基于PCA降维实现人脸识别

链接：https://pan.baidu.com/s/15jkVDVrZ2ArZy3IbwG977A
提取码：9syn

实现流程：

定义灰度函数（√）
读入图片数据（√）
均值化函数（√）
百分比转化为函数（√）
pca主函数（√）
可视化特征脸（√）
自带训练数据特征个数和所携带信息数的曲线图（√）
欧式距离法分类（√）
支持向量机法分类（√）

# 导包
import numpy as np
import os
import cv2
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt

# 定义灰度函数（RGB模式调换顺序参数顺序即可）
def bgr2gray(bgr):return np.dot(bgr[...,:3], [0.114, 0.587, 0.299])

# 读入图片数据
dirName = './ORL/'
def loadBmpData(path):y = np.empty([200, 1]) # 类别# X = np.empty([200, 256]) X = np.empty([200, 16384]) # 128*128像素点图像铺平i = 0for filename in os.listdir(path):if filename != "Thumbs.db": # 防止bugy[i] = int(filename[5:7])img = cv2.imread(os.path.join(path,filename))gray_img = bgr2gray(img)# gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 自带函数X[i] = gray_img.reshape(1, -1)# X[i] = np.concatenate((gray_img.mean(axis=0).reshape(1, -1), gray_img.mean(axis=1).reshape(1, -1)), axis=1) i = i + 1return X, y

# 零均值化
def zeroMean(dataMat):      meanVal = np.mean(dataMat, axis=0)     # 按列求均值，即求各个特征的均值newData = dataMat - meanValreturn newData, meanVal

# 百分比转化
def percentage2n(eigVals, percentage):sortArray = np.sort(eigVals)   # 升序sortArray = sortArray[-1: :-1]  # 逆转，即降序arraySum = sum(sortArray)tmpSum = 0num = 0for i in sortArray:tmpSum += inum += 1if tmpSum >= arraySum * percentage:return num

def pca(dataMat, n):newData, meanVal = zeroMean(dataMat)covMat = np.cov(newData, rowvar=0) # 求协方差矩阵,return ndarray；若rowvar非0，一列代表一个样本，为0，一行代表一个样本eigVals, eigVects = np.linalg.eig(np.mat(covMat)) # 求特征值和特征向量,特征向量是按列放的，即一列代表一个特征向量# n = percentage2n(eigVals, percentage) # 要达到percent的方差百分比，需要前n个特征向量eigValIndice = np.argsort(eigVals) # 对特征值从小到大排序n_eigValIndice = eigValIndice[-1 : - (n + 1) : -1] # 最大的n个特征值的下标n_eigVect = eigVects[:, n_eigValIndice] # 最大的n个特征值对应的特征向量lowDDataMat = newData * n_eigVect # 低维特征空间的数据# reconMat = (lowDDataMat * n_eigVect.T) + meanVal # 重构数据return lowDDataMat, meanVal, n_eigVect

# 绘制特征脸
def facePlot(V):figs,objs = plt.subplots(5, 8, figsize=(8,5), subplot_kw={"xticks":[],"yticks":[]})for i,obj in enumerate(objs.flat):obj.imshow(V[i,:].reshape(12, 12), cmap="gray")

from sklearn.decomposition import PCA
def drawComponetsRatio(X):length = min(X.shape[0], X.shape[1])explained_variance_ratio = []for i in range(1, length + 1): pca = PCA(n_components=i).fit(X)explained_variance_ratio.append(pca.explained_variance_ratio_.sum())plt.plot(range(1, length + 1), explained_variance_ratio)plt.show()

X, y = loadBmpData(dirName) # 导入数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=5)
drawComponetsRatio(X_train) # 画出特征个数和所携带信息数的曲线图

def facefind(): # 降维X_train_new, X_mean, V = pca(X_train, 144)X_trainNo = X_train_new.shape[0]X_testNo = X_test.shape[0]X_temp = X_test - X_meanX_test_new = X_temp * V # 得到测试脸在特征向量下的数据# facePlot(X_test_new)X_test_new = np.array(X_test_new)facePlot(np.real(X_test_new))X_train_new = np.array(X_train_new)# 欧式距离true_num = 0for i in range(X_testNo):testFace = X_test_new[i, :]diffMat = X_train_new - testFacesqDiffMat = diffMat**2sqDistances = sqDiffMat.sum(axis=1)sortedDistIndicies = sqDistances.argsort()indexMin = sortedDistIndicies[0]if y_train[indexMin] == y_test[i]:true_num += 1accuracy1 = float(true_num) / X_testNoprint ('The euclid distance classifier accuracy is: %.2f%%'%(accuracy1 * 100))# 支持向量机from sklearn import svmclassifier = svm.SVC(kernel='linear', C=1).fit(np.real(X_train_new), np.real(y_train).ravel())accuracy2 = classifier.score(np.real(X_test_new), np.real(y_test))print ('The svm classifier accuracy is: %.2f%%'%(accuracy2 * 100))

facefind()

The euclid distance classifier accuracy is: 97.50%
The svm classifier accuracy is: 92.50%

基于PCA降维实现人脸识别相关推荐

模式识别与机器学习(作业5)基于PCA–LDA的人脸识别
基于PCA–LDA的人脸识别 ORC数据集提取码: cggh 本次的实验是在模式识别与机器学习(作业4),PCA降维的基础上加入了线性判别分析,对维度进行了进一步的降低. 1. 导入数据一共有40 ...
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 ...
基于PCA方法的人脸识别（Python）
目录 1.PCA简介 2.照片要求 3.创建训练人脸库的特征脸空间 3.1:创建所有训练样本组成的 M×N 矩阵 3.2:计算训练样本的平均值矩阵 3.3:去除平均值,得到规格化后的训练样本矩阵 3. ...
基于DeepFace模型设计的人脸识别软件
资源下载地址:https://download.csdn.net/download/sheziqiong/85601096 人脸识别软件(无外部API) V2.0 基于DeepFace模型设计的人脸识 ...
基于Android系统的人脸识别签到软件
项目名称: 基于Android系统的人脸识别签到软件目录 1 项目介绍..... 1 1.1 项目背景.... 1 1.2 产品特点.... 2 1.3 可行性分析.... 2 1.3.1 ...
基于SVM支持向量机实现人脸识别
文章目录基于SVM支持向量机实现人脸识别 SVM支持向量机的定义 SVM支持向量机的原理作用如何计算SVM支持向量机的权值w和偏置项b 代码实现原理步骤代码实例演示: 基于SVM支持向量机实现人 ...
基于全局信息的人脸识别总结
一. 课题名称基于全局信息的人脸识别算法研究二. 课题的提出在当今社会中,身份确认具有十分重要的价值.随着网络技术的发展,信息安全也显示出了前所未有的重要 ...
模式识别PCA方法实现人脸识别-Python
模式识别PCA方法实现人脸识别-Python 一.学习目标二.学习内容三.学习时间四.学习产出五.正文部分 1.什么是PCA? 2.使用PCA方法进行人脸识别的步骤 1)前期尝试及准备 (1) ...
《繁凡的论文精读》（一）CVPR 2019 基于决策的高效人脸识别黑盒对抗攻击（清华朱军）
点我一文弄懂深度学习所有基础和各大主流研究方向! <繁凡的深度学习笔记>,包含深度学习基础和 TensorFlow2.0,PyTorch 详解,以及 CNN,RNN,GNN,AE,GAN, ...
基于kl变换的人脸识别_简述几种人脸识别的主要方法
人脸识别的方法很多,以下介绍一些主要的人脸识别方法.(1)几何特征的人脸识别方法几何特征可以是眼.鼻.嘴等的形状和它们之间的几何关系(如相互之间的距离).这些算法识别速度快,需要的内存小,但识别率较低 ...

基于PCA降维实现人脸识别

基于PCA降维实现人脸识别

基于PCA降维实现人脸识别相关推荐

最新文章

热门文章