4.角点检测
代码:corner.py
5.特征点检测
表示图像之间的差异,不仅限于边缘和顶点,也包括内部的结构和颜色的变化,且与大小和角度无关。
代码:star.py、sift.py
6.特征矩阵
在特征点的基础上,结合图像的频域特性,获得更具特征意义的数学模型。
代码:desc.py
7.图像(物体)识别
利用包含特定物体图像的特征矩阵,训练隐马尔科夫模型,令其找到特征矩阵的隐含状态,并据此判断未知样本和已知样本的相似程度,选择相似度最大的类别进行有监督分类。
代码:obj.py
二十八、人脸识别
1.视频捕捉
代码:vidcap.py
2.人脸定位
哈尔级联人脸定位器可以根据一个人脸特征的描述文件,在一幅图像中找到人脸的区域。
代码:haar.py
3.主成分分析(PCA)
原始样本矩阵:A, mxn
归一化:用A的每个元素减去其所在列的算数平均数,除以其所在列最大值和最小值之差。
X = (A - mu) / s, mxn
协方差矩阵:SIGMA=X^T * X, nxn
奇异值分解:svd(SIGMA)->U,S,V, nxn
U矩阵的每一列都是SIGMA矩阵的特征向量
降维:从U矩阵的n个列(特征)向量中选取前k个,组成新的降维后的特征矩阵U_reduce, nxk
主成分矩阵:Z=X * U_reduce, mxk
还原:X_approx = Z * U_reduce^T
A_approx = X_approx * s + mu
用A和A_approx的差别评估所选k是否过小?
代码:pca1.py、pca2.py
4.核主成分分析(KPCA)
核主成分分析的目的并非降低维度,而是在维度不变的前提下,寻找一个理想的投影空间,将线性不可分割的样本变为线性可分。
代码:kpca.py
5.独立成分分析(ICA)亦称盲源分离
将一组无规则的信号混合体,分离成一组有规则信号叠加。
代码:ica.py
6.人脸识别
OpenCV提供了局部二值模式直方图模型(LBPH),专门用于对人脸特征的识别。
代码:face.py
閱讀更多 小悅 的文章