一、图像特征码计算优化方式

前一章节的图像特征码提取算法是基于像素点的三米色数值的，有时候，图像少量的像素点差异可能干扰识别结果。有两种算法可以使识别效果更好：

1. 将人脸图像大小设置为适当的数值（通常越小越好），这样更能突出人脸的特征，而略去很多干扰项。此外，提取原始特征组后，使用PCA降维技术对原始特征组进行进一步加工，生成最终的特征组，从而更好地表征人脸。
2. 在标准欧氏距离的基础上乘以权重。有两种计算方式：每区域像素设置不同的权重；设置整体权重，使人脸图像矩阵的差分值均匀化。这里使用第2种方式。

二、变异系数

变异系数是衡量资料中各观测值变异程度的一个统计量。当进行两个或多个资料变异程度的比较时，如果度量单位与平均数相同，可以直接利用标准差来比较。如果单位和（或）平均数不同时，比较其变异程度就不能采用标准差，而需采用标准差与平均数的比值（相对值）来比较。

离散系数指标有：全距（极差）系数、平均差系数、方差系数和标准差系数等。常用的是标准差系数，用CV(Coefficient of Variance)表示。
CV(Coefficient of Variance):标准差与均值的比率。

用公式表示为：CV=σ/μCV=σ/μ

计算公式：

• 极差（全距）系数：Vr=R/X′Vr=R/X′ ；

• 平均差系数：Va，d=A.D/X′Va，d=A.D/X′；

• 方差系数：V方差=方差/X′V方差=方差/X′ ；

• 标准差系数：V标准差=标准差/X′V标准差=标准差/X′；

其中，X’表示X的平均数。

—-百度百科

变异系数可以消除因为平均数不同在变异程度比较中产生的干扰。变异系数越小，数据离平均值的偏离程度越小；反之，变异系数越大，数据离平均值的偏离程度越大。

这里对变异系数进行改进，将标准差用方差代替，然后将改进的变异系数的倒数作为计算欧氏距离的调节系数，这样做的效果是：将偏离程度较大的数据赋予较小的权重，将偏离程度越小的数据赋予较大的权重中。最后将标准欧氏距离乘以调节权重，从而实现差异平均化，让改进后的欧氏矩阵更好地表征人脸整体差异。

三、代码示例

def get_distance(img,findimg): newsize=(21,21) fimg=cv2.resize(findimg,newsize) img = cv2.resize(img,newsize) my_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) my_fimg = cv2.cvtColor(fimg, cv2.COLOR_BGR2GRAY) # PCA降维 pcaimg = mlpy.PCA() pcaimg.learn(my_img) pca_img = pcaimg.transform(my_img,k=1) pca_img=pcaimg.transform_inv(pca_img) pcafimg = mlpy.PCA() pcafimg.learn(my_fimg) pca_fimg = pcaimg.transform(my_fimg,k=1) pca_fimg = pcafimg.transform_inv(pca_fimg) # 计算基于整体权重的欧氏距离 return get_EuclideanDistance(pca_img,pca_fimg)

其它部分代码与上一节相同。

运行效果：