基于SVM的数字手势识别模型

1.将一张图片扩展为n张图片

from keras.preprocessing.image import ImageDataGenerator, array_to_img, img_to_array, load_imgdatagen = ImageDataGenerator(rotation_range=30,width_shift_range=0.2,height_shift_range=0.2,shear_range=0.2,zoom_range=0.2,horizontal_flip=True,fill_mode='nearest')img = load_img('E:\\1.jpg')
x = img_to_array(img)
x = x.reshape((1,) + x.shape)i = 0
for batch in datagen.flow(x, batch_size=1,save_to_dir='E:\Pictures_ML', save_prefix='num', save_format='jpeg'):i += 1if i >10: break

2.将图片压缩为64*48像素

from glob import glob
from PIL import Image
import ossource_dir = 'E:\Pictures_ML'
target_dir = 'E:\Pictures_64'filenames = glob('{}/*'.format(source_dir))
print(filenames)
for filename in filenames:with Image.open(filename) as im:width, height = im.sizeprint(filename, width, height, os.path.getsize(filename))threshold = 2*64*64for filename in filenames:filesize = os.path.getsize(filename)if filesize >= threshold:print(filename)if not os.path.exists(target_dir):os.makedirs(target_dir)for filename in filenames:filesize = os.path.getsize(filename)if filesize >= threshold:print(filename)with Image.open(filename) as im:width, height = im.sizenew_width = 64new_height =48print('adjusted size:', new_width, new_height)resized_im = im.resize((new_width, new_height))output_filename = filename.replace(source_dir, target_dir)resized_im.save(output_filename)

3.将文件夹内图片转pyh5格式

from PIL import Image
import os
import numpy
import h5py
from sklearn.model_selection import train_test_splitdirs = os.listdir("E:\Pictures_64")
Y = []
X = []
for filename in dirs:print(filename)label = int(filename.split('_')[0])print(label)Y.append(label)im = Image.open("E:\Pictures_64//{}".format(filename)).convert('RGB')mat = numpy.asarray(im)mat_1=mat.flatten()X.append(mat_1)
print('-------------------------分割线------------------------------------')file = h5py.File("E:\\filename.h5","a")
file.create_dataset('X', data=numpy.array(X))
file.create_dataset('Y', data=numpy.array(Y))
file.close()

4.读取h5文件内容训练模型

from PIL import Image
import os
import numpy
import h5py
import time
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn import datasetsdata = h5py.File("E:\\filename.h5","r")
X_data = data['X']
Y_data = data['Y']print(X_data.shape)
print(Y_data.shape)print('-------------------------分割线------------------------------------')X_arr=numpy.array(X_data)
Y_arr=numpy.array(Y_data)X_train, X_test, y_train, y_test = train_test_split(X_arr,Y_arr, test_size=0.25, random_state=10)
print(y_train.shape)
print(y_test.shape)print('-------------------------分割线------------------------------------')
from sklearn.preprocessing import StandardScaler
from sklearn.svm import LinearSVC
ss = StandardScaler()
X_train = ss.fit_transform(X_train)
X_test = ss.transform(X_test)
lsvc = LinearSVC()
lsvc.fit(X_train, y_train)
y_predict = lsvc.predict(X_test)
print ('The Accuracy of Linear SVC is', lsvc.score(X_test, y_test))print('-------------------------分割线------------------------------------')
z_predict=lsvc.predict(X_arr)
print(z_predict[200])from sklearn.externals import joblib
# 保存的模型的文件名
file = 'E:\\svm.joblib'
# 保存模型
joblib.dump(lsvc,file)
# 读取模型
svm_model = joblib.load(file)

5.读取保存的模型并测试

from PIL import Image
import os
import numpy
import h5py
import time
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn import datasets
from sklearn.externals import joblib# 保存的模型的文件名
file = "E:\\svm.joblib"
# 读取模型
lsvc= joblib.load(file)data = h5py.File("E:\\filename.h5","r")
X_data = data['X']
Y_data = data['Y']X_arr=numpy.array(X_data)
Y_arr=numpy.array(Y_data)Z_predict=lsvc.predict(X_arr)
print(Z_predict[209])import osos.system("explorer c:\program files")

基于SVM的数字手势识别模型相关推荐

dnn模型 list index out of range_基于svm的财务预警模型
前言本文将我国A股上市公司作为研究对象,选取了A股 2015-2019 年度被 ST 或被 *ST上市公司,剔除了部分非财务原因导致ST或*ST的上市公司.财务指标选择了T-3期的资产负债率.流动比 ...
数字孪生模型构建理论及应用
源自:计算机集成制造系统作者:陶飞张贺戚庆林徐俊孙铮胡天亮刘晓军刘庭煜关俊涛陈畅宇孟凡伟张辰源李志远魏永利朱铭浩肖斌摘要数字孪生作 ...
Android基于卷积神经网络的数字手势识别识别数字手势0-10 Android studio编译
这篇博客主要基于我做的一个数字手势识别APP,具体分享下如何一步步训练一个卷积神经网络模型(CNN)模型,然后把模型集成到Android Studio中,开发一个数字手势识别APP.Android基于 ...
基于SVM技术的手写数字识别
老师常说,在人工智能未发展起来之前,SVM技术是一统江湖的,SVM常常听到,但究竟是什么呢?最近研究了一下基于SVM技术的手写数字识别.你没有看错,又是手写数字识别,就是喜欢这个手写数字识别,没办法( ...
r语言 svm 大样本_r语言基于SVM模型的文本分类研究附数据代码
1 Perceptron 与 SVM 概念介绍 1.1 感知机 (Perceptron) 感知机( perceptron ) 1957 年由 Rosenblatt 提出,是神经网络与支持向量机的基础 ...
ML之SVM：基于SVM(支持向量机)之SVC算法对手写数字图片识别进行预测
ML之SVM:基于SVM(支持向量机)之SVC算法对手写数字图片识别进行预测目录输出结果设计思路核心代码输出结果设计思路核心代码 X_train = ss.fit_transform(X ...
持久化的基于L2正则化和平均滑动模型的MNIST手写数字识别模型
持久化的基于L2正则化和平均滑动模型的MNIST手写数字识别模型觉得有用的话,欢迎一起讨论相互学习~Follow Me 参考文献Tensorflow实战Google深度学习框架实验平台: Tens ...
孪生神经网络_轩辕实验室：数字孪生：基于机器学习的汽车数字孪生模型
本文来源:A. Rassolkin, T. Vaimann, A. Kallaste, and V. Kuts, "Digital twin for propulsion drive of ...
网格向量必须包含特征点。_【专题研究】基于SVM支持向量机模型的选股策略
研究过集成学习中的随机森林和XGBoost后,本文将介绍一种更传统的机器学习方法:SVM支持向量机.SVM由于其较高的准确度,并且能够解决非线性分类问题,曾一度成为非常流行的机器学习算法.本文分别介绍 ...

基于SVM的数字手势识别模型

基于SVM的数字手势识别模型相关推荐

最新文章

热门文章