Распознавание лиц – Python

Я пытаюсь сделать распознавание лиц основным компонентом анализа (PCA) с помощью python.

Теперь я могу получить минимальное эвклидовое расстояние между изображениями обучающих images и входным изображением input_image . Вот мой код:

 import os from PIL import Image import numpy as np import glob import numpy.linalg as linalg #Step1: put database images into a 2D array filenames = glob.glob('C:\\Users\\me\\Downloads\\/*.pgm') filenames.sort() img = [Image.open(fn).convert('L').resize((90, 90)) for fn in filenames] images = np.asarray([np.array(im).flatten() for im in img]) #Step 2: find the mean image and the mean-shifted input images mean_image = images.mean(axis=0) shifted_images = images - mean_image #Step 3: Covariance c = np.asmatrix(shifted_images) * np.asmatrix(shifted_images.T) #Step 4: Sorted eigenvalues and eigenvectors eigenvalues,eigenvectors = linalg.eig(c) idx = np.argsort(-eigenvalues) eigenvalues = eigenvalues[idx] eigenvectors = eigenvectors[:, idx] #Step 5: Only keep the top 'num_eigenfaces' eigenvectors num_components = 20 eigenvalues = eigenvalues[0:num_components].copy() eigenvectors = eigenvectors[:, 0:num_components].copy() #Step 6: Finding weights w = eigenvectors.T * np.asmatrix(shifted_images) # check eigenvectors.T/eigenvectors #Step 7: Input image input_image = Image.open('C:\\Users\\me\\Test\\5.pgm').convert('L').resize((90, 90)) input_image = np.asarray(input_image).flatten() #Step 8: get the normalized image, covariance, # eigenvalues and eigenvectors for input image shifted_in = input_image - mean_image c = np.cov(input_image) cmat = c.reshape(1,1) eigenvalues_in, eigenvectors_in = linalg.eig(cmat) #Step 9: Find weights of input image w_in = eigenvectors_in.T * np.asmatrix(shifted_in) # check eigenvectors/eigenvectors_in #Step 10: Euclidean distance d = np.sqrt(np.sum(np.asarray(w - w_in)**2, axis=1)) idx = np.argmin(d) print idx 

Моя проблема в том, что я хочу вернуть изображение (или его индекс в images массива) с минимальным эвклидовым расстоянием, а не его индексом в массиве расстояний d

One Solution collect form web for “Распознавание лиц – Python”

Я не считаю, что вы изменили порядок сохранения изображений в w по сравнению с images , поэтому idx из np.argmin(d) должен быть одним и тем же индексом списка images , поэтому

 images[idx] 

должен быть образ, который вы хотите.

Конечно,

 images[idx].shape 

даст (1800,) потому что он все еще сплющен. Если вы хотите развязать его, вы можете сделать:

 images[idx].reshape(90,90) 
  • Как я могу использовать PCA / SVD в Python для выбора и идентификации функции?
  • Разложение PCA с помощью python: особенности
  • В sklearn.decomposition.PCA, почему компоненты являются отрицательными?
  • Python scikit learn pca.explained_variance_ratio_ cutoff
  • Использование Numpy (np.linalg.svd) для разложения сингулярных значений
  • Извлечение компонентов PCA с помощью sklearn
  • Scikit-learn (sklearn) PCA бросает Type Error на разреженную матрицу
  • Python: Почему собственные векторы не совпадают с первыми весами PCA?
  • Анализ основных компонентов (PCA) в Python
  • Как использовать scikit-learn PCA для уменьшения возможностей и знать, какие функции отбрасываются
  • Анализ основных компонентов с использованием кадра данных pandas
  • Python - лучший язык программирования в мире.