Once again, OpenCV's FaceRecognizer

Once again, OpenCV's FaceRecognizer class makes it quite easy to generate a reconstructed face from any input image, by using the subspaceProject() function to project onto the eigenspace and the subspaceReconstruct() function to go back from eigenspace to image space. The trick is that we need to convert it from a floating-point row matrix to a rectangular 8-bit image (like we did when displaying the average face and eigenfaces), but we don't want to normalize the data, as it is already in the ideal scale to compare with the original image. If we normalized the data, it would have a different brightness and contrast from the input image, and it would become difficult to compare the image similarity just by using the L2 relative error. This is done as follows:

ผลลัพธ์ (ไทย) 1:

ครั้ง คลา FaceRecognizer ของ OpenCV อย่างสะดวกมากในการสร้างหน้าสร้างขึ้นใหม่จากภาพที่ป้อนเข้า โดยใช้ฟังก์ชัน subspaceProject() โครงการไป eigenspace และ subspaceReconstruct() ฟังก์ชันกลับไปจาก eigenspace ภาพพื้นที่ เคล็ดลับคือ เราต้องแปลงจากเมตริกซ์แถวทศนิยมสี่เหลี่ยม 8 บิตรูปแบบ (เช่นเราไม่ได้แสดงหน้าเฉลี่ยและ eigenfaces), แต่เราไม่ต้องการลดขนาดข้อมูล มีอยู่ในระดับอำนวยการเปรียบเทียบกับภาพต้นฉบับ ถ้าข้อมูลตามปกติเรา มันจะมีความสว่างแตกต่างกันและความแตกต่างจากภาพเข้า และมันจะกลายเป็นเรื่องยากที่จะเปรียบเทียบความคล้ายของรูป โดยใช้ข้อผิดพลาดสัมพัทธ์ L2 ซึ่งทำได้ดังนี้:

ผลลัพธ์ (ไทย) 2:

อีกครั้ง OpenCV ของชั้น FaceRecognizer ทำให้ค่อนข้างง่ายในการสร้างหน้าสร้างขึ้นใหม่จากภาพที่ป้อนข้อมูลใด ๆ โดยใช้ฟังก์ชั่น subspaceProject () เพื่อฉายภาพลงบน Eigenspace และ subspaceReconstruct () ฟังก์ชันที่จะกลับไปจาก Eigenspace พื้นที่ภาพ เคล็ดลับคือการที่เราจะต้องแปลงจากเมทริกซ์แถวลอยชี้ไปที่ภาพ 8 บิตเป็นรูปสี่เหลี่ยมผืนผ้า (เหมือนที่เราทำเมื่อแสดงใบหน้าเฉลี่ยและ eigenfaces) แต่เราไม่ต้องการที่จะปรับข้อมูลที่มันเป็น แล้วในขนาดที่เหมาะสำหรับการเปรียบเทียบกับภาพต้นฉบับ ถ้าเราปกติข้อมูลที่มันจะมีความสว่างและความคมชัดที่แตกต่างจากภาพที่มีการป้อนข้อมูลและมันจะกลายเป็นเรื่องยากที่จะเปรียบเทียบความคล้ายคลึงกันของภาพโดยใช้เพียงแค่ L2 ความผิดพลาด นี้จะทำดังต่อไปนี้

ผลลัพธ์ (ไทย) 3:

อีกครั้ง เป็นการ facerecognizer ของชั้นทำให้มันค่อนข้างง่ายที่จะสร้างขึ้นใหม่ หน้าจากการป้อนข้อมูลใด ๆภาพโดยการใช้ฟังก์ชั่น subspaceproject() โครงการลงบน eigenspace และฟังก์ชัน subspacereconstruct() กลับไปจาก eigenspace ภาพอวกาศเคล็ดลับก็คือ เราต้องแปลงจากเมทริกซ์แถวจุดลอยตัวกับภาพ 8 สี่เหลี่ยม ( เหมือนที่เราทำเมื่อแสดงหน้าเฉลี่ยและ eigenfaces ) แต่เราไม่อยากให้ข้อมูลมันมีอยู่แล้ว ในระดับที่เหมาะสม เพื่อเปรียบเทียบกับภาพต้นฉบับ ถ้าเราปกติข้อมูล มันจะมีความสว่างและความคมชัดของภาพข้อมูลและมันจะกลายเป็นยากที่จะเปรียบเทียบความเหมือนของภาพโดยการใช้ L2 ความคลาดเคลื่อนสัมพัทธ์ นี้จะกระทำได้ดังนี้