keras实现LFW测试

部分代码由朋友提供，如有侵权，请及时联系。
1、裁剪图像。
可以自己写，但有时候会出现漏检测。其次，也可以网上下载，但是需要写脚本处理图像的格式以及进行再分类。
网上下载地址：http://conradsanderson.id.au/lfwcrop/

2、读取pairs文件，生成自己的label文件,每行包含图像位置信息以及标签（0-不同人，1-同一个人）
读取

    def read_pairs(self, pairs_filename):pairs = []f = open(pairs_filename, 'r')while True:line = f.readline().strip('\n').split()if not line:breakif len(line) ==3 or len(line) == 4:pairs.append(line) #print(pairs)return pairs

生成

    def get_paths(self, ori_path, pairs):ori_path = 'E:/sign_system/lfw/'file = open('E:/sign_system/execute_system/testcode/labelcrop_3.txt', 'w')labellines = []for i in range(0, len(pairs)):if len(pairs[i]) == 3:labelline = ori_path+pairs[i][0] + '/' + pairs[i][0] + '_' + \'%04d' % int(pairs[i][1]) + '.jpg' + '\t' +ori_path + '/' + \pairs[i][0] + '/' + pairs[i][0] + '_' +'%04d' % int(pairs[i][2])\+ '.jpg' + '\t' + '1\n'labellines.append(labelline)elif len(pairs[i]) == 4:labelline = ori_path+pairs[i][0] + '/' + pairs[i][0] + '_' + \'%04d' % int(pairs[i][1]) + '.jpg' + '\t' + ori_path + '/' +\pairs[i][2] + '/'+ pairs[i][2] + '_' + '%04d' % int(pairs[i][3])\+ '.jpg' + '\t' + '0\n'labellines.append(labelline)else:print("error!!!!")file.writelines(labellines)file.close()

3、再次读取文件，生成label文件中同一行的左右图像特征
读取label文件

    def readImagelist(self,labelFile):file = open(labelFile)lines = file.readlines()file.close()left = []right = []labels = []for line in lines:path = line.strip('\n').split('\t')#read left imageleft.append(path[0])#read right imageright.append(path[1])#read labellabels.append(int(path[2]))assert(len(left) == len(right))assert(len(right) == len(labels))return left, right, labels

提取特征

提取前需要在前面导入模型

        self.model = Model_half()path = '‘’（你需要导入模型的地址）self.model = load_model(path)

提取

    def extractFeature(self, leftImageList, rightImageList):leftfeature = []rightfeature = []   for i in range(0, len(leftImageList)):if (i%200 == 0):print("there are %d images done!"%i)#读取左边图像,并提取特征imagel = cv2.imread(leftImageList[i])#图像标准化，为了提取特征if K.image_data_format() == 'channels_first' and imagel.shape != (1, 3, 224, 224):imagel = resize_image(imagel)                            imagel = imagel.reshape((1, 224, 224, 3))            elif K.image_data_format() == 'channels_last' and imagel.shape != (1, 224, 224, 3):imagel = resize_image(imagel)imagel = imagel.reshape((1, 224, 224, 3))            imagel = imagel.astype('float32')imagel /= 255.0f1 = self.model.predict(imagel, batch_size = 128)[0]leftfeature.append(f1)#读取右边图像,并提取特征imager = cv2.imread(rightImageList[i])     if K.image_data_format() == 'channels_first' and imager.shape != (1, 3, 224, 224):imager = resize_image(imager)                            imager = imager.reshape((1, 224, 224, 3))            elif K.image_data_format() == 'channels_last' and imager.shape != (1, 224, 224, 3):imager = resize_image(imager)imager = imager.reshape((1, 224, 224, 3))            imager = imager.astype('float32')imager /= 255.0 f2 =self.model.predict(imager, batch_size = 128)[0]rightfeature.append(f2)return leftfeature, rightfeature

4、计算余弦相似度并做归一化
注意：余弦相似度与余弦距离的区别，可以参考我的文章：https://blog.csdn.net/u010847579/article/details/88893107
求出余弦相似度

    dis = 1-pw.pairwise_distances(leftfeature, rightfeature, metric='cosine')distance = np.empty((len(labels),))for i in range(len(labels)):distance[i] = dis[i][i]

余弦相似度归一化（这一步也可以不做，看自己的需求）

    distance_norm = np.empty((len(labels)))for i in range(len(labels)):distance_norm[i] = (distance[i]-np.min(distance))/(np.max(distance)-np.min(distance))

5、计算不同阈值下的精确度，确定最佳精度以及生成tpr,fpr的关系图
计算精确度

    def calculate_accuracy(self,distance, labels, num):accuracy = {}predict = np.empty((num,))threshold = 0.1while threshold <= 0.9:for i in range(num):if distance[i] >= threshold:predict[i] = 1else:predict[i] = 0predict_right =0.0for i in range(num):if predict[i] == labels[i]:predict_right += 1.0current_accuracy = (predict_right / num)accuracy[str(threshold)] = current_accuracythreshold = threshold + 0.001#将字典按照value排序temp = sorted(accuracy.items(), key = lambda d:d[1], reverse = True)highestAccuracy = temp[0][1]thres = temp[0][0]return highestAccuracy, thres

生成

fpr, tpr, thresholds = sklearn.metrics.roc_curve(labels, distance_norm)

绘制roc

    def draw_roc_curve(self, fpr,tpr,title='cosine',save_name='roc_lfw'):plt.figure()plt.plot(fpr, tpr)plt.plot([0, 1], [0, 1], 'k--')plt.xlim([0.0, 1.0])plt.ylim([0.0, 1.0])plt.xlabel('False Positive Rate')plt.ylabel('True Positive Rate')plt.title('Receiver operating characteristic using: '+title)plt.legend(loc="lower right")pathplt = ''(保存的地址)    plt.savefig(pathplt)plt.show()

效果，随便拿的一个轻量化模型。

如图，可以看到最高准确率以及对应的阈值。

以上差不多就整体完成了，如有疑问，可以私信留言。

keras实现LFW测试相关推荐

Keras安装与测试
Keras是高度封装的包,适合初学者学习深度学习网络框架,比如我这个小白,一切都在尝试中,每天都在安装各种库各种API!!! Keras 安装: 环境 anconda(含pip,python3.6) ...
python keras模块安装检测_Keras安装与测试遇到的坑
Keras是基于python的深度学习库 Keras是一个高层神经网络API,Keras由纯Python编写而成并基Tensorflow.Theano以及CNTK后端. 安装步骤及遇到的坑: (1)安 ...
Ubuntu 18.04+NVidia显卡+Anaconda3+Tensorflow-GPU安装、配置、测试（无需手动安装CUDA）
其中其决定作用的是这篇文章 https://www.pugetsystems.com/labs/hpc/Install-TensorFlow-with-GPU-Support-the-Easy-Wa ...
python 无法引用 tensorflow.keras_win10+anaconda安装tensorflow和keras遇到的坑小结
win10下利用anaconda安装tensorflow和keras的教程都大同小异(针对CPU版本,我的gpu是1050TI的MAX-Q,不知为啥一直没安装成功),下面简单说下步骤. 一 Anaco ...
win10+anaconda安装tensorflow和keras遇到的坑小结
win10下利用anaconda安装tensorflow和keras的教程都大同小异(针对CPU版本,我的gpu是1050TI的MAX-Q,不知为啥一直没安装成功),下面简单说下步骤. 一 Anaco ...
python机器学习系列教程——深度学习框架比较TensorFlow、Theano、Caffe、SciKit-learn、Keras
全栈工程师开发手册 (作者:栾鹏) python教程全解 Theano Theano在深度学习框架中是祖师级的存在.Theano基于Python语言开发的,是一个擅长处理多维数组的库,这一点和nump ...
ICCV 2021 | 性能炸裂的通道剪枝算法ResRep(Keras复现)
清华大学&旷世科技 Lossless CNN Channel Pruning via Decoupling Remembering and Forgetting paper:https://a ...
Keras构建用于分类任务的Transformer（Vision Transformer/VIT）
文章目录一.Vision Transformer (ViT)详细信息二.Vision Transformer结构三.Keras实现 3.1 相关包 3.2 数据读取 3.3 声明超参数 3.4 ...
python预测股票 keras_使用LSTM模型预测股价基于Keras
本期作者:Derrick Mwiti 本期翻译:HUDPinkPig 未经授权,严禁转载编者按:本文介绍了如何使用LSTM模型进行时间序列预测.股票市场的数据由于格式规整和非常容易获得,是作为研究的 ...

keras实现LFW测试

keras实现LFW测试相关推荐

最新文章

热门文章