cv::face::MACE 类参考

最小平均相关能量滤波器，适用于使用（可取消的）生物特征进行身份验证。（不需要太多正样本进行训练（10-50个），完全不需要负样本，并且对噪声/加盐具有鲁棒性）更多...

#include <opencv2/face/mace.hpp>

cv::face::MACE 的协作图

公共成员函数
virtual void	salt (const cv::String &passphrase)=0
	可以选择使用随机卷积加密图像
virtual bool	same (cv::InputArray query) const =0
	关联查询图像并阈值化到最小类值
virtual void	train (cv::InputArrayOfArrays images)=0
	用正样本特征训练它，计算 MACE 滤波器：h = D(-1) * X * (X(+) * D(-1) * X)(-1) * C，同时计算此类的最小阈值，即来自训练图像的最小自相似性
从 cv::Algorithm 继承的公共成员函数
	Algorithm ()
virtual	~Algorithm ()
virtual void	clear ()
	清除算法状态。
virtual bool	empty () const
	如果 Algorithm 为空（例如，在最开始或读取不成功之后），则返回 true。
virtual String	getDefaultName () const
virtual void	read (const FileNode &fn)
	从文件存储中读取算法参数。
virtual void	save (const String &filename) const
void	write (const Ptr< FileStorage > &fs, const String &name=String()) const
virtual void	write (FileStorage &fs) const
	将算法参数存储到文件存储中。
void	write (FileStorage &fs, const String &name) const

静态公共成员函数
static cv::Ptr< MACE >	create (int IMGSIZE=64)
	构造函数
static cv::Ptr< MACE >	load (const String &filename, const String &objname=String())
	构造函数
从 cv::Algorithm 继承的静态公共成员函数
template<typename _Tp >
static Ptr< _Tp >	load (const String &filename, const String &objname=String())
	从文件中加载算法。
template<typename _Tp >
static Ptr< _Tp >	loadFromString (const String &strModel, const String &objname=String())
	从字符串加载算法。
template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	从文件节点读取算法。

附加的继承成员
从 cv::Algorithm 继承的保护成员函数
void	writeFormat (FileStorage &fs) const

详细描述

最小平均相关能量滤波器，适用于使用（可取消的）生物特征进行身份验证。（不需要太多正样本进行训练（10-50个），完全不需要负样本，并且对噪声/加盐具有鲁棒性）

另请参阅：[239]

此实现主要基于：https://code.google.com/archive/p/pam-face-authentication (GSOC 2009)

像这样使用它

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

您还可以使用双因素身份验证，并使用额外的密码

String owners_passphrase = "ilikehotdogs";
Ptr<face::MACE> mace = face::MACE::create(64);
mace->salt(owners_passphrase);
vector<Mat> pos_images = ...
mace->train(pos_images);
 
// 现在，用户必须提供有效的密码以及图像
Mat query = ...
cout << "enter passphrase: ";
string pass;
getline(cin, pass);
mace->salt(pass);
bool same = mace->same(query);

保存/加载您的模型

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

成员函数文档

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

构造函数

参数

IMGSIZE

图像将调整为此大小（应该为偶数）

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

构造函数

参数

filename	从预序列化的 FileStorage 构建新的 MACE 实例
objname	(可选) FileStorage 中的顶层节点

salt()

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

纯虚函数

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

可以选择使用随机卷积加密图像

参数

passphrase

将从此生成一个 crc64 随机种子

same()

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

纯虚函数

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

关联查询图像并阈值化到最小类值

参数

query

带有查询图像的 Mat

train()

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

纯虚函数

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

用正样本特征训练它，计算 MACE 滤波器：h = D(-1) * X * (X(+) * D(-1) * X)(-1) * C，同时计算此类的最小阈值，即来自训练图像的最小自相似性

参数

images

带有训练图像的 vector<Mat>

---

此类文档由以下文件生成

• opencv2/face/mace.hpp