Python AI 入门 day05

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