我正在尝试用 Python 编写一个人脸识别程序（我将应用 k-nn 算法进行分类）。
首先，我将图像转换为灰度，然后用图像的像素（总共 128x128= 16384 个特征）创建了一个长列向量（通过使用 Opencv 的 imagedata 函数）
所以我得到了一个如下所示的数据集（最后一列是类标签，我只显示了数据集的前 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 应用于这个数据集时，我得到了尴尬的结果。我是否需要对这个数据集应用额外的过程，而不是仅仅将图像转换为像素表示？
谢谢。
通常，人脸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。您要么需要手动标记基准点并为每个图像获取变换，要么自动检测基准点，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。您可以尝试照明标准化技术（例如，自商图像），因为它们非常适用于漫反射和阴影（不是镜面反射）。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特征，例如 LBP、HOG 或 SIFT，而不是原始像素特征。还，
您可能需要对齐眼睛、鼻尖和嘴巴。
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很好的起点。
如果你想让它运作良好，是的，你需要做一个特征转换。
PCA 或 LDA 运行良好。PCA 将获取一组输入向量（在本例中为您的向量化图像）并找到跨越输入集的特征脸。然后，在测试期间，您将输入向量（即图像）投影到这组特征脸上，并使用生成的坐标向量作为特征向量。如需更多信息，请参阅 [ Turk 和 Pentland，1991 年]。
我在PIE 数据库上使用这种基本 PCA 方法的个人实验是成功的。
你怎么打印这个？您是否尝试过使用重塑功能？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。脸后面可以有很多不同的物体——窗帘、书、其他脸等。脸的边界、眼睛之间的距离等东西对这些东西更不变。