点击上方“小白学视觉”,选择加"星标"或“置顶”
重磅干货,第一时间送达
前言
人脸识别是当前很火的一个方向,涵盖了数字图像处理,机器学习和深度学习等领域。小编认为,若已经理解了某一个算法理论,可以拿人脸识别来练练手,因为网上关于人脸识别的项目很多,不至于自己一个人瞎弄找不到方向,而且网上的人脸数据库很多,不用担心数据的问题。本文用机器学习模型的设计步骤来描述人脸识别。
实验数据集叫做 Labeled Faces in the Wild
( http://vis-www.cs.umass.edu/lfw/lfw-funneled.tgz )
1. 数据集分类
下载数据集:
下载数据集到特定的目录(C:\Users\Administrator\scikit_learn_data)
data_home可以设置下载路径。min_faces_person表示只下载每个人的图片超过70张的图片,resize对原图进行缩放。
运行后可能会提示如下错误:
解决方法:
(1)下载图像处理框架:PIL库;
(2) import Image库
数据集分类:
数据集有两种分类方法,对应有不同的模型评估方法:
(1) 数据集分为训练集和测试集,训练集用交叉验证的方法选择最优模型参数,然后用测试集来评估模型性能。
(2) 数据集分为训练集、验证集和测试集,训练集构建模型,验证集选择最优模型参数,然后用测试集来评估模型性能。
若数据较少,推荐第一种方法;数据较多,推荐第二种方法。
这里采用第一种方法:
将数据集随机分成训练集和测试集,且比例为3:1,random_state=42表示设置种子随机器为常数,因此,每次运行后的训练集和测试集是固定的。
2. 特征预处理
图像的每一个像素是一个特征,本次实验的数据集经过缩放后的图像尺寸为50×37,特征共1850个,大于训练数据集容量1288,因此,需要进行降维处理。这里采用PCA(主成分分析法)进行降维,降维原理:把数据投影到正交的基向量,选择前几个方差较大的基向量(后面的文章详细分析这一原理,请继续关注我吧)
首先对训练集使用随机奇异矩阵分解构建基向量,然后用测试集的数据投影到基向量,这两种步骤使训练集和测试集都实现了同一种规则降维,n_components指定维度。
3. 最优模型构建
这里采用了第一种模型评估方法,即训练数据集用交叉验证的方法选择最优参数,测试集评估模型性能。
设置模型可选择的参数范围:
C:模型误分类的惩罚系数
gamma:核函数参数
参数择优模型:
SVC:选择支持向量机模型进行分类
class_weight = 'balanced’ 表示样本的权重相等,若分类正常人和癌症病人的情况,则需要给癌症病人较大的权重。
cv = 5 表示用五折交叉验证的方法去选择最优参数。
构建最优模型:
4. 评估最优模型
测试数据集评估最优模型:
输出混淆矩阵:
结果:
降维后的特征空间图:
降低后的维度(ndim)越小,丢失的信息越多,如下面的对比图:
第一行降低后的维度是150维,第二行的降低后的维度是900维,然后再逆转换为原始空间,很容易得到第二行更清晰且更接近原图。
参考
https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html#sklearn.svm.SVC
小白团队出品:零基础精通语义分割↓↓↓
下载1:OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复:扩展模块中文教程,即可下载全网第一份OpenCV扩展模块教程中文版,涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2:Python视觉实战项目52讲
在「小白学视觉」公众号后台回复:Python视觉实战项目,即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目,助力快速学校计算机视觉。
下载3:OpenCV实战项目20讲
在「小白学视觉」公众号后台回复:OpenCV实战项目20讲,即可下载含有20个基于OpenCV实现20个实战项目,实现OpenCV学习进阶。
交流群
欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~