3.4 svm人脸识别

python代码：

from __future__ import print_function
from time import time
import logging
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.datasets import fetch_lfw_people
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import classification_report
from sklearn.metrics import confusion_matrix
from sklearn.decomposition import PCA
from sklearn.svm import SVCdef main():logging.basicConfig( level=logging.INFO ,format='%(asctime)s %(message)s' )peoples = fetch_lfw_people( min_faces_per_person=70 )# 下面介绍数据预处理和分类# 返回多少个图shapes,h,w = peoples.images.shape# X是特征向量的矩阵，每一行是个实例，每一列是个特征值X = peoples.data# n_featers表示的就是维度n_features = X.shape[1]  # 维度：每个人会提取多少的特征值# 提取每个实例对应每个人脸，目标分类标记，不同的人的身份y = peoples.targettarget_names = peoples.target_namesn_classes = target_names.shape[0]    #多少行，shape就是多少行，多少个人，多少类# 下面开始拆分数据，分成训练集和测试集,有个现成的函数，通过调用train_test_split；来分成两部分X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)# 数据降维，因为特征值的维度还是比较高n_components = 150t0 = time()  # 计算出打印每一步需要的时间pca = PCA(n_components=n_components, whiten=True).fit(X_train)eigenfaces = pca.components_.reshape((n_components, h, w))t0 = time()X_train_pca = pca.transform(X_train)  # 特征量中训练集所有的特征向量通过pca转换成更低维的矩阵X_test_pca = pca.transform(X_test)# param_grid把参数设置成了不同的值，C：权重；gamma：多少的特征点将被使用，因为我们不知道多少特征点最好，选择了不同的组合param_grid = {'C': [1e3, 5e3, 1e4, 5e4, 1e5],'gamma': [0.0001, 0.0005, 0.001, 0.005, 0.01, 0.1], }# 把所有我们所列参数的组合都放在SVC里面进行计算，最后看出哪一组函数的表现度最好clf = GridSearchCV(SVC(kernel='rbf'), param_grid)# 其实建模非常非常简单，主要是数据的预处理麻烦clf = clf.fit(X_train_pca, y_train)# 测试集预测看看准确率能到多少y_pred = clf.predict(X_test_pca)# print(classification_report(y_test, y_pred, target_names=target_names)) #预测精确度# print(confusion_matrix(y_test, y_pred, labels=range(n_classes))) #混淆矩阵# 把预测出来的人名存起来prediction_titles = [title(y_pred, y_test, target_names, i)for i in range(y_pred.shape[0])]plot_gallery(X_test, prediction_titles, h, w)# 降维后的图片eigenface_titles = ['eigenface %d' %i for i in range(eigenfaces.shape[0])]# 提取过特征向量之后的脸是什么样子plot_gallery(eigenfaces, eigenface_titles, h, w)# 把预测的函数归类标签和实际函数归类标签，比如布什
def title(y_pred, y_test, target_names, i):pred_name = target_names[y_pred[i]].rsplit(' ', 1)[-1]true_name = target_names[y_test[i]].rsplit(' ', 1)[-1]flag = "No"if pred_name == true_name:flag = "Yes"result = " flag:{0}\n predicted :{1} \n true : {2} ".format(flag,pred_name,true_name)return result#把数据可视化的可以看到，把需要打印的图打印出来
def plot_gallery(images,titles,h,w,n_row=3,n_col=4):"""Helper function to plot a gallery of portraits"""#在figure上建立一个图当背景plt.figure(figsize=(1.8*n_col,2.4*n_row))plt.subplots_adjust(bottom=0,left=.01,right=.99,top=.90,hspace=.35)for i in range(n_row * n_col):plt.subplot(n_row,n_col,i+1)plt.imshow(images[i].reshape((h,w)),cmap=plt.cm.gray)plt.title(titles[i],size=12)plt.xticks(())plt.yticks(())plt.show()main()

人脸识别结果：

降维后结果：

3.4 svm人脸识别相关推荐

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实验为基于sklearn的SVM人脸识别,使用 SVM 算法对戴眼镜的人脸和不戴眼镜的人脸进行分类,从而完成识别戴眼镜的人脸的任务:实验 ...
麦子学院深度学习视频SVM人脸识别课程代码修改及实现
1.麦子学院深度学习SVM人脸识别原代码对应修改 2.代码实现 1.麦子学院深度学习SVM人脸识别原代码对应修改 1.1 from sklearn.cross_validation import tr ...
【机器学习超详细】机器学习案例之SVM人脸识别技术应用 PCA降维结果可视化支持向量机
基础知识介绍: LFW人脸识别数据集(http://vis-www.cs.umass.edu/lfw/) 该实验可以在JupyterNotebook上运行,也可在其他Python程序上运行.(本人习惯 ...
【人脸识别】PCA+SVM人脸识别（准确率）【含GUI Matlab源码 823期】
⛄一.简介 1 PCA-SVM原理 1.1 主成分分析PCA 本文处理的所有原始图片都是112x 92大小的pgm格式图片, 每幅图片包含10304个像素点, 每一行代表一个样本,维数就是10304维 ...
【人脸识别】Gabor+SVM比较PCA+SVM人脸识别【含GUI Matlab源码 685期】
⛄一.简介 Gabor+SVM:利用Gabor程序实现对人脸的特征提取,然后用SVM进行分类: 1 Gabor Gabor 特征提取算法可以在不同方向上描述局部人脸特征,对光照.遮挡以及表情变换等情况 ...
【人脸识别】基于PCA+SVM人脸识别（准确率）matlab源码含GUI
一.简介 1 PCA\ PCA(Principal Component Analysis)是常用的数据分析方法.PCA是通过线性变换,将原始数据变换为一组各维度线性无关的数据表示方法,可用于提取数据的 ...
PCA主成分分析+SVM实现人脸识别
原文地址: http://ihoge.cn/2018/PCA+SVM人脸识别.html 加载数据这里使用的测试数据共包含40位人员照片,每个人10张照片.也可登陆http://www.cl.cam. ...
机器学习——SVM（支持向量机）与人脸识别
目录系列文章目录一.SVM的概念与原理 1.SVM简介 2.SVM基本流程 3.SVM在多分类中的推广二.经典SVM运用于图像识别分类三.SVM运用于人脸识别 1.预处理 1.1 数据导入与处 ...
基于支持向量机 (SVM) 和稀疏表示理论 (SRC) 的人脸识别比较
一背景 1.1 支持向量机简介支持向量机(Support Vector Machine,SVM)是AT&TBell 实验室的V.Vapnik等人提出的一种机器学习算法,是迄今为止最重要的机 ...

3.4 svm人脸识别

3.4 svm人脸识别相关推荐

最新文章

热门文章