
机器学习
|
445
最后,收集这些
HOG
特征,并用训练好的模型来评估每个窗口中是否有人脸:
In[15]: labels = model.predict(patches_hog)
labels.sum()
Out[15]: 33.0
在近
2000
幅图像中,总共发现了
33
幅带人脸的图像。用矩形把收集到的信息画在图像上
(如图
5-152
所示):
In[16]: fig, ax = plt.subplots()
ax.imshow(test_image, cmap='gray')
ax.axis('off')
Ni, Nj = positive_patches[0].shape
indices = np.array(indices)
for i, j in indices[labels == 1]:
ax.add_patch(plt.Rectangle((j, i), Nj, Ni, edgecolor='red',
alpha=0.3, lw=2,
facecolor='none'))
图 5-152:包含人脸的窗口
所有窗口都重叠在一起,并找到了图像中的人脸!简单的几行
Python
代码就有着巨大
的威力。
5.14.3
注意事项与改进方案
如果你继续研究前面的代码和示例,就会发现在发布一个产品级的人脸识别器之前,还有
一些工作要做。有些问题已经解决了,但还有一些内容有待完善。
我们的训练集,尤其是负样本特征(
negative feature
)并不完整
这个问题的关键在于,有许多类似人脸的纹理并不在训练集里面,因此我们的模型非常 ...