12

我将解释我正在尝试做的事情，因为它似乎与理解我的问题有关。

我目前正在尝试根据数据库中的已知图片对站​​在相机前的人进行面部识别。

这些已知图片是从识别智能卡（仅包含一张正面图片）或来自社交网络的正面个人资料图片中收集的。从我目前阅读的内容来看，似乎要获得良好的人脸识别，需要大量的训练图像（50+）。因此，由于我收集的图像很少，无法创建可靠的训练集，因此我尝试使用我的实时相机帧捕获（当前使用 150 个）作为训练集，并将之前收集的识别图片作为测试集。我不确定我的尝试是否正确，所以如果我搞砸了，请告诉我。

所以，问题是，假设我从智能卡中获得了 5 张已识别的图片，我尝试使用相机捕获的 150 帧作为训练集来进行人脸识别。在尝试识别时，5 个测试面中的每一个的置信度值都非常相似，这使得整个程序毫无用处，因为我无法准确识别任何人。通常，使用不同的相机捕捉作为训练，我从随机人的照片中获得比我自己的照片更高的置信度值。

我会很感激你能给我的任何帮助，因为我在这里不知所措。

谢谢你。

注意：我使用 OpenCV 的 JavaCV 包装器来制作我的程序，以及包中包含的 haarcascades。特征脸是使用的算法。

4

2 回答 2

27

人脸识别

介绍

我想添加这个。libfacerec已包含在官方OpenCV 2.4.2中，请参阅：

这意味着如果您使用的是 OpenCV 2.4.2，那么您在contrib模块中有新的cv::FaceRecognizer 。我知道最近添加了一个 Python 包装器（谢谢！），可能在编写本文时 Java 也被包装了。

cv::FaceRecognizer附带一个详尽的文档，它将通过大量完整的源代码示例向您展示如何进行人脸识别：

如果您想了解可用的人脸识别算法（特征脸、Fisherfaces、局部二进制模式直方图）如何工作，请特别阅读OpenCV 人脸识别指南。在那里，我解释了算法的工作原理并提到了它们的缺点：

少量图像的人脸识别

现在，当您的训练数据集很小时，您的原始人脸识别问题。我会给你写一个详尽的答案，所以它可能会帮助从谷歌来到这里的人。

实际上，当您的数据集中每人只有很少的样本时，不应使用 Eigenfaces 和 Fisherfaces。您需要数据才能使这些模型正常工作，对此我再怎么强调也不为过。越多越好。这些方法是基于估计数据的方差，所以给他们一些数据来估计你的模型！不久前，我在 AT&T Facedatabase（使用facerec 框架）上进行了一个小测试，它显示了这些方法在每个人的图像数量不同的情况下的性能：

在此处输入图像描述

我不是在这里写出版物，也不会用详细的数学分析来支持这些数字。之前已经做过了，所以我建议大家对这些数字有疑问，看看（2），以便看到对小型训练数据集的 PCA（Eigenfaces）和 LDA（Fisherfaces）的非常详细的分析。

所以我建议在小样本场景中使用局部二进制模式直方图（3）进行人脸识别。这些也包含在 OpenCV FaceRecognizer中，并且已被证明在小型训练数据集上表现良好。如果将此与 TanTriggs 预处理 (4) 结合使用，您应该拥有一个非常强大的人脸识别模型。TanTriggs 预处理是 Python 中的 8 行（左右），有关实现，请参见https://github.com/bytefish/facerec/blob/master/py/facerec/preprocessing.py#L41。这应该很容易适应 Java（或者我可以用 OpenCV 来实现它，如果人们要求的话）。

文学

  • (1) Belhumeur, PN, Hespanha, J. 和 Kriegman, D. Eigenfaces vs. Fisherfaces：使用特定类别线性投影的识别。IEEE Transactions on Pattern Analysis and Machine Intelligence 19, 7 (1997), 711–720。
  • (2) Martinez, A 和 Kak, A. PCA 与 LDA IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol。23，第 2 期，第 228-233 页，2001 年。
  • (3) Ahonen, T.、Hadid, A. 和 Pietikainen, M.具有局部二进制模式的人脸识别。计算机视觉 - ECCV 2004 (2004), 469–481。
  • (4) Tan, X. 和 Triggs, B.增强的局部纹理特征集，用于在困难的光照条件下进行人脸识别。IEEE 图像处理汇刊 19 (2010), 1635–650。
于 2012-07-07T10:27:46.083 回答
6

您想知道的是如何仅使用一张训练图像执行人脸识别。这是可能的，但也取决于您要分类的不同人员的数量。

当然不需要 50 多张训练图像。对于基本的人脸识别，您需要大约 50 张人脸来计算您的人脸空间（特征脸）。也许你把它和那个混在一起了。看到你的这些面孔有很多变化（肤色，眼镜，形式......）你可以从你喜欢的任何面孔数据库中获取这些面孔。http://www.face-rec.org/列出了几个数据库并解释了不同的算法。

计算出面部空间后，您可以使用尽可能多的面部进行训练。在你的情况下，你只有一个。根据您想要分类的不同主题的数量，这可能已经奏效。

如果你得到太多错误的分类，我会看看混合方法。混合方法将模板匹配算法（特征脸、渔人脸）与基于特征的算法相结合。在这种情况下，您获取第一个算法的输出并将眼睛、鼻子、眉毛、下巴形状等与您的测试脸相匹配。

简而言之：

  1. 使用 haarcascades 从每个图像中提取人脸
  2. 计算你的面部空间
  3. 训练每张脸
  4. 求人脸分类
  5. 采取最可能的分类并检查面部特征

如果你还没有找到，OpenCV 还有一个人脸识别库： https ://github.com/bytefish/libfacerec

编辑：我不会使用超过 10-15 个组件（特征脸）。

于 2012-07-04T08:15:50.317 回答