Какова скорость распознавания собственных лиц PCA?

Я использовал базу данных лиц (формально базу данных ORL) от AT&T Laboratories Cambridge. База данных состоит из 400 изображений по 10 изображений на человека, то есть есть 10 изображений на каждые 40 человек.

Я выделил 5 изображений каждого человека для обучения и оставшиеся 5 изображений каждого человека для тестирования.

Итак, у меня есть 2 папки:
1) Обучение (5 изображений на человека = 200 изображений)
2) Тестирование (5 изображений на человека = 200 изображений)
Фотографии в папке обучения отличаются от фотографий в папка тестирования.

У меня процент узнаваемости всего 80%. Но если я предварительно обработаю изображение перед распознаванием, я получу:
предварительную обработку с imajust: 82%
предварительную обработку с резкостью: 83%
предварительную обработку с резкостью и imadjust: 84%
(Если предварительная обработка выполнена, она применяется для обучения ботов и тестирования изображений)

По количеству используемых собственных граней все собственные значения матрицы L сортируются, а те, которые меньше заданного порога, исключаются.

L_eig_vec = [];
for i = 1 : size(V,2) 
    if( D(i,i)>1 )
        L_eig_vec = [L_eig_vec V(:,i)];
    end
end

Я использую Matlab для реализации системы распознавания лиц. Это нормально, что скорость распознавания такая низкая?


face-recognition eigen pca eigenvector
person user1398267    schedule 11.05.2014    source источник

Ответы (1)


arrow_upward
1
arrow_downward

Точность будет зависеть от классификатора, который вы используете, если у вас есть данные в проецируемом пространстве PCA. В оригинальной статье Turk / Pentland о собственном лице

http://www.face-rec.org/algorithms/PCA/jcn.pdf

они просто используют kNN / евклидово расстояние, но современная реализация может использовать SVM, например. с ядром RFF в качестве классификатора в «пространстве лица», с параметрами C и гамма, оптимизированными с помощью поиска по сетке. LibSVM сделает это за вас, и существует оболочка Matlab.

Также вы должны сначала зарегистрировать лица, то есть деформировать изображения, чтобы на них были лицевые ориентиры, например. глаза, нос, муит в гармоничном положении по всему набору данных? Если изображения не были предварительно зарегистрированы, вы получите потерю производительности. Я ожидал производительности в 90-х годах для набора данных из 5 человек, использующих Eigenfaces с SVM и предварительной регистрацией. Эта цифра - интуитивное ощущение, основанное на предыдущей реализации / выполнении прошлых студенческих проектов. Однако следует отметить одну вещь: количество обучающих примеров у вас очень мало - 5 баллов в многомерном пространстве не так много для обучения классификатора.

person jcollomosse    schedule 14.05.2014