【计算机视觉40例】案例31：FisherFaces人脸识别

【计算机视觉40例】案例31：FisherFaces人脸识别

Fisherfaces采用LDA（Linear Discriminant Analysis，线性判别分析）实现人脸识别。线性判别识别最早由Fisher在1936年提出，是一种经典的线性学习方法，也被称为“Fisher判别分析法”。

线性判别分析在对特征降维的同时考虑类别信息。其思路是：在低维表示下，相同的类应该紧密地聚集在一起；不同的类别应该尽可能地分散开，并且它们之间的距离尽可能地远。简单地说，线性判别分析就是要尽力满足以下两个要求：

类别间的差别尽可能地大。类别内的差别尽可能地小。

做线性判别分析时，首先将训练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。

做完投影后，将待测样本投影到直线A上，根据投影点的位置判定样本的类别，就完成了识别。

例如，图1所示的是一组训练样本集。现在需要找到一条直线，让所有的训练样本满足：同类间的距离最近，异类间的距离最远。

图1  训练样本集

图2的左图和右图中分别有两条不同的投影线L1和L2，将图1中的样本分别投影到这两条线上，可以看到样本集在L2上的投影效果要好于在L1上的投影效果。

图2 投影示例

线性判别分析就是要找到一条最优的投影线。以图2中右图投影为例，要满足：

B组内的点之间尽可能地靠近C 的两个端点之间的距离（类间距离）尽可能地远

找到一条这样的直线后，如果要判断某个待测样本的分组，可以直接将该样本点向投影线投影，然后根据投影点的位置来判断其所属类别。

例如，在图3中，三角形样本点U向投影线投影后，其投影点落在圆点的投影范围内，则认为待测样本点U属于圆点所在的分类。

图3  判断样本点的分类

在OpenCV中，通过函数cv2.face.FisherFaceRecognizer_create()生成Fisherfaces识别器实例模型，然后应用函数cv2.face_FaceRecognizer.train()完成训练，用函数cv2.face_FaceRecognizer.predict()完成人脸识别。

在使用FisherFaces模块完成人脸识别时，其流程如图4所示。

图4  人脸识别流程

【例】使用FisherFaces完成一个简单的人脸识别程序。

本例中用于学习的4幅人脸图像如图5所示，它们的名称从左至右分别为f01.png、f02.png、f11.png、f12.png。

图5  用于训练的人脸图像

这4幅图像中，前两幅图像是同一个人，将其标签设定为“0”；后两幅图像是同一个人，将其标签设定为“1”。

待识别的人脸图像如图6所示，该图像的名称为fTest.png。

图6  待识别人脸图像

核心代码如下：

运行程序，识别结果为：

识别标签label= 0

置信度confidence= 92.5647623298737

从输出结果可以看到，fTest.png被识别为标签“0”所对应的人脸图像，即认为人脸图像fTest.png与图像f01.png、f02.png所表示的是同一个人。

在《计算机视觉40例——从入门到深度学习（OpenCV-Python）》一书中，从算法原理、实现流程等角度系统深入地介绍了该案例的理论基础和实现过程，并对具体的代码实现进行了细致的介绍与解释。欢迎大家阅读第26章《人脸识别》获取详细内容。

《计算机视觉40例——从入门到深度学习（OpenCV-Python）》在介绍Python基础、OpenCV基础、计算机视觉理论基础、深度学习理论的基础上，介绍了计算机视觉领域内具有代表性的40个典型案例。这些案例中，既有传统的案例（数字识别、答题卡识别、物体计数、缺陷检测、手势识别、隐身术、以图搜图、车牌识别、图像加密、指纹识别等），也有深度学习案例（图像分类、风格迁移、姿势识别、实例分割等），还有人脸识别方面的案例（表情识别、驾驶员疲劳监测、识别性别与年龄等）。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。