使用Python从图像创建用于人脸识别的数据集

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（通过使用Opencv的imagedata函数）用图像像素（128x128=16384个特征总数）创建了一个长列向量

所以我得到了如下的数据集（最后一列是类标签，我只显示了数据集的前7个特性，而不是16384）

但当我将k-nn应用于这个数据集时，我得到了令人尴尬的结果。我是否需要对该数据集应用额外的过程，而不仅仅是将图像转换为像素表示

---

谢谢。

这是怎么打印的？您是否尝试过使用重塑功能？它将2D图像转换为带/不带多个通道的一维图像

---

此外，图像的像素也不是。你可以在脸后面有很多不同的物体——窗帘、书、其他的脸等等。像脸的边界、眼睛之间的距离等东西对这些东西更为不变。

如果你想让它正常工作，是的，你需要做一个特征变换

PCA或LDA工作良好。PCA将获取一组输入向量（在本例中为矢量化图像），并找到跨越输入集的特征面。然后，在测试过程中，将输入向量（即图像）投影到这组特征面上，并使用生成的坐标向量作为特征向量。有关更多信息，请参见[]

---

我个人使用这种基本的PCA方法在计算机上进行的实验是成功的。

您可能需要将眼睛、鼻尖和嘴对齐

---

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

通常，人脸识别管道需要几个阶段才能有效。某种程度的几何规范化对精度至关重要。您要么需要手动标记基准点并获取每个图像的变换，要么自动检测基准点，因为有开源的基准点检测器。尝试opencv的getAffineTransform函数。此外，照明差异可能会造成巨大的问题。您可以尝试照明规范化技术（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。而不是原始像素特征，你可能会考虑更有意义的特征，如LBP，HOG，或SIFT。此外，使用更复杂（尽管更复杂）的分类器（如SVM），您将能够获得比KNN更高的精度。

您能更详细地描述尴尬的结果吗？还有，你有多少张图片？

176, 176, 175, 175, 177, 173, 178, 1 
162, 161, 167, 162, 167, 166, 166, 2