小小詹同学

本帖最后由 desehawk 于 2018-5-3 18:18 编辑

微信号：
xiaoxiaozhantongxue

功能介绍：
双一流高校在读研究生，专研C++,Python，主要研究图像处理、机器学习相关知识。

经典文章推荐

程序员面试必备之排序算法汇总(上)

本文用Python实现了快速排序、插入排序、希尔排序、归并排序、堆排序、选择排序、冒泡排序共7种排序算法。

一、快速排序

1.介绍

快速排序由C. A. R. Hoare在1962年提出。它的基本思想是:通过一趟排序将要排序的数据分割成独立的两部分，其中一部分的所有数据都比另外一部分的所有数据都要小，然后再按此方法对这两部分数据分别进行快速排序，整个排序过程可以递归进行，以此达到整个数据变成有序序列。

2.步骤及流程图

(1)从数列中挑出一个元素，称“基准”

(2)重新排序数列，所有元素比基准值小的摆放在基准前面，所有元素比基准值大的摆在基准的后面（相同的数可以到任一边）。在这个分区退出之后，该基准就处于数列的中间位置。这个称为分区（partition）操作。

(3)递归地（recursive）把小于基准值元素的子数列和大于基准值元素的子数列排序。

流程图：（字很丑~后边还是不画了哈）

3.python实现

#encoding=utf-8
import random
#快速排序
def qsort(list,low,high):
if low >= high:
      return
first=low
last=high
key=list[first]
#主循环，算法重点，见流程图
while last>first:
      while last>first and list[last] >= key:
         last-=1
      list[first]=list[last]
      while last>first and list[first] <= key:
         first+=1
      list[last]=list[first]
list[first]=key
#这两行利用递归完成两个分区的排序
qsort(list,low,first-1)
qsort(list,first+1,high)
#以下是调用快速排序方法
my_list=[]
for i in range(8):
my_list.append(random.randint(1,300))
qsort(my_list,0,len(my_list)-1)
print(my_list)

4.视觉效果展示

更多参考原文

desehawk · 发表于 2018-5-3 16:23:22

本帖最后由 desehawk 于 2018-5-3 17:02 编辑

本文用Python实现了快速排序、插入排序、希尔排序、归并排序、堆排序、选择排序、冒泡排序共7种排序算法。上篇已经介绍了前三种~给出原文链接如下：程序员面试必备之排序算法汇总(上)

四、归并排序

1.介绍

归并排序是建立在归并操作上的一种有效的排序算法,该算法是采用分治法（Divide and Conquer）的一个非常典型的应用。将已有序的子序列合并，得到完全有序的序列；即先使每个子序列有序，再使子序列段间有序。若将两个有序表合并成一个有序表，称为二路归并。

2.步骤

（1）申请空间，使其大小为两个已经排序序列之和，该空间用来存放合并后的序列

（2）设定两个指针，最初位置分别为两个已经排序序列的起始位置

（3）比较两个指针所指向的元素，选择相对小的元素放入到合并空间，并移动指针到下一位置

（4）重复步骤3直到某一指针达到序列尾

（5）将另一序列剩下的所有元素直接复制到合并序列尾

3.python实现

4.视觉效果展示

更多参考原文

desehawk · 发表于 2018-5-3 16:35:59

本帖最后由 desehawk 于 2018-5-3 17:02 编辑
机器学习，你不得不掌握的十大算法（上篇）

● 机器学习及其分类

我们知道，机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

按照学习方式进行分类，机器学习算法可分为监督式学习，非监督式学习和强化学习三种。

①

监督学习目的是使用有类标的训练数据构建模型，利用训练得到的模型对未来数据进行预测，监督是指训练数据集中每一个样本均有一个已知的输出项（类标，label）。监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归（Logistic Regression）和反向传递神经网络（Back Propagation Neural Network）

说到监督式学习不得不提到分类，分类为监督式学习一个子类，目的是基于对过往类标已知示例的观察与学习，实现对新样本类标的预测。例如经典的检测垃圾邮件的例子，这是一个典型的二分类问题；又如数字识别，0-9十个数字的识别分类这是一个典型的多分类问题。

更多参考原文

desehawk · 发表于 2018-5-3 16:38:49

机器学习，你不得不掌握的十大算法（中）

导读：通过本篇文章可以对ML的常用算法有个常识性的认识，没有代码，没有复杂的理论推导，就是图解一下，知道这些算法是什么，它们是怎么应用的，例子主要是分类问题。【文末附赠剑指offer，程序员求职必备】

今天要介绍的算法如下：

决策树
随机森林算法
逻辑回归
SVM
朴素贝叶斯

①决策树

根据一些 feature 进行分类，每个节点提一个问题，通过判断，将数据分为两类，再继续提问。这些问题是根据已有数据学习出来的，再投入新数据的时候，就可以根据这棵树上的问题，将数据划分到合适的叶子上。

更多参考原文

desehawk · 发表于 2018-5-3 16:41:51

你不得不了解的8种神经网络结构!

机器学习已经在各个行业得到了大规模的广泛应用，并为提升业务流程的效率、提高生产率做出了极大的贡献。目前机器学习主要在以下方面应用：

模式识别：实际场景中的目标、包括人脸、表情、语音识别等等；
异常检测：例如信用卡交易的异常检测、传感器异常数据模式检测和异常行为检测等；
预测问题：预测股票或者汇率、或者预测消费者喜欢的电影、音乐等。

神经网络是一类机器学习算法和模型的统称，也是目前机器学习发展最快的一个领域。神经网络的架构主要分为三大类——前馈、循环和对称链接网络。神经网络具有如下三个特征使它成为了机器学习中的重要组成部分：

有助于理解大脑实际工作的流程，
有助于理解神经元和期间的自适应链接以及并行计算的概念，与顺序处理的序列模型大不相同；
在大脑的启发下利用新的算法解决实际问题。

下面是8种核心神经网络架构

1. 感知机（Perceptrons）

感知机可以称为第一代的神经网络，主要包括输入的多个特征单元（人工定义或程序寻找），中间由学习权重连接，最后由决策单元输出。典型的感知机单元遵循前馈模型，输入通过权重处理后直接连接到输出单元上。

如果人们手动选取足够的有效特征，感知机几乎可以做任何事。但一旦人工特征固定下来将会极大的限制感知机的学习能力。同时如何选择一个好的、有效的特征也是困扰人们的难点。这对于感知机来说是毁灭性的，由于感知机将所有的注意力放在了模式识别上而忽视了变换过程。Minsky和Papert的"群体不变性理论"指出无法通过学习来识别出一组变化中的变换过程。为了处理这样的变换，感知机需要利用多特征单元来识别出变换。而这模式识别中最为复杂的一步则需要手工来完成特征提取，而不是学习。

没有隐藏层的神经网络在为输入输出映射建模的过程中具有很大的局限性。而更多层的线性单元似乎也没有帮助，因为线性的叠加依旧是线性的。固定的非线性输出也不足以建立复杂的映射关系。所以在感知机的基础上我们需要建立多层具有适应性非线性的隐藏单元网络。但我们该如何训练这样的网络呢？我们需要有效的方法来调整所有层而不仅仅是最后一层的权重。这十分困难，因为学习隐藏层的权重就等同于学习特征，但没人会告诉你每个隐藏单元应该做什么。这就需要更先进的结构来处理了！

更多参考原文

desehawk · 发表于 2018-5-3 16:44:42

本帖最后由 desehawk 于 2018-5-3 16:45 编辑

一、深度学习的起源与概念

深度学习的概念由Hinton等人于2006年提出。深度学习可以简单理解为传统神经网络的拓展。如下图所示，深度学习与传统的神经网络之间有相同的地方，二者的相同之处在于，深度学习采用了与神经网络相似的分层结构：系统是一个包括输入层、隐层（可单层、可多层）、输出层的多层网络，只有相邻层的节点之间有连接，而同一层以及跨层节点之间相互无连接。

传统的神经网络和深度神经网络

深度学习框架将特征和分类器结合到一个框架中，用数据去学习特征，在使用中减少了手工设计特征的巨大工作量。看它的一个别名：无监督特征学习（Unsupervised Feature Learning），就可以顾名思义了。无监督（Unsupervised）学习的意思就是不需要通过人工方式进行样本类别的标注来完成学习。因此，深度学习是一种可以自动地学习特征的方法。

深度学习通过学习一种深层非线性网络结构，只需简单的网络结构即可实现复杂函数的逼近，并展现了强大的从大量无标注样本集中学习数据集本质特征的能力。深度学习能够获得可更好地表示数据的特征，同时由于模型的层次深（通常有5层、6层，甚至10多层的隐藏层节点）、表达能力强，因此有能力表示大规模数据。对于图像、语音这种特征不明显（需要手工设计且很多没有直观的物理含义）的问题，深度模型能够在大规模训练数据上取得更好的效果。相比于传统的神经网络，深度神经网络作出了重大的改进，在训练上的难度（如梯度弥散问题）可以通过“逐层预训练”来有效降低。

值的注意的是，深度学习不是万能的，像很多其他方法一样，它需要结合特定领域的先验知识，需要和其他模型结合才能得到最好的结果。此外，类似于神经网络，深度学习的另一局限性是可解释性不强，像个“黑箱子”一样不知为什么能取得好的效果，以及不知如何有针对性地去具体改进，而这有可能成为产品升级过程中的阻碍。

近年来，深度学习的发展逐渐成熟。2012年6月，《纽约时报》披露了Google Brain项目，吸引了公众的广泛关注。这个项目是由著名的斯坦福大学的机器学习教授Andrew Ng和在大规模计算机系统方面的世界顶尖专家Jeff Dean共同主导，用16,000个CPU Core的并行计算平台去训练含有10亿个节点的深度神经网络（Deep Neural Networks，DNN），使其能够自我训练，对2万个不同物体的1,400万张图片进行辨识。在开始分析数据前，并不需要向系统手工输入任何诸如“脸、肢体、猫的长相是什么样子”这类特征。Jeff Dean说：“我们在训练的时候从来不会告诉机器：‘这是一只猫’（即无标注样本）。系统其实是自己发明或领悟了‘猫’的概念。

2014年3月，同样也是基于深度学习方法，Facebook的DeepFace项目使得人脸识别技术的识别率已经达到了97.25%，只比人类识别97.5%的正确率略低那么一点点，准确率几乎可媲美人类。该项目利用了9层的神经网络来获得脸部表征，神经网络处理的参数高达1.2亿。

以及2016年3月人工智能围棋比赛，由位于英国伦敦的谷歌（Google）旗下DeepMind公司的戴维·西尔弗、艾佳·黄和戴密斯·哈萨比斯与他们的团队开发的AlphaGo战胜了世界围棋冠军、职业九段选手李世石，并以4:1的总比分获胜。AlphaGo的主要工作原理就是深度学习，通过两个不同神经网络“大脑”合作来改进下棋：第一大脑：落子选择器（Move Picker）和第二大脑：棋局评估器（Position Evaluator）。这些大脑是多层神经网络跟那些Google图片搜索引擎识别图片在结构上是相似的。它们从多层启发式二维过滤器开始，去处理围棋棋盘的定位，就像图片分类器网络处理图片一样。经过过滤，13个完全连接的神经网络层产生对它们看到的局面判断。这些层能够做分类和逻辑推理。

二、深度学习的应用

深度学习受到世界各国相关领域研究人员和高科技公司的重视，最广泛的三个主要研究应用领域包括：语音识别、机器视觉和自然语言处理。

语音识别方面：从2009年开始，微软亚洲研究院的语音识别专家们和深度学习领军人物Hinton合作。2011年微软公司推出基于深度神经网络的语音识别系统，这一成果将语音识别领域已有的技术框架完全改变。采用深度神经网络后，样本数据特征间相关性信息得以充分表示，将连续的特征信息结合构成高维特征，通过高维特征样本对深度神经网络模型进行训练。由于深度神经网络采用了模拟人脑神经架构，通过逐层的进行数据特征提取，最终得到适合进行模式分类处理的理想特征。

机器视觉方面：对于图像的处理是深度学习算法最早尝试应用的领域。早在1989年，加拿大多伦多大学教授Yann LeCun就和他的同事提出了卷积神经网络（Convolutional Neural Networks, CNN）它是一种包含卷积层的深度神经网络模型。通常一个卷机神经网络架构包含两个可以通过训练产生的非线性卷积层，两个固定的子采样层和一个全连接层，隐藏层的数量一般至少在5个以上。CNN的架构设计是受到生物学家Hube和Wiesel的动物视觉模型启发而发明的，尤其是模拟动物视觉皮层的V1层和V2层中简单细胞和复杂细胞在视觉系统的功能。起初卷积神经网络在小规模的问题上取得了当时世界最好成果。但是在很长一段时间里一直没有取得重大突破。主要原因是卷积神经网络应用在大尺寸图像上一直不能取得理想结果，比如对于像素数很大的自然图像内容的理解，这使得它没有引起计算机视觉研究领域足够的重视。2012年10月，Hinton教授以及他的学生采用更深的卷神经网络模型在著名的ImageNet问题上取得了世界最好结果，使得对于图像识别的领域研究更进一步。

自卷积神经网络提出以来，在图像识别问题上并没有取得质的提升和突破，直到2012年Hinton构建深度神经网络才去的惊人的成果。这主要是因为对算法的改进，在网络的训练中引入了权重衰减的概念，有效的减小权重幅度，防止网络过拟合。更关键的是计算机计算能力的提升，GPU加速技术的发展，使得在训练过程中可以产生更多的训练数据，使网络能够更好的拟合训练数据。2012年国内互联网巨头百度公司将相关最新技术成功应用到人脸识别和自然图像识别问题，并推出相应的产品。现在的深度学习网络模型已经能够理解和识别一般的自然图像。深度学习模型不仅大幅提高了图像识别的精度，同时也避免了需要消耗大量时间进行人工特征的提取，使得在线运行效率大大提升。

自然语言处理方面：自然语言处理问题是深度学习在除了语音和图像处理之外的另一个重要的应用领域。数十年以来，自然语言处理的主流方法是基于统计的模型，人工神经网络也是基于统计方法模型之一，但在自然语言处理领域却一直没有被重视。语言建模时最早采用神经网络进行自然语言处理的问题。美国NEC研究院最早将深度学习引入到自然语言处理研究中，其研究院从2008年起采用将词汇映射到一维矢量空间和多层一维卷积结构去解决词性标注、分词、命名实体识别和语义角色标注四个典型的自然语言处理问题。他们构建了一个网络模型用于解决四个不同问题，都取得了相当精确的结果。总体而言，深度学习在自然语言处理上取得的成果和在图像语音识别方面相差甚远，仍有待深入研究。

三、深度学习的常用框架

原文链接

desehawk · 发表于 2018-5-3 16:47:51

人脸检测（一）——基于单文档的应用台程序

Opencv自带训练好的人脸模型（人脸的人眼、口等器官类似），此文基于vs2013建立应用台单文档程序，具体建立过程不予详细叙述，主要记录利用的Opencv自带的分类器和训练好的人脸模型。

一、编程前的准备

（1）Haar特征分类器

Haar特征分类器就是一个XML文件，该文件中会描述人体各个部位的Haar特征值。包括人脸、眼睛、嘴唇等等。

Haar特征分类器存放目录：OpenCV安装目录中的\data\ haarcascades目录下，例如：

haarcascade_eye.xml
haarcascade_eye_tree_eyeglasses.xml
haarcascade_frontalface_alt.xml
haarcascade_frontalface_alt_tree.xml
haarcascade_frontalface_alt2.xml
haarcascade_frontalface_default.xml
haarcascade_fullbody.xml
haarcascade_lefteye_2splits.xml
haarcascade_lowerbody.xml
haarcascade_mcs_eyepair_big.xml
haarcascade_mcs_eyepair_small.xml
haarcascade_mcs_leftear.xml

……

（详情见不同版本的data/ haarcascades目录下）

例如此次程序进行人脸识别，需要将分类器haarcascade_frontalface_alt2.xm复制到所建项目的可运行文件夹内

（2）.对CascadeClassifier做初始化

cv::CascadeClassifier classifier;

classifier.load(“cascade.xml”); //这里的xml是训练得到的分类器

CascadeClassifier类中既有load也有read函数，二者是相同的，load将引用read函数

（3 )关于detectMultiScale（）

void detectMultiScale

(

const Mat& image,

CV_OUT vector<Rect>& objects,

double scaleFactor = 1.1,

int minNeighbors = 3,

int flags = 0,

Size minSize = Size(),

Size maxSize = Size()

);

函数介绍：

参数1：image--待检测图片，一般为灰度图像加快检测速度；

参数2：objects--被检测物体的矩形框向量组；
参数3：scaleFactor--表示在前后两次相继的扫描中，搜索窗口的比例系数。默认为1.1即每次搜索窗口依次扩大10%;
参数4：minNeighbors--表示构成检测目标的相邻矩形的最小个数(默认为3个)。
      如果组成检测目标的小矩形的个数和小于 min_neighbors - 1 都会被排除。
      如果min_neighbors 为 0, 则函数不做任何操作就返回所有的被检候选矩形框，
      这种设定值一般用在用户自定义对检测结果的组合程序上；
参数5：flags--要么使用默认值，要么使用CV_HAAR_DO_CANNY_PRUNING，如果设置为CV_HAAR_DO_CANNY_PRUNING，那么函数将会使用Canny边缘检测来排除边缘过多或过少的区域，因此这些区域通常不会是人脸所在区域；

参数6、7：minSize和maxSize用来限制得到的目标区域的范围。

更多参考原文

desehawk · 发表于 2018-5-3 16:49:39

本帖最后由 desehawk 于 2018-5-3 17:03 编辑

人脸检测（二 )——MFC实现

一、关于MFC

微软基础类库（英语：Microsoft Foundation Classes，简称MFC）是一个微软公司提供的类库（class libraries），以C++类的形式封装了Windows API，并且包含一个应用程序框架，以减少应用程序开发人员的工作量。其中包含的类包含大量Windows句柄封装类和很多Windows的内建控件和组件的封装类。

二、常用控件

1.Buttton

2.Picture Control

3.Static Text

4.Radio Button

……

三、程序实现

首先，值得注意的是，此程序中需要将图片显示在指定的控件之中，涉及到控件的句柄（相当于c语言中所学的指针），而在编写程序中用到了一些类在新版opencv中已被删除，需要自行下载，需要的朋友可以在公众号后台回复“资源cvvimage.h”自行下载。下载后放置于可直接运行的文件夹内：

程序可分为两大块重点，一个是类似于上一篇文章（人脸检测（一）——单文档应用台)，如何检测人脸。另一个是如何在MFC中将指定的图片显示在指定控件中。

这里给出显示原图的BUTTON中的程序：

重点在于获取控件的句柄，即上图程序中的pWnd->GetClientRect(&rect);

篇幅有限，若需要完整项目代码请后台回复关键词：人脸检测MFC。

更多参考原文

desehawk · 发表于 2018-5-3 16:51:19

本帖最后由 desehawk 于 2018-5-3 17:04 编辑

人脸检测——笑脸检测

前边已经详细介绍过人脸检测，其实检测类都可以归属于同一类，毕竟换汤不换药！无论是人脸检测还是笑脸检测，又或者是opencv3以后版本加入的猫脸检测都是一个原理，用的是detectMultiScale函数，其具体使用参考公众号历史文章中的人脸检测（一）——基于单文档的应用台程序即可~

笑脸检测用的还是那个函数（还是熟悉的味道！）这里主要分两步来说：

1.加载人脸检测器进行人脸检测

2 加载笑脸检测器进行笑脸检测

其具体程序如下，可以实现对图片的检测，也可以调用摄像头对采集到的实时图像进行检测，需要完整项目的后台回复关键词“笑脸检测”即可~

关键部分程序如下：

其测试结果如下：

（这张女神的右边未检出笑脸，大概是因为所用模型是基于嘴角是否上扬判断）

更多参考原文

desehawk · 发表于 2018-5-3 16:55:39

人脸识别的英文名称是 Face Recognition，前段时间查找资料学的时候发现，不少人将人脸识别和人脸检测（Face Detection）混为一谈，很大程度上增加了查询学习资料的难度，这里在参照一些前辈的基础上，自己动手敲写代码，整理出了一个完整的版本。

此系列文章将从理论到实践进行整合：分三篇进行叙述，第一篇从零说人脸识别，保证大多数朋友能通过这篇文章了解到人脸识别的概念，并且能够形成一个基本的框架。第二篇将进行初步的实践，包括人脸图像的采集，和如何利用opencv已有的模型根据人脸图像进行训练，得到需要的分类器。第三篇则是综合篇，将程序以模块化进行展示，以文档形式实现人脸识别和建立MFC程序实现人脸识别。

一、人脸检测和人脸识别

首先需要介绍下人脸识别和人脸检测的不同。人脸检测指的是对一幅图片进行检测，检测图片中是否包含有人脸；而人脸识别则是在人脸检测的基础上，不仅要检测出是否该图片中存在人脸，更要进一步将检测出的人脸图像与已有人脸库中的进行对比，识别出该人脸图像对应库中的哪一个。人脸检测的相关知识可以参照微信公众号里（Mr_cplus）的相关历史文章。

二、人脸识别的大概流程

人脸识别大体上分为四步：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取、匹配与识别。

（1）人脸图像采集及检测

人脸图像的采集指的是按照所研究的目标（比如研究不同姿态下的人脸识别），采集一定数量的图像数据整理成库。当前学术界已有许多现成的人脸库，满足基本的研究需求，当然也可以在这些数据库的基础上进行添加（比如将自己的人脸添加进某数据库）。当前较为常用的人脸图像数据库有：

1. FERET人脸数据库
由FERET项目创建,包含14,051张多姿态,光照的灰度人脸图像,是人脸识别领域应用最广泛的人脸数据库之一.其中的多数人是西方人,每个人所包含的人脸图像的变化比较单一.
2. MIT人脸数据库
由麻省理工大学媒体实验室创建,包含16位志愿者的2,592张不同姿态,光照和大小的面部图像.
3. Yale人脸数据库
由耶鲁大学计算视觉与控制中心创建,包含15位志愿者的165张图片,包含光照,表情和姿态的变化.
4. Yale人脸数据库B
包含了10个人的5,850幅多姿态,多光照的图像.其中的姿态和光照变化的图像都是在严格控制的条件下采集的,主要用于光照和姿态问题的建模与分析.由于采集人数较少,该数据库的进一步应用受到了比较大的限制.
5. PIE人脸数据库
由美国卡耐基梅隆大学创建,包含68位志愿者的41,368张多姿态,光照和表情的面部图像.其中的姿态和光照变化图像也是在严格控制的条件下采集的,目前已经逐渐成为人脸识别领域的一个重要的测试集合.
6. ORL人脸数据库
由剑桥大学AT&T实验室创建,包含40人共400张面部图像,部分志愿者的图像包括了姿态, 表情和面部饰物的变化.该人脸库在人脸识别研究的早期经常被人们采用,但由于变化模式较少,多数系统的识别率均可以达到90%以上,因此进一步利用的价值已经不大.
……

（2）人脸图像预处理

此处主要指两方面：一个是如何将获取的人脸图像进行一些处理，使之和待放入的人脸库内图片数据有相同的尺寸，格式等；另一个是指将整体库内图片进行处理，使之满足后面图像特征提取以及识别中的要求。

（3）人脸图像特征提取

人脸图像特征提取是指按照一定的算法，将人脸图像进行处理，提取出特征信息，形成特征矩阵等，之后用于分类器的训练。特征提取的算法往往决定着识别效果的好与坏。

（4）匹配与识别

人脸图像经过特征提取形成了一定的特征矩阵，之后将待识别的人脸图片（或者视频中的某些帧）当作输入，按照同样的特征提取算法，形成其人脸图的矩阵，之后与利用分类器进行分类，识别其属于库内的哪一个类别。

更多参考原文

三、人脸识别的常用方法

人脸识别方法有很多，当前大体可以分为四类：

基于人脸特征点的识别算法（Feature-based recognition algorithms）。
基于整幅人脸图像的识别算法（Appearance-based recognition algorithms）。
基于模板的识别算法（Template-based recognition algorithms）。
利用神经网络进行识别的算法（Recognition algorithms using neural network）。

四、部分结果的提前展示

此次动手实践利用的人脸数据库是ORL人脸数据库，并且为了识别自己的人脸写了一个拍照程序自拍，将采集到的自己的图片信息加入该数据库，形成一个新的包含有自己人脸信息的数据库。

1、以文档程序为例进行展示，当摄像头检测到的人脸是自己时，会“夸"自己是“ 大帅比”，检测结果不是自己时会显示“大丑逼”。哈哈哈，我长的帅已经不是秘密了！（41是指识别判断的结果，41对应我自己，ORL中原有40个人）

2、以MFC程序为例进行展示。同样，当摄像头检测到的人脸是自己时，会“夸"自己是“ 大帅比”，检测结果不是自己时会显示“大丑逼”。而且可以设定当检测结果为数据库中的某一个时，可以在另一个图片控件（picture control）中显示对应一张人脸库中的图像。（各种BUTTON表示不同功能，在接下来的两篇中将进行介绍。）

原文链接

图文精华

小小詹同学

已有(14)人评论

程序员面试必备之排序算法汇总(下)

深入浅出谈谈深度学习~

活跃会员

热心会员

优秀版主

推荐 /2