PCA+SVM进行人脸识别（ORL人脸数据集分类）

问题描述

• 数据集：ORL经典人脸数据集

• 要求：
  （1）利用PCA对每张人脸图片的特征进行降维。每张图片大小是92x112，转换成特征向量的话共有10304维，代码中将其降至20维。
  （2）将数据集划分成训练集和测试集，训练SVM分类器，在测试集上进行分类。

• 说明
  原始数据集中包含40个文件夹，每个文件夹中有10张图片共400张图片。代码中将所有图片进行转换，生成一个（400，10305）大小的特征矩阵并将该矩阵保存成 feature.txt 文件，方便读取。

  其中前10304维是特征，最后增加1维存放图片的类别序号（即标签， 利用共40类，用1-40表示）

代码

#!/usr/bin/env python
# -*- coding: utf-8 -*-
"""
 @Author   : Sword
 @Date     : 2020/5/12
 @Version  : v1.0
 @File     : ORL_recognition.py 
 @Describe :利用PCA+SVM对ORL数据集进行分类,共40类,将类别标签序号设置为: 1-40
"""
from PIL import Image
import numpy as np
from sklearn.decomposition import PCA
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import classification_report


def make_feature():
    """
    1.将每张图片转成大小为(1, 10304)的特征矩阵
    2.同时将特征矩阵增加一个维度,存放类别序号(共40类,序号从1-40)
    3.最终的特征矩阵大小为: (400, 10305),最后一维表示类别
    """

    # 用于存放当前类别标签(用外层循环i的值来表示)
    # 将该标签列表添加到每张图片特征矩阵的最后一维
    class_list = []

    # 将所有图片的特征向量进行堆叠,最后得到(400,10305)大小的特征矩阵
    # 初始化为[[0]] --> 可以是任意值
    stack_metrix = np.array([[0]])
    for i in range(1, 41):
        """
        每一个文件夹表示一个类
        """
        class_list.append(i)
        class_matrix = np.array(class_list, ndmin=2)
        for j in range(1, 11):
            path = './data/ORL/s{}/{}.pgm'.format(i, j)
            x = Image.open(path)
            data = np.asarray(x)
            data = np.reshape(data, (1, -1))
            one_data = np.column_stack((data, class_matrix))

            # 第一次不堆叠
            if i == 1 and j == 1:
                stack_metrix = one_data
                continue
            stack_metrix = np.row_stack((stack_metrix, one_data))

        class_list.pop()
    np.savetxt('feature.txt', stack_metrix)


def load_data():
    """
    获取样本的特征以及类别标签
    """
    path = 'feature.txt'
    train_data = np.loadtxt(path)
    data = train_data[:, :10304]
    target = train_data[:, -1:]
    return data, target


def train():
    """
    1.PCA+SVM进行分类
    2.PCA降维至20维
    :return:
    """
    data, target = load_data()
    x_train, x_test, y_train, y_test = train_test_split(data, target, test_size=0.3, random_state=13)

    # 利用PCA将特征降至20维
    pca = PCA(n_components=20)
    x_train = pca.fit_transform(x_train)
    svm_clf = SVC(C=100)
    svm_clf.fit(x_train, y_train)

    # 利用在训练集上进行降维的PCA对测试数据进行降维
    # 保证转换矩阵相同
    x_test_process = pca.transform(x_test)
    y_predict = svm_clf.predict(x_test_process)
    score = svm_clf.score(x_test_process, y_test)
    print('测试集上的预测精度为:{}'.format(score))
    print('')
    print('测试集前10个样本的类别为:', y_test[:10].tolist())
    print('预测的类别为:', y_predict[:10])
    print('')
    print(classification_report(y_test, y_predict))


if __name__ == '__main__':
    train()