python-KNN简单数据分类+dsift+手势识别

最新推荐文章于 2022-04-16 18:01:43 发布

sssscan

最新推荐文章于 2022-04-16 18:01:43 发布

阅读量1.3k

点赞数

分类专栏：计算机视觉 python 文章标签：图像分类手势识别 KNN 稠密sift

本文链接：https://blog.csdn.net/weixin_43361953/article/details/90354049

版权

本文介绍了KNN算法的基本原理和稠密SIFT特征在图像分类中的应用。通过二维数据分类实验展示了KNN的分类效果，并探讨了参数对结果的影响。同时，详细阐述了使用DSIFT进行手势识别的过程，包括可能出现的问题及解决方案，最终实现100%的识别准确率。

摘要由CSDN通过智能技术生成

一、基本介绍

（一）K邻近分类法(KNN)

KNN算法在分类方法中，是属于简单且应用得最多的方法之一，它把要分类的对象与训练几种已知类标记的所有对象进行对比，并由k近邻对指派到哪个类进行投票。
KNN算法简单来说，就是先设定一个k值，根据这个k值来划分近邻区域，区域中哪个类所划分到的个数多，就将这个元素分为这一类。但是在此之前，KNN算法需要一定数量的训练集来训练对对象特征的分类，这点和BP神经网络有点类似，举个例子，在做手写数字识别时，我们需要事先将大量的手写数字集导入并根据它进行训练，相当于一个学习的过程，程序训练结束后（学习结束后）对后续测试的数字有所“印象”，那么就根据这个“印象”来对数字进行分类。
KNN算法虽然分类效果较好，但是也存在一些缺点：k值的选择会影响分类的性能，对于大训练集，搜索起来的速度慢，且算法的可并行性也很一般。
简单的分类过程：
（1）计算待分类数据和不同类中每一个数据的距离（欧氏或马氏）。
（2）选出最小的前K数据个距离，这里用到选择排序法。
（3）对比这前K个距离，找出K个数据中包含最多的是那个类的数据，即为待分类数据所在的类。

（二）稠密SIFT特征

要对图像进行分类，我们需要一个特征向量来表示一幅图像，我们之前所常用的为sift特征提取，这里我们会使用到另外一种——稠密SIFT特征向量，在整幅图像上用一个规则的网格应用SIFT描述子可以得到稠密SIFT的表示形式（方向梯度直方图）。
dense sift即直接指定关键点位置和描述子采样区域，计算sift特征。
主要过程是：
（1）用一个patch在图像上以一定步长step滑动，代码中step=1，这个patch就是描述子采样区域，patch size是4bins4bins，bin size可以自己指定，代码中是3pixels3pixels。这里说的bin对应到《sift特征提取》中的第4步就是指子区域area。图中的bounding box是sift特征点的范围。
（2）计算每个像素点的梯度（同sparse sift），统计每个bin内的像素点在8个方向上的梯度直方图，这样就生成了448维的sift特征。
转载自:https://blog.csdn.net/langb2014/article/details/48738669

二、实验运行分析与结果

（一）简单二维数据分类

创建两个不同的二维点集，用不同的保存文件名运行两次，一次为points_normal.pkl，points_ring.pkl，一次为points_normal_test.pkl，points_ring_test.pkl，得到4个二维数据集文件，每个分布都有两个文件，一个用来训练，一个用来测试。

# -*- coding: utf-8 -*-
from numpy.random import randn
import pickle
from pylab import *

# create sample data of 2D points
n = 300
# two normal distributions
class_1 = 0.7 * randn(n,2)#随机生成300个二维的数组
class_2 = 1.4 * randn(n,2) + array([5,1])
labels = hstack((ones(n),-ones(n)))
# save with Pickle
#with open('points_normal.pkl', 'w') as f:
with open('points_normal_test.pkl', 'w') as f:
    pickle.dump(class_1,f)
    pickle.dump(class_2,f)
    pickle.dump(labels,f)
# normal distribution and ring around it
print "save OK!"
class_1 = 0.7 * randn(n,2)
r = 0.8 * randn(n,1) + 5
angle =