Question

我一直在使用OpenCV的SVM和RF来解决11类的多类人脸识别问题，每班只有5张图像。我使用了两种功能 - 最初是玩具强度图像功能（只是每个图像调整为32x32灰度），然后第二个功能只是使用Tan Triggs预处理（link）的另一个玩具功能。这是功能代码：

void Feature::makeFeature(cv::Mat &image, cv::Mat &result)
{
    cv::resize( image, image, cv::Size(32, 32), 0, 0, cv::INTER_CUBIC );
    cv::equalizeHist(image, image);
// Images must be aligned - Only pitch executed, yaw and roll assumed   negligible
    algmt->getAlignedImage( image, image ); // image alignment
// tan triggs
{
tan_triggs_preprocessing(image, result);
result = result.reshape(0, 1); // make a single row vector, needed for the training samples matrix
}
// if plain intensity
{
//    image.copyTo(result);
//    result.convertTo(result, CV_32F, 1.0f/255.0f);
//    result = result.reshape(0, 1); // make a single row vector, needed for the training samples matrix
}
}

tan_triggs_preprocessing函数与链接中给出的Tan Triggs预处理函数相同。我添加了一步 - 我将结果归一化为0和1之间。

两者的测试结果都不是很好，正如预期的那样，但后来我犯了一个愚蠢的错误并发现了一些奇怪的事情：当我不小心将训练目录作为训练和测试的输入时，我获得了100％的结果普通强度特征，但Tan Triggs特征给出了以下结果：

SVM培训完成 正确总数：51，准确度：92.7273 RF培训完成 正确总数：53，准确度：96.3636

我确实知道，当训练集输入到测试时，你的过度拟合结果应该是完美的。其他一切都是标准的，SVM和RF都是OpenCV示例中的标准。此外，我获得100％的普通强度功能，所以我当然在使用Tan Triggs时在这里搞砸了。任何人都知道我在犯什么错误？我已经使用了其他复杂的功能，如LTP和LQP没有问题，但这种预处理方法是我想要使用的。我使用Jain-Learned Miller凝固算法进行对齐，因为我假设人脸识别的正面，没有姿势校正。

OpenCV Face Recognition奇怪的结果

0 个答案: