Je veux savoir, est-ce important d'avoir le même nombre d'images par personne (par exemple: 10 images/personne) pour former des visages dans Eigen/Fisher/LBPH FaceRecognizer? Ou il peut être différent count (person1: 10 images, person2: 20 images, ...)FaceRecognition: Toutes les images par personne doivent-elles être identiques?
Pour Eigen/Fisherfaces, la réponse la plus sûre est que les volumes de jeu de données pour chaque classe doivent être équilibrés. Bien que le manque de quelques images pour une classe puisse être OK, avoir une classe qui a un ordre de grandeur plus d'images que toutes les autres causera certainement un problème. Le déséquilibre tolérable est individuel pour chaque tâche, je suppose. A la fin de la journée, chacun des algorithmes mentionnés tombe dans la recherche du voisin le plus proche de l'ensemble de données d'apprentissage pour interroger l'image. Eigen/Fisherfaces sont formés sur l'ensemble de données donné, en calculant des vecteurs pour lesquels les images de jeu de données varient le plus. La surreprésentation ou la sous-représentation d'une classe entraînerait un modèle déséquilibré qui fonctionnerait mal à son égard. Inversement, LBPH n'est pas formé sur l'ensemble des données. Il analyse indépendamment chaque image de l'ensemble de données et compare l'image de la requête à chacune d'elles séparément. L'exhaustivité et la représentativité des ensembles de données sont donc plus importantes ici que le nombre d'images.
OpenCV a an intro to inner workings de ces algorithmes.
Merci, monsieur! Et un autre je veux vous demander cela, comment pouvons-nous définir un bon seuil pour ces algorithmes à utiliser pour déterminer entre visages connus et inconnus. Si nous définissons la valeur la plus élevée (Double.Max), alors le résultat prédit est toujours positif, cela rend difficile la distinction des faces connues et inconnues. Si vous d'une certaine façon, s'il vous plaît me suggérer! Merci d'avance! –
Le seuil est le plus souvent (et le plus directement) défini empiriquement. Je suggèrerais de rassembler un autre ensemble de données de faces inconnues aléatoires que vous ne voulez pas reconnaître, puis d'ajuster le seuil (manuellement ou en itérant) pour que la plupart des faces connues soient reconnues et que la plupart des faces inconnues ne le soient pas. – kazarey
Vous voulez dire que je teste le fait de reconnaître les visages entraînés et les visages non entraînés et de voir leur valeur de seuil retournée? –