使用 LBPH 進行面部檢測 - 提取特征

Question

我已經創建了系統框架，它拍攝一張照片，將其轉換為 LBPH 圖像，然后從網格的每個圖塊（8x8）中獲取直方圖。 我正在關注這篇論文，但我很困惑在第 4 步之后下一步要做什么來識別特征。我是否只需將網格的每個正方形與一組已知特征正方形進行比較並找到最接近的匹配？ 這是我的第一個面部檢測程序，所以我對它很陌生。

Answer 1

所以基本上圖像處理是這樣工作的。 像素強度值本身變化太大且信息不足，無法用於算法理解圖像。 更有用的是像素強度值之間的局部關系因此用於識別的圖像處理，檢測基本上是一個兩步過程。

1. 特征提取- 將低級、高方差、無信息特征（如像素強度）轉換為高級、低方差、信息量更大的特征集（例如邊緣、視覺圖案等），這稱為特征提取。 多年來，已經提出了許多特征提取機制，例如使用 Sobel 濾波器進行邊緣檢測、定向梯度直方圖 (HOG)、類似 Haar 的特征、尺度不變特征 (SIFTS) 和您嘗試使用的 LBPH。 （請注意，在大多數不受計算限制的現代應用程序中，卷積神經網絡（CNN）用於特征提取步驟，因為它們在經驗上工作得更好。

2. 使用轉換后的特征- 一旦提取了更多有用的信息（一組信息量更大的特征），您需要使用這些特征來執行您希望完成的推理操作。 在此步驟中，您將安裝 model（函數逼近器），以便將您的高級特征作為輸入，model 輸出您想要的信息（在這種情況下，是關於圖像是否包含我認為的面部的分類）。 因此，您需要 select 並安裝一個可以利用高級特征進行分類的 model。 一些經典的方法包括決策樹、支持向量機和神經網絡。 從本質上講，model 擬合是一個標准的機器學習問題，需要使用一組標記的訓練數據來“教”model 高級特征集對於包含人臉的圖像的外觀，而不是包含人臉的圖像不是。

聽起來您當前 state 中的代碼缺少第二部分。 作為一個好的起點，研究使用 sci-kit learn 的決策樹 package。