我有一组图像用于训练：对于两个人，10 个图像和 80 个不同人的图像来检查识别的可靠性。有 3 个参考图像，每个人 1 个，与 10 个人共享一个（包括前两个和 80 个中的一些）。在所有图像中，这些人都位于正面。作为对所有 3 个控制图像进行识别的结果，最好识别使用 10 个图像对其进行训练的两个人。问题是所有 3 种算法（LBPH、Fisherfaces、Eigenfaces）都不能处理这个任务（在一个或两个图像上他们用另一个人标记一个人，并且只有一个训练图像），显然，我有一个错误在训练或识别序列的某个地方，或者我没有考虑到某些事情。
添加用于训练的图像：
- 计算用于灰度训练的图像
- 确定人脸的位置，并根据这个位置制作新的图像
- 对于 LBPH 以外的算法，将图像设置为相同的尺寸（我仍然无法确定最好使用哪种尺寸，我随机戳了不同的尺寸）
- 直方图均衡
- 添加到一个向量然后将进入训练
添加图像进行识别：
- 以灰度和每次执行确定图像中的所有人脸
- 根据位置制作新图像
- 对于 LBPH 以外的算法，将图像设置为相同大小
- 直方图均衡
- 送去表扬
我很乐意接受任何建议并回答您的问题，感谢您的帮助！
作为教育过程的一部分，我执行了你的任务（只是这三个算法），这里是github
简而言之，他从相机中拍摄了一张图像，并从本地数据库（一组图像）中确定了这个人是谁。有一种形式，您可以在其中扭曲所有三种算法的参数
但是github不允许项目中加载emgu库，因为 它们太重，您必须手动添加它们
如有必要，我可以通过其他资源单独下载它们。
人脸识别过程可以分为3个阶段：
OpenCV 为第 1 阶段和第 3 阶段提供实用程序，但第 2 阶段（最困难的）将责任推给用户。算法 LBPH、Fisherfaces、Eigenfaces 在专门准备的图像（归一化）上实现了 90% 的识别准确率。如果您选择 AT&T，您会看到它们具有所有图像：它们具有相同的大小（宽度和高度），都经过标准化灰度化，纯色背景，面部基于锚点居中和对齐，以及其他规范化方法。规范化过程的一个例子。OpenCV中使用的识别算法的解析和分析。AT&T 人脸数据库。
因此，在我的案例中，识别准确率低的问题是图像的归一化水平低。为了提高准确度，您需要添加各种算法进行图像归一化，或者使用基于神经网络和机器学习的更现代的算法进行识别。
根据文章中的算法进行归一化后，定义的准确性显着提高（我根据眼睛的位置添加了图像的旋转和缩放）。