Классификатор распознавания лиц

имхо, если вы получаете плохие результаты, вините свой вклад, а не формулу расстояния

без какой-либо дополнительной предварительной обработки (выравнивания, обрезки, выравнивания) даже простая норма L2 по пикселям дает лучшие результаты, чем собственные грани. (печальная правда здесь)

начиная с версии 2.4.2, opencv имеет распознавание лиц из коробки< /а>. (также с альтернативными функциями Fisher и lbph)

если вы хотите придерживаться собственных лиц, вы все равно можете попробовать расстояние L2 между «реконструированным» (из собственных векторов) изображением и тестовым изображением в качестве меры достоверности, как сделано здесь (снова Шервин)

// Compare two images by getting the L2 error (square-root of sum of squared error).
double getSimilarity(const Mat A, const Mat B)
{
if (A.rows > 0 && A.rows == B.rows && A.cols > 0 && A.cols == B.cols) {
    // Calculate the L2 relative error between the 2 images.
    double errorL2 = norm(A, B, CV_L2);
    // Convert to a reasonable scale, since L2 error is summed across all pixels of the image.
    double similarity = errorL2 / (double)(A.rows * A.cols);
    return similarity;
}
else {
    //cout << "WARNING: Images have a different size in 'getSimilarity()'." << endl;
    return 100000000.0;  // Return a bad value
}
}

Интересно, почему я всегда возвращаю 100000000. Значит ли это, что предварительно обработанное и реконструированное лицо имеют разный размер? Вот почему он пропускает сравнение расстояний L2?

Ниже приведена часть моего кодирования:

Mat j =projectedTestFace[i];
Mat k =projectedTrainFaceMat>data.fl[iTrain*nEigens + i];
similarity=getSimilarity(j,k);

без оператора else я получаю результат подобие=-nan, задаваясь вопросом, что означают -nan и -inf.