).T
import osimport numpy as npimport cv2if __name__ == "__main__": X = load_Data("TrainDatabase") # kl转换得到相关参数 U,mx,P = kl_Transform(X) for i in range(1, 11): testImagePath = "./TestDatabase" + "/" + str(i) + ".jpg" pca_Recognize(testImagePath, U, mx,P) cv2.waitKey(0)
只是简单的学习,大体上还是前辈大佬们的代码,有问题的地方还是希望大佬们多多指教,看这个真的让我明白了数学的重要性,数学不好一切白搭,心累。
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/121263.html
摘要:学习笔记七数学形态学关注的是图像中的形状,它提供了一些方法用于检测形状和改变形状。学习笔记十一尺度不变特征变换,简称是图像局部特征提取的现代方法基于区域图像块的分析。本文的目的是简明扼要地说明的编码机制,并给出一些建议。 showImg(https://segmentfault.com/img/bVRJbz?w=900&h=385); 前言 开始之前,我们先来看这样一个提问: pyth...
摘要:学习笔记七数学形态学关注的是图像中的形状,它提供了一些方法用于检测形状和改变形状。学习笔记十一尺度不变特征变换,简称是图像局部特征提取的现代方法基于区域图像块的分析。本文的目的是简明扼要地说明的编码机制,并给出一些建议。 showImg(https://segmentfault.com/img/bVRJbz?w=900&h=385); 前言 开始之前,我们先来看这样一个提问: pyth...
摘要:从而将高维图像识别问题转化为低维特征向量的识别问题,大大降低了计算复杂度,同时也减少了冗余信息所造成的识别误差。向量上的大量蓝色圆点白色边缘表示二维数据在其上的投影。 概要 原书对于PCA的讲解只有一小节,一笔带过的感觉,但我发现PCA是一个很重要的基础知识点,在机器机视觉、人脸识别以及一些高级图像处理技术时都被经常用到,所以本人自行对PCA进行了更深入的学习。 PCA是什么 PCA(...
摘要:行代码的人脸识别看了行的人脸识别一文后,简单尝试了一下,发现识别准确度不够。膜拜完大神,直接开干首先,安装以及相关依赖工具代码略作改动执行之后效果是这样的完美识别结论如果要做人脸识别的话,建议选择,而不要选择。 7行代码(OpenCV)的人脸识别 看了《7行Python的人脸识别》一文后,简单尝试了一下,发现识别准确度不够。原始图像如下: showImg(https://segment...
摘要:上一个笔记主要是讲了的原理,并给出了二维图像降一维的示例代码。当我使用这种方法实现时,程序运行出现错误,发现是对负数开平方根产生了错误,也就是说对协方差矩阵求得的特征值中包含了负数。而能夠用于任意乘矩阵的分解,故适用范围更广。 上一个笔记主要是讲了PCA的原理,并给出了二维图像降一维的示例代码。但还遗留了以下几个问题: 在计算协方差和特征向量的方法上,书上使用的是一种被作者称为com...
阅读 3266·2021-11-25 09:43
阅读 828·2021-11-15 11:36
阅读 3061·2021-11-11 16:54
阅读 707·2021-09-27 13:35
阅读 3710·2021-09-27 13:35
阅读 4018·2021-09-10 11:23
阅读 5049·2021-09-07 10:22
阅读 2858·2021-09-04 16:40