人脸识别-特征算法-三、FisherFaces算法

时间：2024-10-17 07:01:08

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 np


def image_re(imgae):
    a = cv2.imread(imgae, 0)
    a = cv2.resize(a, (120, 180))
    return a


image = []
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(c)
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()

相关文章