机器学习笔记--SVM实现人脸识别

目录

1--前言

2--项目路径总览

3--数据集处理

4--SVM实现人脸识别

5--参考

6--补充说明

---

1--前言

①模式识别作业

②数据集：ORL Database of Faces

③原理：SVM

2--项目路径总览

3--数据集处理

①代码：

from PIL import Image
import numpy as np

def gen_dataset(data_path):
    Label_Num = 40 # 40类
    Image_Num = 10 # 10图
    data = []
    for i in range(Label_Num): # 遍历40类
        for j in range(Image_Num): # 遍历每个类的10张图片
            # 根据路径读取图片
            img_path = data_path + 's{}/{}.pgm'.format(i+1, j+1)
            img = Image.open(img_path)
            img = np.array(img) # 转换成numpy数组格式
            img = np.reshape(img, (1, -1)) # reshape 10304

            label = np.array(i, ndmin=2) # label [x] （取值: 0~39）
            img_label = np.column_stack((img, label)) # img和label 10305 最后一位为样本的label

            data.append(img_label) # 存储当前样本数据
    return data

if __name__ == "__main__":
    data_path = './dataset/ORL/att_faces/orl_faces/'
    save_path = './dataset/dataset.npy'
    dataset = gen_dataset(data_path)
    np.save(save_path, dataset)

②运行gen_data.py生成数据集文件dataset.npy

python gen_data.py

4--SVM实现人脸识别

①调用sklearn提供的api：

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 load_dataset(data_path):
    dataset = np.load(data_path).reshape((400, -1)) # 导入数据集，shape: 400 10305

    data = dataset[:, :10304] # img_data
    label = dataset[:, -1:] # label
    return data, label

if __name__ == "__main__":
    data_path = './dataset/dataset.npy'
    data, label = load_dataset(data_path) # 导入数据

    # 划分训练集和验证集
    x_train, x_test, y_train, y_test = train_test_split(data, label, test_size=0.3, random_state=13)

    # 利用PCA进行降维（20维）
    pca = PCA(n_components=20)
    x_train = pca.fit_transform(x_train)

    # 调用SVM API进行训练, C为正则化系数
    svm_clf = SVC(C=100)
    svm_clf.fit(x_train, y_train)

    # 对验证集进行相同的处理
    x_test = pca.transform(x_test)
    label = svm_clf.predict(x_test) # 预测标签

    score = svm_clf.score(x_test, y_test) # 计算准确率
    report = classification_report(y_test, label) # 报告
    print('分类详细报告如下: \n', report)
    print('分类准确率为: ', score)

②调用api程序的执行结果：

python svm.py

③load_dataset()和train_test_split可以用以下函数代替，在ORL数据集上测试发现准确率有随机性，但相差不大；

def split_dataset(data_path, proportion = 0.7):
    dataset = np.load(data_path)# 导入数据集，shape: 400 1 10305
    sample_sum = dataset.shape[0] # 样本数
    dataset = dataset.reshape((sample_sum, -1)) # 400 10305
    np.random.shuffle(dataset) # 打乱数据

    train_dataset = dataset[:int(sample_sum*proportion), :] # 70%为训练集
    test_dataset = dataset[int(sample_sum*proportion):, :] # 30%为验证集

    x_train = train_dataset[:, :10304] # 训练data
    y_train = train_dataset[:, -1:] # 训练label

    x_test = test_dataset[:, :10304]  # 验证data
    y_test = test_dataset[:, -1:]  # 验证label

    return x_train, x_test, y_train, y_test

if __name__ == "__main__":
    data_path = './dataset/dataset.npy'
    proportion = 0.7 # 训练集比例

    # 划分训练集和验证集
    x_train, x_test, y_train, y_test = split_dataset(data_path = data_path, proportion = 0.7)
    #……
    #……

④关于使用sklearn自带的pca进行训练集和验证集的降维，相关疑问可以参考这两篇博客：博客1

和博客2：

pca = PCA(n_components=20)
x_train = pca.fit_transform(x_train)

上述代码可以用以下代码代替，博主在ORL数据集上测试发现两者符号相反，数值相等；但由于后面对验证集进行pca降维时，需要用到训练集的参数进行标准化（原因见博客2），所以建议还是使用sklearn自带的api进行降维处理；

# 利用PCA进行降维（20维）
n_components = 20
means = np.mean(x_train, axis=0)
x_train = x_train - means
U, S, V = linalg.svd(new_x_train, full_matrices=False)
x_train = U[:, :n_components] * S[:n_components]

5--参考

参考链接1

6--补充说明

未完待续！