사진을 찍어 LBPH 이미지로 변환 한 다음 그리드 (8x8)의 각 타일에서 히스토그램을 가져 오는 시스템 프레임 워크를 만들었습니다. 이 문서를 따르고 있지만 4 단계 이후에 특징을 식별하기 위해 다음에해야 할 일이 혼란 스럽습니다. 그리드의 각 정사각형을 알려진 특징 정사각형 집합과 비교하고 가장 가까운 일치 항목을 찾습니까? 이것은 저의 첫 번째 얼굴 감지 프로그램이므로 아주 처음입니다.
따라서 기본적으로 이미지 처리는 이와 같이 작동합니다. 픽셀 강도 값은 알고리즘이 이미지를 이해하는 데 유용하기에는 너무 다양하고 정보가 부족합니다. 훨씬 더 유용한 것은 픽셀 강도 값 간의 로컬 관계입니다. 따라서 인식을위한 이미지 처리, 감지는 기본적으로 2 단계 프로세스입니다.
특징 추출 -픽셀 강도와 같은 저수준, 고 분산, 정보가없는 특징을 고수준, 저 분산,보다 유익한 특징 세트 (예 : 가장자리, 시각적 패턴 등)로 변환 합니다 .이를 특징 추출 이라고합니다 . 수년에 걸쳐 Sobel 필터를 사용한 에지 감지, HOG (Histogram of Oriented Gradient), Haar 유사 기능, SIFTS (Scale invariant Features) 및 LBPH를 사용하려는 여러 기능 추출 메커니즘이 제안되었습니다. (계산으로 제한되지 않는 대부분의 최신 애플리케이션에서 컨볼 루션 신경망 (CNN)은 경험적으로 훨씬 더 잘 작동하기 때문에 특징 추출 단계에 사용됩니다.
변형 된 기능 사용-유용한 정보 (보다 유익한 기능 집합)가 추출되면 이러한 기능을 사용하여 수행하려는 추론 작업을 수행해야합니다. 이 단계에서는 모델 (함수 근사치)을 입력하여 높은 수준의 특징을 입력하면 모델이 원하는 정보를 출력합니다 (이 경우 이미지에 얼굴이 포함되어 있는지 여부에 대한 분류). 따라서 분류를 위해 상위 수준 기능을 사용할 수있는 모델을 선택하고 적합해야합니다. 이에 대한 몇 가지 고전적인 접근 방식에는 의사 결정 트리, 지원 벡터 머신 및 신경망이 포함됩니다. 기본적으로 모델 피팅은 표준 기계 학습 문제이며, 얼굴이 포함 된 이미지에 대한 고급 기능 세트가 어떻게 보이는지 모델에 "교육"하기 위해 레이블이 지정된 훈련 데이터 세트를 사용해야합니다.
현재 상태의 코드에 두 번째 부분이 누락 된 것 같습니다. 좋은 출발점으로 sci-kit learn의 의사 결정 트리 패키지를 사용하는 것이 좋습니다.
이 기사는 인터넷에서 수집됩니다. 재 인쇄 할 때 출처를 알려주십시오.
침해가 발생한 경우 연락 주시기 바랍니다[email protected] 삭제
몇 마디 만하겠습니다