图像基础20 人脸辨识——人脸识别2

本文学习资源来自《机器学习实践指南》
前一章节的图像特征码提取算法是基于像素点的三元色数值的，有时候，图像少量的像素点差异可能干扰识别结果。有两种算法可以使识别效果更好：

1. 将人脸图像大小设置为适当的数值（通常越小越好），这样更能突出人脸的特征，而略去很多干扰项。此外，提取原始特征组后，使用PCA降维技术对原始特征组进行进一步加工，生成最终的特征组，从而更好地表征人脸。
2. 在标准欧氏距离的基础上乘以权重。有两种计算方式：每区域像素设置不同的权重；设置整体权重，使人脸图像矩阵的差分值均匀化。
   这里使用第2种方式。

变异系数

变异系数是衡量资料中各观测值变异程度的一个统计量。当进行两个或多个资料变异程度的比较时，如果度量单位与平均数相同，可以直接利用标准差来比较。如果单位和（或）平均数不同时，比较其变异程度就不能采用标准差，而需采用标准差与平均数的比值（相对值）来比较。
离散系数指标有：全距（极差）系数、平均差系数、方差系数和标准差系数等。常用的是标准差系数，用CV(Coefficient of Variance)表示。
CV(Coefficient of Variance):标准差与均值的比率。
用公式表示为：$CV=\sigma /\mu$

计算公式
极差（全距）系数：$Vr=R/X’$ ；
平均差系数：$Va，d=A.D/X’$；
方差系数：$V方差=方差/X’$ ；
标准差系数：$V标准差=标准差/X’$；
其中，X’表示X的平均数。
----百度百科

变异系数可以消除因为平均数不同在变异程度比较中产生的干扰。变异系数越小，数据离平均值的偏离程度越小；反之，变异系数越大，数据离平均值的偏离程度越大。

这里对变异系数进行改进，将标准差用方差代替，然后将改进的变异系数的倒数作为计算欧氏距离的调节系数，这样做的效果是：将偏离程度较大的数据赋予较小的权重，将偏离程度越小的数据赋予较大的权重中。最后将标准欧氏距离乘以调节权重，从而实现差异平均化，让改进后的欧氏矩阵更好地表征人脸整体差异。

代码示例

#-*- coding: utf-8 -*-
#code:
#11-2.py
#标准欧氏距离实现的人脸识别

import cv2
import numpy as np
import mlpy

print('loding...')

OPCV_PATH=r"D:/Documents/face"

def get_EuclideanDistance(x,y):
    myx=np.array(x)
    myy=np.array(y)
    return np.sqrt(np.sum((myx-myy)*(myx-myy)))*np.var(myx-myy)

def get_distance(img,findimg):
    newsize=(21,21)
    fimg=cv2.resize(findimg,newsize)
    img = cv2.resize(img,newsize)
    my_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    my_fimg = cv2.cvtColor(fimg, cv2.COLOR_BGR2GRAY)
    # PCA降维
    pcaimg = mlpy.PCA()
    pcaimg.learn(my_img)
    pca_img = pcaimg.transform(my_img,k=1)
    pca_img=pcaimg.transform_inv(pca_img)
    pcafimg = mlpy.PCA()
    pcafimg.learn(my_fimg)
    pca_fimg = pcaimg.transform(my_fimg,k=1)
    pca_fimg = pcafimg.transform_inv(pca_fimg)
    # 计算基于整体权重的欧氏距离
    return get_EuclideanDistance(pca_img,pca_fimg)

color = (0, 0, 0)  # 设置人脸框的颜色
def findface(src, index):
    image = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
    cv2.equalizeHist(image, image)  # 灰度图像进行直方图等距化

    # 加载OpenCv的面部特征库
    classfier = cv2.CascadeClassifier(OPCV_PATH + "/haarcascade_frontalface_alt.xml")
    # 找到人脸的位置
    # 设定最小图像的大小
    divisor = 8
    h = image.shape[1]
    w = image.shape[0]
    minSize = (int(w / divisor), int(h / divisor))  # 这里加了一个取整函数
    rect = classfier.detectMultiScale(image, 1.2, 2, cv2.CASCADE_SCALE_IMAGE, minSize)
    # if len(rect) > 0:  # 如果人脸数组长度大于0
    #     for faceRect in rect:  # 对每一个人脸画矩形框
    #         x, y, w, h = faceRect
    #         cv2.rectangle(image, (x, y), (x + w, y + h), color)
    # cv2.imshow('img'+str(index),image)

    result = []
    for r in rect:
        result.append([(r[0],r[1]),(r[0]+r[2],r[1]+r[3])])

    print(result)
    return result

fn = 'all.jpg'
fnt = 'test.jpg'
my_img=cv2.imread(fn)
face_test=cv2.imread(fnt)

#获取人脸在图像中的坐标
faceresult  = findface(my_img,1)
facet_result=findface(face_test,2)
#
myimg = cv2.imread(fn)
myimgt=cv2.imread(fnt)
#
isface1 = get_distance(myimg[faceresult[0][0][0]:faceresult[0][1][0],faceresult[0][0][1]:faceresult[0][1][1],:],myimgt[facet_result[0][0][0]:facet_result[0][1][0],facet_result[0][0][1]:facet_result[0][1][1],:])
isface2 = get_distance(myimg[faceresult[1][0][0]:faceresult[1][1][0],faceresult[1][0][1]:faceresult[1][1][1],:],myimgt[facet_result[0][0][0]:facet_result[0][1][0],facet_result[0][0][1]:facet_result[0][1][1],:])
if isface1<isface2:
    cv2.rectangle(myimg,faceresult[0][0],faceresult[0][1],(255,0,255))
    cv2.rectangle(myimgt,facet_result[0][0],facet_result[0][1],(255,0,255))
else:
    cv2.rectangle(myimg,faceresult[1][0],faceresult[1][1],(255,0,255))
    cv2.rectangle(myimgt,facet_result[0][0],facet_result[0][1],(255,0,255))

cv2.namedWindow('img')
cv2.imshow('img',myimg)
cv2.namedWindow('imgt')
cv2.imshow('imgt',myimgt)

cv2.waitKey()
cv2.destroyAllWindows()

运行结果：