我正在尝试用Python编写面部识别程序（我将应用k-nn算法进行分类）。
首先，我将图像转换为灰度，然后我创建了一个长列矢量（通过使用Opencv的imagedata函数）和图像的像素（总共128x128 = 16384个特征）
所以我得到了一个像下面这样的数据集（最后一列是类标签，我只展示了数据集的前7个特征而不是16384）。
176, 176, 175, 175, 177, 173, 178, 1
162, 161, 167, 162, 167, 166, 166, 2
但是当我将k-nn应用于此数据集时，我得到了尴尬的结果。我是否需要对此数据集应用其他流程，而不是仅将图像转换为像素表示？
感谢。
答案 0 :(得分：1)
如果您希望它运作良好，是的，您需要进行功能转换。
PCA或LDA运作良好。 PCA将采集输入向量（在本例中为矢量化图像）并找到跨越输入集的特征脸。然后，在测试期间，将输入矢量（即图像）投影到这组特征脸上，并使用生成的坐标矢量作为特征向量。有关详细信息，请参阅[Turk and Pentland, 1991]。
我在PIE database上使用这种基本PCA方法的个人实验是成功的。
答案 1 :(得分：1)
你可能需要眼睛，鼻尖和嘴巴对齐。
您可能还需要更复杂的图像表示方法。例如，梯度方向和自商图像将是良好的起点。
答案 2 :(得分：1)
通常，面部识别管道需要几个阶段才能有效。某种程度的几何归一化对准确性至关重要。您需要手动标记基准点并获取每个图像的变换，或自动检测基准点，其中有开源基准点检测器。试试opencv的getAffineTransform函数。此外，照明差异可能会导致巨大的问题。您可以尝试点亮归一化技术（例如，自商图像），因为它们对于漫反射和阴影（而不是镜面反射）非常有效。对于降维，主成分分析（PCA）或线性判别分析（LDA）是很好的起点。但是，您可能会考虑更有意义的功能，如LBP，HOG或SIFT，而不是原始像素功能。此外，通过更复杂（尽管更复杂）的分类器（如SVM），您将能够获得比KNN更高的精度。
答案 3 :(得分：0)
你怎么打印这个？你尝试过使用重塑功能吗？它将2D图像转换为具有/不具有多个通道的1D图像。
此外，图像的像素不是features。你可以在脸后面放置很多不同的物品 - 窗帘，书籍，其他脸等。像脸的边界，眼睛之间的距离等等，对这些东西更加不变。