使用LBPH算法理解人脸识别

介绍

**LBPH&＃xff08;Local Binary Pattern Histogram&＃xff0c;局部二进制模式直方图&＃xff09;**是一种人脸识别算法&＃xff0c;用于识别人脸。它以其性能以及如何能够从正面和侧面识别人脸而闻名。

在开始了解 LBPH 算法之前&＃xff0c;让我们先了解一下图像和像素的基础知识&＃xff0c;以便在我们开始有关人脸识别的内容之前&＃xff0c;了解图像是如何表示的。

因此&＃xff0c;让我们开始了解图像和像素。

图像和像素

所有图像都以矩阵格式表示&＃xff0c;如你在此处所见&＃xff0c;由行和列组成。图像的基本组成部分是像素。图像由一组像素组成。每一个都是小方格。通过将它们并排放置&＃xff0c;我们可以形成完整的图像。单个像素被认为是图像中最少可能的信息。对于每张图像&＃xff0c;像素值的范围在 0 到 255 之间。

此图像宽 32 像素&＃xff0c;高 32 像素。

而当我们将 32 乘以 32 时&＃xff0c;结果是 1024&＃xff0c;也就是图像中的总像素数。每个像素由三个值组成&＃xff1a;R、G、B&＃xff0c;分别是红、绿、蓝的基本颜色。

这三种基本颜色的组合将在图像中创建所有这些颜色&＃xff0c;因此我们得出结论&＃xff0c;单个像素具有三个通道&＃xff0c;每个基本颜色一个通道。

由于现在我们对图像和像素有了一些了解&＃xff0c;现在就更容易理解 LBPH 算法了。

LBPH&＃xff08;局部二进制模式直方图&＃xff09;

让我们从分析表示图像片段的矩阵开始。正如你之前了解到的&＃xff0c;图像以这些格式表示。在这个例子中&＃xff0c;我们有三行三列&＃xff0c;像素总数为九。让我们在这里选择中心像素&＃xff0c;值为 8&＃xff0c;并应用一个条件。

如果该值大于或等于 8&＃xff0c;则结果为 &＃39;1&＃39;&＃xff0c;否则&＃xff0c;如果该值小于 8&＃xff0c;则结果为零。使用此条件后&＃xff0c;矩阵现在看起来像这样。

这个算法的基本计算就是应用这个条件&＃xff0c;选择矩阵的中心元素。现在我们需要生成一个二进制值。二进制值 &＃61; 11100010 。算法将开始应用从左上角元素到第 2 行的 1 元素的条件&＃xff0c;就像它正在制作一个这样的圆圈。

将二进制值转换为十进制值后&＃xff0c;我们得到**十进制值 &＃61; 226。**它表示中心值周围的所有这些像素等于 226。

当涉及到亮斑时&＃xff0c;该算法是稳健的。如果将手电筒放在图像上&＃xff0c;像素值会增加。值越高&＃xff0c;图像越亮&＃xff0c;值越低&＃xff0c;图像越暗。

由于这个原因&＃xff0c;该算法在明暗图像上都有很好的效果&＃xff0c;因为当图像变亮或变暗时&＃xff0c;这里的邻域内的所有像素都会发生变化。将光放在图像上后&＃xff0c;矩阵将如下所示。应用上述条件后&＃xff0c;我们将得到与上述相同的二进制值&＃xff0c;即11100010

让我们在这里考虑另一个图像。为了更好地理解算法将如何识别人脸。

我们这里有一张脸的图像&＃xff0c;算法将做的是创建几个正方形。

例如&＃xff0c;这里的方格不只代表一个像素&＃xff0c;而是设置了三行四列的多个像素。三乘四等于这些方格中总共十二个像素&＃xff0c;每个方格都是十二个像素。然后我们将该条件应用于每一个。考虑中心像素。

下一步是创建直方图&＃xff0c;这是一个统计概念&＃xff0c;将计算每种颜色在每个方格中出现的次数。这是直方图的表示。

例如&＃xff0c;如果值 110 出现 50 次&＃xff0c;则将创建此大小等于 50 的条形&＃xff0c;如果 201 出现 110 次&＃xff0c;则将在此直方图中创建此大小等于 100 的另一个条形。

通过对直方图的比较&＃xff0c;算法将能够识别图像的边缘和角。例如&＃xff0c;在第一个方格中&＃xff0c;我们没有关于人脸的信息。因此直方图将不同于另一个具有人脸边缘的方格。

总之&＃xff0c;算法知道哪些直方图代表边界&＃xff0c;哪些直方图代表人的主要特征&＃xff0c;比如眼睛的颜色、嘴巴的形状等等。

所以这就是这个算法的基本理论&＃xff0c;它基于直方图的创建和比较。

现在让我们开始编码部分

注意&＃xff1a;如果你在导入 cv2 库时遇到错误&＃xff0c;例如“No module named &＃39;cv2.cv2”。然后你就可以在 google colab 中编写代码了。我已经在 Google Colab 中编写了这段代码。

我将使用 yaleface 数据集

1. 导入库

import osimport cv2import zipfileimport numpy as npfrom google.colab.patches import cv2_imshow

2. 数据收集

path &＃61; "/content/drive/MyDrive/Datasets/yalefaces.zip"
zip_obj &＃61; zipfile.ZipFile(file &＃61; path,mode&＃61;&＃39;r&＃39;)
zip_obj.extractall(&＃39;./&＃39;)
zip_obj.close()

3. 数据清洗

在向模型提供数据之前&＃xff0c;这些图像是 .gif 格式&＃xff0c;因此我们需要将它们转换为 ndarray&＃xff0c;因此我们需要使用以下代码

from PIL import Image

def get_image_data() :paths &＃61; [os.path.join("/content/yalefaces/train",f)for f in os.listdir(path&＃61;"/content/yalefaces/train")]faces &＃61; []ids &＃61; []#faces will contain the px of the images#path will contain the path of the imagesfor path in paths :image &＃61; Image.open(path).convert(&＃39;L&＃39;)image_np &＃61; np.array(image,&＃39;uint8&＃39;)id &＃61; int(os.path.split(path)[1].split(".")[0].replace("subject"," "))ids.append(id)faces.append(image_np)return np.array(ids),faces
ids , faces &＃61; get_image_data()

4. 模型训练

lbph_classifier &＃61; cv2.face.LBPHFaceRecognizer_create()
lbph_classifier.train(faces,ids)#Below line will store the histograms for each one of the iamges
lbph_classifier.write(&＃39;lbph_classifier.yml&＃39;)

5. 识别人脸

lbph_face_classifier &＃61; cv2.face.LBPHFaceRecognizer_create()
lbph_face_classifier.read("/content/lbph_classifier.yml")#Now we will check the performance of model test_image &＃61; "/content/yalefaces/test/subject03.leftlight.gif"
image &＃61; Image.open(test_image).convert(&＃39;L&＃39;)
image_np &＃61; np.array(image,&＃39;uint8&＃39;)#Before giving the image to the model lets check it first
cv2_imshow(image_np)
predictions &＃61; lbph_face_classifier.predict(image_np)
print(predictions)expected_output &＃61; int(os.path.split(test_image)[1].split(&＃39;.&＃39;)[0].replace("subject"," "))
print(expected_output)
3<-That&＃39;s our output

这是我们将要测试的图像

第一个参数给出检测到的人脸&＃xff0c;第二个参数给出置信度。这是我们从 print(predictions) 得到的输出

cv2.putText(image_np, &＃39;Pred.&＃39; &＃43;str(predictions[0]),(10,30),cv2.FONT_HERSHEY_COMPLEX_SMALL,1,(0,255,0))
cv2.putText(image_np, &＃39;Expec.&＃39; &＃43;str(expected_output),(10,50),cv2.FONT_HERSHEY_COMPLEX_SMALL,1,(0,255,0)
)
cv2_imshow(image_np)

最后结果

结论

在本文中&＃xff0c;我们介绍了以下内容&＃xff1a;

• 什么是LBPH算法

• LBPH算法如何识别人脸并进行计算

• 理解代码如何使用LBPH算法识别人脸

☆ END ☆

如果看到这里&＃xff0c;说明你喜欢这篇文章&＃xff0c;请转发、点赞。微信搜索「uncle_pn」&＃xff0c;欢迎添加小编微信「 woshicver」&＃xff0c;每日朋友圈更新一篇高质量博文。

↓扫描二维码添加小编↓