1.3版本上线(第六次会议)
由于SIFT特征本身的局限性,我们的识别准确度在到达90%左右的时候就很难再进一步提高了。
为此小组进行了长达3个小时的讨论,对SIFT特征的实现细节即优缺点进行分析,最终认为比起三大经典特征提取算法,SIFT特征在人脸识别领域的表现并不那么优秀。
因此我们加班加点,对1.2版本的代码进行了大篇幅的修改,版本详细介绍如下:
1:我们继承了1.2版本的优点,例如直方图均衡优化,支持多张人脸识别
2:改用了LBPH算法来替代SIFT特征算法,使识别准确度提高到98%左右
3:识别距离由原来的0.5m提高到了1.2m
至于为什么要在三大经典特征提取算法中选择LBPH而不是另外两个,我们这次会议整理了之前大家共同研究的结果
1:EigenFace和Fisherface都是基于提取整张照片作为特征向量再进行特殊的降维处理然后进行分类匹配的,
而LBPH是通过统计直方图作为特征向量,并对不同的子区域赋予不同的权重,再利用各种相似性度量函数来判断两幅图像之间的相似性。
显然LBPH能够把重心集中在人脸中心区域,而为其他部分分配较少的权重,而其他两个则是不进行区分,准确度不如LBPH
2:EigenFace和Fisherface的降维方法PCA和LDA都是从数据整体入手,而LBP是提取局部纹理特征,对于数据的利用更加充分
3:EigenFace和Fisherface都是通过设置阈值来进行分类匹配的,而LBPH是通过相似性度量函数来判断两幅图像之间的相似性,
当相似性度量函数取得足够优秀时,LBPH是优于阈值匹配的。
下期预告:
继1.3版本以后,我们的人脸识别部分的代码算是彻底完成了,接下来我们要做的事情就是系统签到方面的内容
1.4版本会将之前的本地数据全部通过数据库进行统一管理,大家又要开始忙起来了,我相信这段小组成员密切配合,共同拼搏的日子在以后会成为我们大学生活最美好的回忆。