Question

通过参考前面的post，用于分类的方法是欧几里德距离与最近邻。然而，获得的结果并不准确，因为已知数据集和未知数据集都给出99％的相似性。即使与马哈拉诺比斯距离也给出了类似的结果。

脸部识别分类还有其他方法吗？你能给我一些例子/公式吗？

float d_i = projectedTestFace[i] - projectedTrainFaceMat->data.fl[iTrain*nEigens + i];
distSq += d_i*d_i; // Euclidean distance

Answer 1

imho，如果你得到不好的结果，责怪你的输入，而不是距离公式

没有任何进一步的预处理（对齐，裁剪，均衡），甚至像素上的普通L2范数也能提供比特征脸更好的结果。（这里有可悲的事实）

从2.4.2开始，opencv有face-recognition out of-the-box。（还有其他渔民和lbph特征）

你可能应该使用它，而不是自己滚动（请使用c ++ api，而不是奥术c）。

如果你想坚持使用特征脸，你仍然可以尝试“重建”（来自特征）图像和测试图像之间的L2距离作为置信度量，如done here（再由shervin，再次）

Answer 2

// Compare two images by getting the L2 error (square-root of sum of squared error).
double getSimilarity(const Mat A, const Mat B)
{
if (A.rows > 0 && A.rows == B.rows && A.cols > 0 && A.cols == B.cols) {
    // Calculate the L2 relative error between the 2 images.
    double errorL2 = norm(A, B, CV_L2);
    // Convert to a reasonable scale, since L2 error is summed across all pixels of the image.
    double similarity = errorL2 / (double)(A.rows * A.cols);
    return similarity;
}
else {
    //cout << "WARNING: Images have a different size in 'getSimilarity()'." << endl;
    return 100000000.0;  // Return a bad value
}
}

我想知道为什么我总会得到100000000.这是否意味着预处理和重建的脸有不同的大小？这就是为什么它会跳过L2距离比较？

以下是我编码的一部分：

Mat j =projectedTestFace[i];
Mat k =projectedTrainFaceMat>data.fl[iTrain*nEigens + i];
similarity=getSimilarity(j,k);

没有else语句，我得到相似性= -nan结果，想知道什么是-nan和-inf代表。

人脸识别分类器

2 个答案: