ORL人脸数据集

最新推荐文章于 2024-06-08 11:29:41 发布
最新推荐文章于 2024-06-08 11:29:41 发布
阅读量1.2w 收藏 1
点赞数
分类专栏： 数字图像处理

The Database of Faces

Our Database of Faces, (formerly ‘The ORL Database of Faces’), contains a set of face images taken between April 1992 and April 1994 at the lab. The database was used in the context of a face recognition project carried out in collaboration with the Speech, Vision and Robotics Group of the Cambridge University Engineering Department.

There are ten different images of each of 40 distinct subjects. For some subjects, the images were taken at different times, varying the lighting, facial expressions (open / closed eyes, smiling / not smiling) and facial details (glasses / no glasses). All the images were taken against a dark homogeneous background with the subjects in an upright, frontal position (with tolerance for some side movement). A preview image of the Database of Faces is available.

The files are in PGM format, and can conveniently be viewed on UNIX (TM) systems using the ‘xv’ program. The size of each image is 92x112 pixels, with 256 grey levels per pixel. The images are organised in 40 directories (one for each subject), which have names of the form sX, where X indicates the subject number (between 1 and 40). In each of these directories, there are ten different images of that subject, which have names of the form Y.pgm, where Y is the image number for that subject (between 1 and 10).

The database can be retrieved from http://www.cl.cam.ac.uk/Research/DTG/attarchive:pub/data/att_faces.tar.Z as a 4.5Mbyte compressed tar file or fromhttp://www.cl.cam.ac.uk/Research/DTG/attarchive:pub/data/att_faces.zip as a ZIP file of similar size.

A convenient reference to the work using the database is the paper Parameterisation of a stochastic model for human face identification. Researchers in this field may also be interested in the author’s PhD thesis, Face Recognition Using Hidden Markov Models, available fromhttp://www.cl.cam.ac.uk/Research/DTG/attarchive/pub/data/fsamaria_thesis.ps.Z (~1.7 MB).

When using these images, please give credit to AT&T Laboratories Cambridge.

UNIX is a trademark of UNIX System Laboratories, Inc.

Contact information

Copyright © 2002 AT&T Laboratories Cambridge

糖糖糖-豆
关注
专栏目录
ORL数据集百度网盘
deana_的博客
03-15 6760
最近做人脸识别找了好久才在一个代码的角落里找到ORL的数据集，（贫穷使我不愿意花钱下载），上传到百度网盘了，分享给和我一样贫穷的朋友，祝大家早日有钱！ 链接：https://pan.baidu.com/s/178K357kYHhaJnYGyGI76Rg 提取码：o6e0 ...
ORL人脸识别数据集
03-27
突然发现ORL数据集的网站进不去了，我想到我的电脑里还有备份，就想着在这里分享给大家，数据集中一共有40个人的人脸，每个人十张人脸图像。均为灰度图像，大小为92×112。
ORL人脸数据集.zip
05-28
ORL人脸数据集共包含40个不同人的400张图像，是在1992年4月至1994年4月期间由英国剑桥的Olivetti研究实验室创建。
【图像处理matlab】PCA+KNN人脸识别 ORL人脸数据集
weixin_53116058的博客
11-16 6710
PCA+KNN人脸识别.本实验使用ORL数据集中的前100张人脸图像进行 实验整体思路为： 1. PCA数据降维，使用train图片计算映射脸空间，以实现将每张人脸的二维灰度图矩阵降维至一维的点 2. 欧式距离，求出某张映射后test图片到所有映射后train图片的欧式距离 3. KNN分类，2步骤求出的所有距离值升序排列，取最小前k个（k自定义），出现频数最多的label为test图片的预测类别 4. 验证并计算准确率
orl_faces数据集分享
卖瓜小农的博客
05-18 2638
orl_faces数据集 今天整理电脑时发现还有这个数据集，本想删掉但想起当初找的时候来之不易。明明github上开源的东西，百度一搜非得是开会员，要这个要那个的，秉着开源精神（关注或者点赞都可以/doge）我今天就把网盘链接放这了，需要的自取： 链接：https://pan.baidu.com/s/1Iq52vrjYOBvksyNcZz_zCg 提取码：zan0 附上当时PCA人脸识别的matlab代码 function FaceRecognition %本算法使用的是orl_faces数据集(ORL人脸
PCA+SVM进行人脸识别（ORL人脸数据集分类）
Sword的博客
06-02 6437
问题描述 数据集：ORL经典人脸数据集 要求： （1）利用PCA对每张人脸图片的特征进行降维。每张图片大小是92x112，转换成特征向量的话共有10304维，代码中将其降至20维。 （2）将数据集划分成训练集和测试集，训练SVM分类器，在测试集上进行分类。 说明 原始数据集中包含40个文件夹，每个文件夹中有10张图片共400张图片。代码中将所有图片进行转换，生成一个（400，10305）大小的特征矩阵并将该矩阵保存成 feature.txt 文件，方便读取。 其中前10304维是特征，最后增加1
orl人脸数据集.rar
04-09
40个人脸数据集，pgm与bmp均有
ORL人脸数据集（ORL Faces Database）
02-01
ORL人脸数据集一共包含40个不同人的400张图像，是在1992年4月至1994年4月期间由英国剑桥的Olivetti研究实验室创建。 此数据集下包含40个目录，每个目录下有10张图像，每个目录表示一个不同的人。所有的图像是以PGM格式存储，灰度图，图像大小宽度为92，高度为112。对每一个目录下的图像，这些图像是在不同的时间、不同的光照、不同的面部表情（睁眼/闭眼，微笑/不微笑）和面部细节（戴眼镜/不戴眼镜）环境下采集的。所有的图像是在较暗的均匀背景下拍摄的，拍摄的是正脸（有些带有略微的侧偏）。 每个目录分别命名为sx，其中x表示受试者编号（在1到40之间）。在每一个目录所选受试者的10
人脸识别ORL数据集共400张人脸图像，四十类
07-04
ORL人脸数据集共包含40个不同人的400张图像，是在1992年4月至1994年4月期间由英国剑桥的Olivetti研究实验室创建。 此数据集下包含40个目录，每个目录下有10张图像，每个目录表示一个不同的人。所有的图像是以PGM格式存储，灰度图，图像大小宽度为92，高度为112。
ORL人脸数据集，40个人，共400张bmp格式图片
09-25
ORL人脸数据集，包括40个人，每个人10张照片，每张图片的格式为bmp灰色图，人脸识别的经典数据集。格式和分类非常一目了然，方便训练。
ORL 人脸数据库（40个人，每个人10幅图像）
04-27
完整的ORL人脸库，ORL是标准数据库，包含了40个人，每人10幅图像，每个人有姿势的变化，旋转。
基于Python+OpenCV ORL数据集多种算法人脸识别
最新发布
qq1744828575的博客
06-08 389
一、项目背景与意义随着人工智能技术的快速发展，人脸识别技术已成为计算机视觉领域的重要分支，广泛应用于安全监控、身份验证、门禁系统等多个领域。本项目旨在利用Python和OpenCV库，结合ORL（Olivetti Research Laboratory）数据集，探索并比较多种人脸识别算法的性能和效果，为相关应用提供技术支持和解决方案。二、技术框架与工具Python：作为高级编程语言，Python以其简洁易读、易于学习、功能强大等特点，在人脸识别项目中得到广泛应用。
ORL_ORL人脸数据集_
09-30
这个数据集由剑桥大学的 Olivetti Research Laboratory（ORL）于1994年创建，因此得名"ORL人脸数据集"。在本数据集中，包含了40个不同的人的11个不同表情或姿势的面部图像，总计440张灰度图像。这些图像大小统一为32...
orl_faces数据集
11-11
该文件里面是ORL数据集，包含40个不同的人的400张图片，图片有微笑，伤心等不同光照时间，图片是.pgm格式的，已试过可以运行。
matlab读入ORL人脸数据集并利用kl变换实现人脸判断代码
05-26
以下是利用KL变换实现人脸判断的MATLAB代码，其中使用了ORL人脸数据集： ```matlab %% 读取ORL人脸数据集 clear all; close all; clc; % 数据集路径 data_path = './orl_faces'; % 读取数据 for i=1:40 for j=1:10 file_name = strcat(data_path, '/', 's', num2str(i), '/', num2str(j), '.pgm'); img = imread(file_name); img = double(img(:)'); orl_data(i,j,:) = (img - mean(img))/std(img); % 标准化处理 end end %% KL变换 % 计算平均脸 mean_face = mean(orl_data,2); mean_face = reshape(mean_face, 40, []); % 计算协方差矩阵 X = reshape(orl_data, [], 10); X = X'; C = cov(X); % 计算特征值和特征向量 [V,D] = eig(C); % 特征向量按照特征值大小排序 [d,ind] = sort(diag(D),'descend'); Ds = D(ind,ind); Vs = V(:,ind); % 选择前k个主成分 k = 20; Vs = Vs(:,1:k); Ds = Ds(1:k,1:k); % 计算投影矩阵 P = Vs'; % 计算投影系数 proj_coef = P*(orl_data - repmat(mean_face, [1, 10])); %% 训练 % 每个人的前N张图像作为训练集，剩下的作为测试集 N = 8; train_data = proj_coef(:,1:N:end); test_data = proj_coef; test_data(:,1:N:end) = []; % 计算训练集中每个人的平均脸 train_mean_face = mean(train_data,2); % 计算每个人的投影系数的均值向量 train_mean_proj = zeros(20,40); for i=1:40 train_mean_proj(:,i) = mean(train_data(:,i:N:i+N-1),2); end % 计算类内散度矩阵Sw和类间散度矩阵Sb Sw = zeros(20,20); Sb = zeros(20,20); for i=1:40 Sw = Sw + cov(train_data(:,i:N:i+N-1)'); tmp = train_mean_proj(:,i) - train_mean_face; Sb = Sb + N*tmp*tmp'; end % 计算广义特征值和广义特征向量 [Vg,Dg] = eig(Sb,Sw); [d,ind] = sort(diag(Dg),'descend'); Vgs = Vg(:,ind); % 选择前K个主成分 K = 19; Vgs = Vgs(:,1:K); % 计算投影矩阵 W = P*Vgs; % 计算训练集和测试集的投影系数 train_proj = W'*train_data; test_proj = W'*test_data; % 判别阈值 threshold = 1.7; %% 测试 correct = 0; for i=1:size(test_proj,2) min_dist = Inf; for j=1:40 dist = norm(train_proj(:,j) - test_proj(:,i)); if dist < min_dist min_dist = dist; min_index = j; end end if min_dist < threshold fprintf('The %dth test image is recognized as the %dth person.\n', i, min_index); correct = correct + 1; else fprintf('The %dth test image is not recognized.\n', i); end end % 计算识别率 accuracy = correct / size(test_proj,2); fprintf('The accuracy is %.2f%%.\n', accuracy*100); ``` 注：代码中的KL变换指的是离散KL变换，也称为PCA。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值