weixin_45634365的博客

看这篇文章前，可以先阅读Eigenface(PCA)人脸识别实验1、数据提取与处理%matplotlib inline# 导入所需模块import matplotlib.pyplot as pltimport numpy as npimport osimport cv2# plt显示灰度图片def plt_show(img): plt.imshow(img,cmap='gray') plt.show()# 读取一个文件夹下的所有图片，输入参数是文件名，返回文件地址列表d

Fisherface(FLD)人脸识别实验大致与Eigenface(PCA)人脸识别实验相同。主要是在模型训练方面，需要使用cv2.face.FisherFaceRecognizer_create()，最终的预测结果与实际相符。如果想要了解Eigenface(PCA)人脸识别实验，可以参考我的另一篇博客：Eigenface(PCA)人脸识别实验1、数据提取与处理%matplotlib inline# 导入所需模块import matplotlib.pyplot as pltimport nump

1、ORL数据集简介ORL人脸数据集一共包含40个不同人的400张图像，是在1992年4月至1994年4月期间由英国剑桥的Olivetti研究实验室创建。此数据集下包含40个目录，每个目录下有10张图像，每个目录表示一个不同的人。所有的图像是以PGM格式存储，灰度图，图像大小宽度为92，高度为112。对每一个目录下的图像，这些图像是在不同的时间、不同的光照、不同的面部表情（睁眼/闭眼，微笑/不微笑）和面部细节（戴眼镜/不戴眼镜）环境下采集的。所有的图像是在较暗的均匀背景下拍摄的，拍摄的是正脸（有些带有略

1、混淆矩阵混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。在人工智能中，混淆矩阵是可视化工具，特别用于监督学习。混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目。 预测值 Positive Negative 真实值 Positive .

1、ORL数据库机构作者年份图片数量个体数量ORL英国剑桥大学Olivetti研究实验室1992-199440040图片形式：所有的图像是以PGM格式存储，灰度图，图像大小宽度为92，高度为112。标注信息：此数据集下包含40个目录，每个目录下有10张图像，每个目录表示一个不同的人。每一个目录下的图像是在不同的时间、不同的光照、不同的面部表情（睁眼/闭眼，微笑/不微笑）和面部细节（戴眼镜/不戴眼镜）下采集的。所有的图像都是在较暗的均匀背景下拍摄的，拍摄的是正脸

使用Matlab完成以下实验，编程实现PCA和白化变换，可以使用eig或svd函数，但不能使用可以直接完成本任务的函数（例如princomp）。（1）使用x=randn(2000,2)*[2 1;1 2]生成2000个样本，每个样本都是二维的，使用scatter函数画出这2000个样本。（2）对这些样本进行PCA变换并保留所有2个维度，使用scatter函数画出PCA后的样本。（3）对这些样本进行白化变换并保留所有的2个维度，使用scatter函数画出PCA后的样本。...