LDA人脸识别
import cv2
import numpy as np
images=[]
images.append(cv2.imread('C:/Users/xpp/Desktop/coins.png',cv2.IMREAD_GRAYSCALE))#原始图像
images.append(cv2.imread('C:/Users/xpp/Desktop/coins.png',cv2.IMREAD_GRAYSCALE))#原始图像
images.append(cv2.imread('C:/Users/xpp/Desktop/Lena.png',cv2.IMREAD_GRAYSCALE))#原始图像
images.append(cv2.imread('C:/Users/xpp/Desktop/Lena.png',cv2.IMREAD_GRAYSCALE))#原始图像
labels=[0,0,1,1]#图像标签
recognizer=cv2.face.FisherFaceRecognizer_create()#人脸识别
recognizer.train(images,np.array(labels))#模型训练
predict_image=cv2.imread('C:/Users/xpp/Desktop/face.png',cv2.IMREAD_GRAYSCALE)#原始图像
label, confidence=recognizer.predict(predict_image)#模型预测
print("label=",label)
print("confidence=",confidence)
cv2.imshow("predict_image",predict_image)
cv2.waitKey()
cv2.destroyAllWindows()label= 1 confidence= 10647.989937693492
算法：LDA人脸识别是一种经典的线性学习方法，也称Fisher判别分析法。
例子：
Fisher线性判别分析是要找到一条最优的投影线，满足： ● A、B组内的点之间尽可能地靠近 ● C的两个端点之间的距离（间距离）尽可能地远离
retval=cv2.face.FisherFaceRecognizer_create([, num_components[, threshold]])
- num_components表示使用Fisherfaces准则进行线性判别分析时保留的成分数量，默认值是0
- threshold表示进行识别时所使用的阈值。如果最近的距离比设定的阈值threshold还要大，函数返回“-1”
None=cv2.face_FaceRecognizer.train(src, labels)
- src表示输入图像
- labels表示标签
label, confidence=cv2.face_FaceRecognizer.predict(src)
- src表示输入图像
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。
原始发表：2021-03-22，如有侵权请联系 cloudcommunity@tencent.com 删除
本文分享自 图像处理与模式识别研究所 微信公众号，前往查看
如有侵权，请联系 cloudcommunity@tencent.com 删除。
本文参与 腾讯云自媒体同步曝光计划 ，欢迎热爱写作的你一起参与！
评论
登录后参与评论
推荐阅读
相关产品与服务
人脸识别
腾讯云神图·人脸识别（Face Recognition）基于腾讯优图强大的面部分析技术，提供包括人脸检测与分析、比对、搜索、验证、五官定位、活体检测等多种功能，为开发者和企业提供高性能高可用的人脸识别服务。 可应用于在线娱乐、在线身份认证等多种应用场景，充分满足各行业客户的人脸属性识别及用户身份确认等需求。
腾讯云开发者
