一個簡單的完整人臉識別系統

一個簡單的完整人臉識別系統

from __future__ import print_function # 便于測驗新版本函式
from time import time # 從time模塊匯入time，因為有些步驟需要計時
import logging # 列印出一些程式進展資訊
import matplotlib.pyplot as plt # 繪圖的包，即最后將我們預測出來的人臉列印出來
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
import numpy as np
from sklearn.svm import SVC
from sklearn import svm

# 列印輸出日志資訊
logging.basicConfig(level=logging.INFO, format='%(asctime)s%(message)s')

# 使用戶外臉部資料集lfw（Labeled Faces in the Wild）
# minfaces_per_person:int,可選默認無，提取的資料集僅保留包含min_faces_per_person不同圖片的人的照片
# resize調整每張人臉圖片的比例，默認是0.5 ，min_faces_per_person=70
lfw_people = fetch_lfw_people(min_faces_per_person=50, resize=0.4)
# 回傳資料集有多少個實體，h是多少，w是多少
n_samples, h, w = lfw_people.images.shape
print('h=',h)
print('w=',w)
X = lfw_people.data # X矩陣用來裝特征向量，得到資料集的所有實體，每一行是一個實體，每一列是個特征值
# X矩陣呼叫shape回傳矩陣的行數和列數，
n_features = X.shape[1] # X.shape[1]回傳矩陣的列數，對應的特征向量的維度或者特征點多少

# 獲取特征結果集，提取每個實體對應的每個人臉
Y = lfw_people.target # y為classlabel目標分類標記，即不同人的身份
target_names = lfw_people.target_names # 資料集中有多少個人，以人名組成串列回傳
n_classes = target_names.shape[0] # shape[0]就是多少行，多少個人，多少類

print("Total dataset size:") # 資料集中資訊
print("n_samples:%d" % n_samples) # 資料個數1288
print("n_features:%d" % n_features) # 特征個數，維度1850
print("n_classes:%d" % n_classes) # 結果集類別個數，即多少個人

X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.20) # test_size=0.20表示隨機抽取20%的測驗集 五折交叉檢驗

# 自己實作的PCA類及方法
class GsnPCA:
def __init__(self, n_components):
self.n_components = n_components # 主成分的個數n
self.components_ = None # 具體主成分
self.dimensionReductionMatrix=None

def fit(self, X):

def demean(X): # 均值歸零
return X - np.mean(X, axis=0)

def Cov(X):
return np.cov(X.transpose())

print("step1：對樣本去均值，進行中心化")
X_demean=demean(X)
print("step2：求特征協方差矩陣")
sigma=Cov(X_demean)
print("step3：求協方差矩陣的 特征值 和 特征向量")
eigenValues, eigenVectors = np.linalg.eig(sigma)
print("step4：將特征值從大到小排序，選擇前n_components個")
eigenFeatureList = []
for i in range(len(eigenValues)):
eigenFeatureList.append((eigenValues[i], eigenVectors[i]))
# key=lambda tuple: tuple[0]表示按第1個元素（特征值）為排序標準 reverse=True表示降序排序
eigenFeatureList = sorted(eigenFeatureList, key=lambda tuple: tuple[0], reverse=True)
print("step5：合并前n_components個特征向量得到降維變換矩陣")
self.dimensionReductionMatrix = np.array([eigenFeatureList[i][1] for i in range(n_components)])
print(self.dimensionReductionMatrix)

return self

# 將X資料集映射到各個主成分分量中
def transform(self, X):
# print(self.components_.shape[1])
# assert X.shape[1] == self.components_.shape[1]
# return X.dot(self.components_.T)
lower_X = np.matmul(X, self.dimensionReductionMatrix.transpose()).astype(np.float) # 避免出現復數
return lower_X

def inverse_transform(self, X):
return X.dot(self.components_)


# 采用PCA降維，原始資料的特征向量維度非常高，意味著訓練模型的復雜度非常高
# 保存的組件數目，也即保留下來的特征個數n
n_components = 150

print("Expecting the top %d EigenFaces from %faces" % (n_components, X_train.shape[0]))

# 降維
pca = PCA(n_components=n_components, whiten=True).fit(X_train)

t0 = time()# 初始時間
gsnpca = GsnPCA(n_components)
gsnpca.fit(X_train)
print("gsnpca done in %0.3fs" % (time() - t0))

# 從人臉中提取特征點，對于人臉的一張照片提取的特征值名為eigenFaces
eigenFaces = pca.components_.reshape((n_components, h, w))

print("projecting the input data on the EigenFaces orthonormal basis")
# t0 = time()
# # 把訓練集特征向量轉化為更低維的矩陣
# X_train_pca = pca.transform(X_train)
# print(X_train_pca)
X_train_pca = gsnpca.transform(X_train)
print(X_train_pca)
# 把測驗集的特征向量轉化為更低維的矩陣
# X_test_pca = pca.transform(X_test)
X_test_pca = gsnpca.transform(X_test)
print("done in %0.3fs" % (time() - t0))

# 后續

# 訓練一個支持向量機的分類model——構造分類器
print("Fitting the classifier to the training set")
t0 = time()

# c是一個對錯誤部分的懲罰
# gamma的引數對不同核函式有不同的表現，gamma表示使用多少比例的特征點
# 使用不同的c和不同值的gamma，進行多個量的嘗試，然后進行搜索，選出準確率最高模型
param_grid = {
'C': [1e3, 5e3, 1e4, 5e4, 1e5],
'gamma': [0.0001, 0.0005, 0.001, 0.005, 0.01, 0.1]
}
# 呼叫SVM進行分類搜索哪對組合產生最好的歸類精確度
# kernel：rbf高斯徑向基核函式 class_weight權重
# 把所有我們所列引數的組合都放在SVC里面進行計算，最后看出哪一組函式的表現度最好
clf = GridSearchCV(svm.SVC(kernel='rbf', class_weight='balanced'), param_grid=param_grid)
clf = clf.fit(X_train_pca, Y_train)
print("fit done in %0.3fs" % (time() - t0))
print("Best estimator found by grid search:")
print(clf.best_estimator_)

##################進行評估準確率計算######################
print("Predicting people's names on the test set")
t0 = time()
# 預測新的分類
Y_pred = clf.predict(X_test_pca)
print("done in %0.3fs" % (time() - t0))
# 通過classification_report方法進行查看，可以得到預測結果中哪些是正確
print(classification_report(Y_test, Y_pred, target_names=target_names))
# confusion_matrix是建一個n*n的方格，橫行和縱行分別表示真實的每一組測驗的標記和測驗集標記的差別
# 混淆矩陣對角線表示的是正確的值，對角線數字越多表示準確率越高
print(confusion_matrix(Y_test, Y_pred, labels=range(n_classes)))


# 將測驗標記過進行展示，即先弄一個通用的圖片可視化函式：
def plot_gallery(images, titles, h, w, n_row=3, n_col=4):
"""Helper function to plot a gallery of portraits"""
# 建立圖作為背景
# 自定義畫布大小
plt.figure(figsize=(1.8 * n_col, 2.4 * n_row))
# 位置調整
plt.subplots_adjust(bottom=0, left=.01, right=.99, top=.90, hspace=.35)
for i in range(n_row * n_col):
# 設定畫布劃分以及影像在畫布上輸出的位置
plt.subplot(n_row, n_col, i + 1)
# 在軸上顯示圖片
plt.imshow(images[i].reshape((h, w)), cmap=plt.cm.gray)
# 整個畫板的標題
plt.title(titles[i], size=12)
# 獲取或設定x、y軸的當前刻度位置和標簽
plt.xticks(())
plt.yticks(())


# 預測函式歸類標簽和實際歸類標簽列印
# 回傳預測人臉姓和測驗人臉姓的對比title
def title(y_pred, y_test, target_names, i):
# rsplit（' ',1）從右邊開始以右邊第一個空格為界，分成兩個字符
# 組成一個list
# 此處代表把'姓'和'名'分開，然后把后面的姓提出來
# 末尾加[-1]代表參考分割后的串列最后一個元素
pred_name = target_names[y_pred[i]].rsplit(' ', 1)[-1]
true_name = target_names[y_test[i]].rsplit(' ', 1)[-1]
return 'predicted:%s\ntrue: %s' % (pred_name, true_name)


# 預測出的人名
prediction_titles = [title(Y_pred, Y_test, target_names, i) for i in range(Y_pred.shape[0])]
# 測驗集的特征向量矩陣和要預測的人名列印
plot_gallery(X_test, prediction_titles, h, w) # 呼叫plot_gallery函式列印出實際是誰，預測的誰
# 列印原圖和預測的資訊
eigenFaces_titles = ["EigenFace %d" % i for i in range(eigenFaces.shape[0])]
plot_gallery(eigenFaces, eigenFaces_titles, h, w) # 以及提取過特征的臉

plt.show()

標籤：其他

上一篇：【《硬體架構的藝術》讀書筆記】05 低功耗設計（3）

下一篇：Zabbix監控系統