Python AI 入門 day05

4.角點檢測

代碼：corner.py

5.特徵點檢測

表示圖像之間的差異，不僅限於邊緣和頂點，也包括內部的結構和顏色的變化，且與大小和角度無關。

代碼：star.py、sift.py

6.特徵矩陣

在特徵點的基礎上，結合圖像的頻域特性，獲得更具特徵意義的數學模型。

代碼：desc.py

7.圖像(物體)識別

利用包含特定物體圖像的特徵矩陣，訓練隱馬爾科夫模型，令其找到特徵矩陣的隱含狀態，並據此判斷未知樣本和已知樣本的相似程度，選擇相似度最大的類別進行有監督分類。

代碼：obj.py

二十八、人臉識別

1.視頻捕捉

代碼：vidcap.py

2.人臉定位

哈爾級聯人臉定位器可以根據一個人臉特徵的描述文件，在一幅圖像中找到人臉的區域。

代碼：haar.py

3.主成分分析(PCA)

原始樣本矩陣：A, mxn

歸一化：用A的每個元素減去其所在列的算數平均數，除以其所在列最大值和最小值之差。

X = (A - mu) / s, mxn

協方差矩陣：SIGMA=X^T * X, nxn

奇異值分解：svd(SIGMA)->U,S,V, nxn

U矩陣的每一列都是SIGMA矩陣的特徵向量

降維：從U矩陣的n個列(特徵)向量中選取前k個，組成新的降維後的特徵矩陣U_reduce, nxk

主成分矩陣：Z=X * U_reduce, mxk

還原：X_approx = Z * U_reduce^T

A_approx = X_approx * s + mu

用A和A_approx的差別評估所選k是否過小？

代碼：pca1.py、pca2.py

4.核主成分分析(KPCA)

核主成分分析的目的並非降低維度，而是在維度不變的前提下，尋找一個理想的投影空間，將線性不可分割的樣本變為線性可分。

代碼：kpca.py

5.獨立成分分析(ICA)亦稱盲源分離

將一組無規則的信號混合體，分離成一組有規則信號疊加。

代碼：ica.py

6.人臉識別

OpenCV提供了局部二值模式直方圖模型(LBPH)，專門用於對人臉特徵的識別。

代碼：face.py