数据集

人脸图像数据集 olivetti_py3.pkz，保存在个人资源处，加载数据：

from sklearn.datasets import fetch_olivetti_faces# 从当前目录下加载人脸数据集，若没有则联网下载到当前目录下
faces = fetch_olivetti_faces(data_home='./')

该数据集一共有 400 张人脸图片，每张图片的大小是：64x64：

faces.images.shape
# (400, 64, 64)

每张图片作为一个样本，一共有 400 个样本，每个样本的特征维度是：64x64 = 4096：

faces.data.shape
# (400, 4096)

400 张图片一共包含 40 个不同的人，每个人有 10 张人脸图片：

from collections import Counter# 统计 target 中每个取值的数量
count=Counter(faces.target)
count
"""
Counter({0: 10,1: 10,2: 10,3: 10,4: 10,...39: 10})
"""

展示前 4 张人脸图片：

%matplotlib inline
import matplotlib.pyplot as plt# 设置子图数量和画布大小
plt.figure(num=4,figsize=(20,5))
# 遍历前 4 张图片和对应的索引（索引从零开始）
for i,face in enumerate(faces.images[:4]):# 1行4列的第i+1个子图plt.subplot(1,4,i+1)# 在对应位置显示子图plt.imshow(face)

确定人脸的类别标记

戴眼镜人脸的图片索引范围：

# 下面的每个元组代表索引的起始和结束（闭区间）
segments = [(10, 19), (30, 32), (37, 38), (50, 59), (63, 64),(69, 69), (120, 121), (124, 129),(130, 139), (160, 161),(164, 169), (180, 182),(185, 185), (189, 189), (190, 192),(194, 194), (196, 199), (260, 269), (270, 279), (300, 309),(330, 339), (358, 359), (360, 369)]

创建类别标记，戴眼镜的人脸为 1，没戴眼镜的人脸为 0：

import numpy as np# 先设置所有样本的标记值为 0
target = np.zeros(faces.target.shape[0])
# 再将戴眼镜人脸索引位置的标记值设置为 1
for seg in segments:target[seg[0]:seg[1]+1]=1
target

划分训练集和测试集与训练

划分数据集：

from sklearn.model_selection import train_test_split# 设置测试集的大小为 20%
X_train, X_test, y_train, y_test = train_test_split(faces.data, target, test_size=0.2, random_state=0)
X_train.shape, X_test.shape, y_train.shape, y_test.shape
# ((320, 4096), (80, 4096), (320,), (80,))

SVM 模型训练：

from sklearn.svm import SVC# 使用线性核函数进行模型训练
model = SVC(kernel='linear').fit(X_train,y_train)

模型准确率评估：

# 训练集的准确率
print('train_accuracy =',model.score(X_train,y_train))
# 测试集的准确率
print('test_accuracy =',model.score(X_test, y_test))
"""
train_accuracy = 1.0
test_accuracy = 0.9875
"""

识别结果可视化：

# 测试集的预测结果
y_pred = model.predict(X_test)
# 样本标记值对应的人脸类别
text = {1:'戴眼镜', 0:'没戴眼镜'}# 设置子图数量和画布大小
plt.figure(num=16,figsize=(20,20))
# 设置显示中文字体（黑体）
plt.rcParams['font.family'] = ['SimHei']# 遍历测试集的 16 张人脸图片对应的特征向量及其索引
for i,face in enumerate(X_test[:16]):# 4行4列的第i+1个子图 plt.subplot(4,4,i+1)# 将特征向量转为二维数组，shape=(64,64)face = face.reshape(64,64)# 将二维数组以图片的形式展现出来plt.imshow(face)# 取出当前人脸的类别标记预测值label = y_pred[i]# 在图片(35,60)的位置标出人脸类别（是否戴眼镜），字体大小为 24，字体颜色为棕色plt.text(x=35,y=60,s=text[label],fontdict={'fontsize':24 ,'color':'brown'})

第十九课.基于sklearn的SVM人脸识别相关推荐

NeHe OpenGL第三十九课：物理模拟
NeHe OpenGL第三十九课:物理模拟物理模拟简介: 还记得高中的物理吧,直线运动,自由落体运动,弹簧.在这一课里,我们将创造这一切. 物理模拟介绍如果你很熟悉物理规律,并且想实现它,这篇 ...
实践数据湖iceberg 第三十四课基于数据湖icerberg的流批一体架构-流架构测试
系列文章目录实践数据湖iceberg 第一课入门实践数据湖iceberg 第二课 iceberg基于hadoop的底层数据格式实践数据湖iceberg 第三课在sqlclient中,以sql ...
python第二十九课——文件读写(复制文件)
自定义函数:实现文件复制操作有形参(2个) 没有返回值相似版(不用) def copyFile(src,dest):#1.打开两个文件:1个关联读操作,1个关联写操作fr=open(src,'rb') ...
ML之SVM：基于sklearn的svm算法实现对支持向量的数据进行标注
ML之SVM:基于sklearn的svm算法实现对支持向量的数据进行标注目录输出结果实现代码输出结果实现代码 import numpy as np import matplotlib.pyp ...
NeHe OpenGL第十九课：粒子系统
NeHe OpenGL第十九课:粒子系统粒子系统: 你是否希望创建爆炸,喷泉,流星之类的效果.这一课将告诉你如何创建一个简单的例子系统,并用它来创建一种喷射的效果. 欢迎来到第十九课.你已经学习了很 ...
Python-opencv学习第二十九课：高斯双边模糊
Python-opencv学习第二十九课:高斯双边模糊文章目录 Python-opencv学习第二十九课:高斯双边模糊一.学习部分二.代码部分 1.引入库 2.读入数据 3.完整代码三.运行结 ...
NeHe OpenGL第二十九课：Blt函数
NeHe OpenGL第二十九课:Blt函数 Blitter 函数: 类似于DirectDraw的blit函数,过时的技术,我们有实现了它.它非常的简单,就是把一块纹理贴到另一块纹理上. 这篇文章是有 ...
NeHe OpenGL教程第二十九课：Blt函数
转自[翻译]NeHe OpenGL 教程前言声明,此 NeHe OpenGL教程系列文章由51博客yarin翻译(2010-08-19),本博客为转载并稍加整理与修改.对NeHe的OpenGL管线 ...
C语言笔记第三十九课程序中的三国天下
第三十九课程序中的三国天下程序中的栈栈是现代计算机程序里最为重要的概念之一栈在程序中用于维护函数调用上下文函数中的参数和局部变量存储在栈上栈是一种行为,一种先进后出的行为栈保存了一个函数 ...

第十九课.基于sklearn的SVM人脸识别

目录

数据集

确定人脸的类别标记

划分训练集和测试集与训练

第十九课.基于sklearn的SVM人脸识别相关推荐

最新文章

热门文章