使用Python从图像创建人脸识别数据集
我正在用Python编写一个人脸识别程序（我打算用k-nn算法来分类）。
首先，我把图片转换成了灰度图，然后我用Opencv的imagedata函数创建了一个长长的列向量，这个向量里包含了图片的像素（128x128=总共有16384个特征）。
所以我得到了一个像下面这样的数据集（最后一列是类别标签，我只展示了数据集的前7个特征，而不是16384个）。
176, 176, 175, 175, 177, 173, 178, 1
162, 161, 167, 162, 167, 166, 166, 2
但是当我把k-nn算法应用到这个数据集上时，结果很奇怪。我是不是需要对这个数据集进行额外的处理，而不仅仅是把图片转换成像素表示呢？
谢谢。
4 个回答
你可能需要让眼睛、鼻尖和嘴巴对齐。
你可能还需要一种更高级的图像表示方法。比如，使用梯度方向和自我商图像，这些都是不错的起点。
如果你想让它运行得好，那就需要进行特征转换。
PCA（主成分分析）或LDA（线性判别分析）都很有效。PCA会收集一堆输入向量（在这里指的是你处理过的图像），然后找到可以代表这些输入的特征脸。接下来，在测试时，你会把你的输入向量（也就是图像）投影到这些特征脸上，得到的坐标向量就可以作为你的特征向量。想了解更多，可以查看[Turk和Pentland, 1991]。
我个人在使用这个基本的PCA方法进行实验时，得到了不错的结果，特别是在PIE数据库上。
通常，一个人脸识别的流程需要几个步骤才能有效。首先，进行一些几何标准化是非常重要的，这样才能提高准确性。你可以选择手动标记一些关键点，然后为每张图片获取一个变换，或者使用自动检测关键点的工具，市面上有一些开源的关键点检测器可以用。比如可以试试opencv里的getAffineTransform函数。此外，光照不均也会造成很大的问题。你可以尝试一些光照标准化的方法（例如，自我商图像），这些方法在处理漫反射和阴影时效果不错，但对镜面反射的效果就不太好了。至于降维，可以从主成分分析（PCA）或线性判别分析（LDA）入手。不过，除了直接使用像素特征外，你还可以考虑一些更有意义的特征，比如LBP、HOG或SIFT。此外，使用更复杂的分类器（虽然它们更复杂）比如支持向量机（SVM），你能获得比KNN更高的准确率。