法人

特征脸算法的人脸识别逻辑，蛮适合你拿来入门或写 demo。思路其实挺直白：把一堆人脸图片转成向量，用线性代数找出最能代表人脸特征的那些“脸”，也就是特征向量。这些向量再转回图像后，看起来还真像人脸，蛮神奇的。 人脸图像要先统一尺寸，比如100x100，拉平成10000 维的向量。求平均脸，再和每张脸做差，用这些差值构建协方差矩阵，从中提取出你要的特征脸。听着有点绕，实际上用矩阵相乘优化一下，性能也不错。 新图片进来后，投影到这些特征脸上，得到一个权重向量。你拿这个权重去跟数据库里已有的比一比，距离近的，就是同一个人。识别效果主要看你特征脸的数量，一般20~40 个就挺够用了。 哦对了，要真用在

本次实验尝试通过将人脸的图像转化为特征向量，然后训练数据集，通过计算欧氏距离找到与待测人脸最接近的k个人脸，实现一个基于KNN的人脸识别算法，达到人脸识别的入门级学习。算法简介: KNN算法假设给定一个训练数据集，其中的实例类别已定。分类时，对新的实例，根据其k个最近邻的训练实例的类别，通过多数表决等方式进行预测。KNN算法实际上利用训练数据集对特征向量空间进行划分，并作为其分类的“模型”。k值的选择、距离度量以及分类决策规则是KNN算法的三个基本要素。算法流程: 1. 假设有一个带有标签的样本数据集（训练样本集），其中包含每条数据与所属分类的对应关系。遍历训练数据集，计算预测样本与其他每一个