opencv学习：人脸识别FisherFaceRecognizer_create算法的使用

FisherFaceRecognizer_create算法

cv2.face.FisherFaceRecognizer_create() 是 OpenCV 中用于创建 FisherFace 人脸识别模型的函数。FisherFace 是一种基于线性判别分析（Linear Discriminant Analysis，LDA）的人脸识别方法。这种方法的核心思想是在低维表示中，使得同一类别的样本尽可能聚集在一起，而不同类别的样本尽可能地分散开来，从而最大化类间距离和最小化类内距离。

函数参数

num_components：这是一个可选参数，表示在进行线性判别分析时保留的成分数量。如果设置为0，函数将自动设置合适的成分数量，这通常等于类别数减一（c-1）。
threshold：这也是一个可选参数，用于在预测时设置阈值。如果最近邻居的距离大于这个阈值，函数将返回-1，表示识别结果不可靠。

函数用法

使用 cv2.face.FisherFaceRecognizer_create() 创建的识别器可以用于训练和预测。首先，你需要准备一组训练图像和对应的标签，然后使用 train 方法训练模型。训练完成后，可以使用 predict 方法对新的人脸图像进行识别。

代码步骤

初始化一个空列表来存储图像，图像并转换为灰度图，然后调整图像大小为120x180

python 复制代码

# 初始化一个空列表来存储图像
images=[]
# 读取图像并转换为灰度图，然后调整图像大小为120x180
a=cv2.imread('hg1.png',0)
a=cv2.resize(a,(120,180))
b=cv2.imread('hg2.png',0)
b=cv2.resize(b,(120,180))
c=cv2.imread('hjh1.png',0)
c=cv2.resize(c,(120,180))
d=cv2.imread('hjh2.png',0)
d=cv2.resize(d,(120,180))
images.append(a)
images.append(b)
images.append(c)
images.append(d)

创建标签列表，与图像列表对应

python 复制代码

# 创建标签列表，与图像列表对应
labels=[0,0,1,1]

读取要预测的图像，转换为灰度图，并调整大小

python 复制代码

# 读取要预测的图像，转换为灰度图，并调整大小
pre_image=cv2.imread('hg.png',0)
pre_image=cv2.resize(pre_image,(120,180))

创建FisherFace识别器实例，使用图像列表和标签列表训练识别器

python 复制代码

# 创建FisherFace识别器实例
recongnizer=cv2.face.FisherFaceRecognizer_create()
# 使用图像列表和标签列表训练识别器
recongnizer.train(images,np.array(labels))

使用训练好的识别器预测要预测的图像的标签和置信度

python 复制代码

# 使用训练好的识别器预测要预测的图像的标签和置信度
label,condidence=recongnizer.predict(pre_image)

在原图上添加文本标签

python 复制代码

# 在原图上添加文本标签
aa=cv2.putText(cv2.imread('hg.png').copy(),dic[label],(10,30),cv2.FONT_HERSHEY_SIMPLEX,0.9,(0,0,255),2)

cv2.imshow('s',aa)

运行结果

完整代码

python 复制代码

import cv2  # 导入OpenCV库

# 初始化一个空列表来存储图像
images = []

# 读取图像并转换为灰度图，然后调整图像大小为120x180
a = cv2.imread('hg1.png', 0)
a = cv2.resize(a, (120, 180))

b = cv2.imread('hg2.png', 0)
b = cv2.resize(b, (120, 180))

c = cv2.imread('hjh1.png', 0)
c = cv2.resize(c, (120, 180))

d = cv2.imread('hjh2.png', 0)
d = cv2.resize(d, (120, 180))

# 将调整大小后的图像添加到images列表中
images.append(a)
images.append(b)
images.append(c)
images.append(d)

# 创建标签列表，与图像列表对应
labels = [0, 0, 1, 1]

# 读取要预测的图像，转换为灰度图，并调整大小
pre_image = cv2.imread('hg.png', 0)
pre_image = cv2.resize(pre_image, (120, 180))

# 创建FisherFace识别器实例
recognizer = cv2.face.FisherFaceRecognizer_create()

# 使用图像列表和标签列表训练识别器
recognizer.train(images, np.array(labels))

# 使用训练好的识别器预测要预测的图像的标签和置信度
label, confidence = recognizer.predict(pre_image)

# 创建一个字典来映射标签到对应的类别名称
dic = {0: "hu", 1: "hjh", -1: 'error'}

# 打印预测结果和置信度
print('这人是', dic[label])
print('置信度', confidence)

# 在原图上添加文本标签
aa = cv2.putText(cv2.imread('hg.png').copy(), dic[label], (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)

# 显示添加了文本标签的图像
cv2.imshow('s', aa)

# 等待按键，0表示无限等待直到用户按下任意键
cv2.waitKey(0)

局限性

对光照敏感：FisherFace算法对光照条件比较敏感，不同的光照条件可能会影响人脸特征的提取，从而影响识别的准确性。
特征损失：在特征提取过程中，可能会损失一些重要的人脸特征信息，这在某些特殊情况下可能会导致识别错误。
计算复杂度：尽管FisherFace通过LDA降维减少了计算量，但在处理大规模数据集时，计算投影系数和散度矩阵仍然可能非常耗时。
对姿态变化敏感：FisherFace算法对于人脸的姿态变化较为敏感，侧脸或非正面人脸可能难以被准确识别。
需要足够训练样本：为了获得较好的识别效果，FisherFace算法需要足够多的训练样本来覆盖不同人脸之间的差异。