人脸识别——PCA降维

人脸识别——PCA降维
数据
PCA
model+predicted

数据

本实验采集82名同学每人三张共计246张图片，两张用于训练，一张用于测试

PCA

path1 = "E:\\code\\jupyter\\facedata" #文件夹目录
files1 = os.listdir(path1) #得到文件夹下的所有文件名称
labels = []
for file in files1: #遍历文件夹labels.append(file) #每个文件的文本存到list中j = 0
dataname = []
for i in range(0, 82):path2 = path1 + '\\' + labels[i] + '\\'files2 = os.listdir(path2)for file in files2:#获取每个人的图片path3 = path2 + filedataname.append(path3)#dataname是所有图片的路径j = j + 1

images = []
labels = []
for index,face in enumerate(dataname):image = cv2.imread(face, cv2.IMREAD_GRAYSCALE)image = cv2.resize(image, (128, 128))#image是一个128*128的矩阵images.append(image)labels.append(int(index))for i in range(246):labels[i] = int(labels[i]/3)#将图像每三个分为一组

# 图像数据转换特征矩阵
image_data = []
for image in images:data = image.flatten()image_data.append(data)
print(image_data[0].shape)

# 转换为numpy数组
X = np.array(image_data)
y = np.array(labels)
print(type(X))
print(X.shape)

# 画出特征矩阵
data = pd.DataFrame(X)
data

#划分训练集和测试集
x1 = []
y1 = []
x2 = []
y2 = []
for i in range(246):if i%3 != 0:x1.append(X[i])y1.append(y[i])else:x2.append(X[i])y2.append(y[i])x_train = np.array(x1)
y_train = np.array(y1)
x_test = np.array(x2)
y_test = np.array(y2)

print(x_train.shape, y_train.shape, x_test.shape, y_test.shape, sep = '\n')
#164用于训练，82用于测试

model+predicted

# 画出特征个数和所携带信息数的曲线图
explained_variance_ratio = []
for i in range(1,151): pca = PCA(n_components=i).fit(X)explained_variance_ratio.append(pca.explained_variance_ratio_.sum())
plt.plot(range(1,151),explained_variance_ratio)
plt.show()

# 选择维度100，训练PCA模型
pca = PCA(n_components = 100)
pca.fit(X)

#返回测试集和训练集降维后的数据集
x_train_pca = pca.transform(x_train)
x_test_pca = pca.transform(x_test)print(x_train_pca.shape)
print(x_test_pca.shape)
#数据降维到100

#使用svc模型训练预测
svc = SVC(C = 2, kernel='linear', class_weight='balanced')
svc.fit(x_train_pca, y_train)
#svc_pre = svc.predict(x_test)

svc.score(x_test_pca, y_test)
#准确率0.67

#使用“特征脸”模型
model=cv2.face.EigenFaceRecognizer_create()
model.train(x_train_pca, y_train)

label = []
confidence = []
for i in range(82):j, k = model.predict(x_test_pca[i])label.append(j)confidence.append(k)

print('pca', precision_score(y_test, label, average='micro'))
#准确率0.65

本实验主要目的是学习PCA的使用，最终的结果受使用数据的影响，不具参考价值

人脸识别——PCA降维相关推荐

基于PCA 人脸识别/人脸识别算法/人脸检测程序源码MATLAB ELM+PCA人脸识别 PCA人脸识别matlab代码基于PCA算法的人脸识别
1.基于PCA的人脸识别代码 2.MATLAB ELM+PCA人脸识别 2.基于PCA的人脸识别(matlab)(采用PCA算法进行人脸识别,通过抽取人脸的主要成分,构成特征脸空间,识别时将测试图像 ...
人脸识别 pca matlab,基于PCA的人脸识别的Matlab实现代码
基于PCA的人脸识别算法 --Matlab Face recognition Based on PCA 目录人脸识别技术是基于人的脸部特征,对输入的人脸图象或者视频流 . 首先判断其是否存在人脸 , ...
matlab中识别过程训练,人脸识别PCA算法matlab实现及详细步骤讲解
%FaceRec.m %PCA人脸识别修订版,识别率88% %calc xmean,sigma and its eigen decomposition allsamples=[];%所有训练图像 fo ...
PCA实验人脸库-人脸识别（四）
一):人脸数据库 AR人脸库(包含50位男性和50位女性每人26张人脸共2600张人脸图片 ): http://www.datatang.com/data/46195 ORL人脸库(包含40个人的每人 ...
基于PCA的人脸识别_Matlab实现（个人研读之后的一些总结）
以下是我在查阅相关文献之后的一些个人的总结,望大神们指正. 基于PCA的人脸识别 PCA简介这是百度百科的解析: "对于一个训练集,100个对象模板,特征是10维,那么它可以建立一个100 ...
基于MATLAB实现PCA人脸识别
文件大小:76M 代码行数:40行(主程序) 开发环境:Matlab2016.2018.2020 下载地址:点击下载简要概述:基于MATLAB实现PCA人脸识别 PCA,即主成分分析,是一种数据降维 ...
Python+Opencv实现简单PCA人脸识别
基本原理:人脸识别-PCA特征脸_Python_萬仟网上面那个链接被识别成不安全网址,谨慎访问吧 PCA,principal Component Analysis(主成成分分析方法) 1.基本原理 ...
【白话机器学习】算法理论+实战之PCA降维
1. 写在前面如果想从事数据挖掘或者机器学习的工作,掌握常用的机器学习算法是非常有必要的,在这简单的先捋一捋, 常见的机器学习算法: 监督学习算法:逻辑回归,线性回归,决策树,朴素贝叶斯,K近邻,支 ...
白话机器学习算法理论+实战之PCA降维
1. 写在前面如果想从事数据挖掘或者机器学习的工作,掌握常用的机器学习算法是非常有必要的,比如我之前写过的一篇十大机器学习算法的小总结,在这简单的先捋一捋, 常见的机器学习算法: 监督学习算法:逻辑 ...

人脸识别——PCA降维

人脸识别——PCA降维

人脸识别——PCA降维

数据

PCA

model+predicted

人脸识别——PCA降维相关推荐

最新文章

热门文章