cv::face::MACE 類參考

最小平均相關能量濾波器，適用於使用（可取消的）生物特徵進行身份驗證。（不需要太多正樣本進行訓練（10-50個），完全不需要負樣本，並且對噪聲/加鹽具有魯棒性）更多...

#include <opencv2/face/mace.hpp>

cv::face::MACE 的協作圖

公共成員函式
virtual void	salt (const cv::String &passphrase)=0
	可以選擇使用隨機卷積加密影像
virtual bool	same (cv::InputArray query) const =0
	關聯查詢影像並閾值化到最小類值
virtual void	train (cv::InputArrayOfArrays images)=0
	用正樣本特徵訓練它，計算 MACE 濾波器：h = D(-1) * X * (X(+) * D(-1) * X)(-1) * C，同時計算此類的最小閾值，即來自訓練影像的最小自相似性
從 cv::Algorithm 繼承的公共成員函式
	Algorithm ()
virtual	~Algorithm ()
virtual void	clear ()
	清除演算法狀態。
virtual bool	empty () const
	如果 Algorithm 為空（例如，在最開始或讀取不成功之後），則返回 true。
virtual String	getDefaultName () const
virtual void	read (const FileNode &fn)
	從檔案儲存中讀取演算法引數。
virtual void	save (const String &filename) const
void	write (const Ptr< FileStorage > &fs, const String &name=String()) const
virtual void	write (FileStorage &fs) const
	將演算法引數儲存到檔案儲存中。
void	write (FileStorage &fs, const String &name) const

靜態公共成員函式
static cv::Ptr< MACE >	create (int IMGSIZE=64)
	建構函式
static cv::Ptr< MACE >	load (const String &filename, const String &objname=String())
	建構函式
從 cv::Algorithm 繼承的靜態公共成員函式
template<typename _Tp >
static Ptr< _Tp >	load (const String &filename, const String &objname=String())
	從檔案中載入演算法。
template<typename _Tp >
static Ptr< _Tp >	loadFromString (const String &strModel, const String &objname=String())
	從字串載入演算法。
template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	從檔案節點讀取演算法。

附加的繼承成員
從 cv::Algorithm 繼承的保護成員函式
void	writeFormat (FileStorage &fs) const

詳細描述

最小平均相關能量濾波器，適用於使用（可取消的）生物特徵進行身份驗證。（不需要太多正樣本進行訓練（10-50個），完全不需要負樣本，並且對噪聲/加鹽具有魯棒性）

另請參閱：[239]

此實現主要基於：https://code.google.com/archive/p/pam-face-authentication (GSOC 2009)

像這樣使用它

Ptr<face::MACE> mace = face::MACE::create(64);
 
vector<Mat> pos_images = ...
mace->train(pos_images);
 
Mat query = ...
bool same = mace->same(query);

您還可以使用雙因素身份驗證，並使用額外的密碼

String owners_passphrase = "ilikehotdogs";
Ptr<face::MACE> mace = face::MACE::create(64);
mace->salt(owners_passphrase);
vector<Mat> pos_images = ...
mace->train(pos_images);
 
// 現在，使用者必須提供有效的密碼以及影像
Mat query = ...
cout << "enter passphrase: ";
string pass;
getline(cin, pass);
mace->salt(pass);
bool same = mace->same(query);

儲存/載入您的模型

Ptr<face::MACE> mace = face::MACE::create(64);
mace->train(pos_images);
mace->save("my_mace.xml");
 
// 稍後
Ptr<MACE> reloaded = MACE::load("my_mace.xml");
reloaded->same(some_image);

成員函式文件

create()

static cv::Ptr< MACE > cv::face::MACE::create ( int IMGSIZE = 64 )

static

Python
	cv.face.MACE.create(	[, IMGSIZE]	) ->	retval
	cv.face.MACE_create(	[, IMGSIZE]	) ->	retval

建構函式

引數

IMGSIZE

影像將調整為此大小（應該為偶數）

load()

static cv::Ptr< MACE > cv::face::MACE::load ( const String & filename, const String & objname = String() )

static

Python
	cv.face.MACE.load(	filename[, objname]	) ->	retval
	cv.face.MACE_load(	filename[, objname]	) ->	retval

建構函式

引數

filename	從預序列化的 FileStorage 構建新的 MACE 例項
objname	(可選) FileStorage 中的頂層節點

salt()

virtual void cv::face::MACE::salt ( const cv::String & passphrase )

純虛擬函式

Python
	cv.face.MACE.salt(	passphrase	) ->	無

可以選擇使用隨機卷積加密影像

引數

passphrase

將從此生成一個 crc64 隨機種子

same()

virtual bool cv::face::MACE::same ( cv::InputArray query ) const

純虛擬函式

Python
	cv.face.MACE.same(	query	) ->	retval

關聯查詢影像並閾值化到最小類值

引數

query

帶有查詢影像的 Mat

train()

virtual void cv::face::MACE::train ( typedef const _InputOutputArray &  images )

純虛擬函式

Python
	cv.face.MACE.train(	images	) ->	無

用正樣本特徵訓練它，計算 MACE 濾波器：h = D(-1) * X * (X(+) * D(-1) * X)(-1) * C，同時計算此類的最小閾值，即來自訓練影像的最小自相似性

引數

images

帶有訓練影像的 vector<Mat>

---

此類文件由以下檔案生成

• opencv2/face/mace.hpp