這篇文章主要介紹了如何使用python實(shí)現(xiàn)人臉識別經(jīng)典算法,具有一定借鑒價值,感興趣的朋友可以參考下,希望大家閱讀完這篇文章之后大有收獲,下面讓小編帶著大家一起了解一下。
創(chuàng)新互聯(lián)建站2013年至今,先為濱海等服務(wù)建站,濱海等地企業(yè),進(jìn)行企業(yè)商務(wù)咨詢服務(wù)。為濱海企業(yè)網(wǎng)站制作PC+手機(jī)+微官網(wǎng)三網(wǎng)同步一站式服務(wù)解決您的所有建站問題。第三方庫:opencv for python、numpy
第一種比較經(jīng)典的算法就是特征臉法,本質(zhì)上其實(shí)就是PCA降維,這種算法的基本思路是,把二維的圖像先灰度化,轉(zhuǎn)化為一通道的圖像,之后再把它首尾相接轉(zhuǎn)化為一個列向量,假設(shè)圖像大小是20*20的,那么這個向量就是400維,理論上講組織成一個向量,就可以應(yīng)用任何機(jī)器學(xué)習(xí)算法了,但是維度太高算法復(fù)雜度也會隨之升高,所以需要使用PCA算法降維,然后使用簡單排序或者KNN都可以。
只當(dāng)搬運(yùn)工,送上鏈接。
PCA ,這篇博客講得非常好了,從原理到實(shí)現(xiàn)基本看這個就能搞出來了:PCA的數(shù)學(xué)原理
特征臉法:PCA應(yīng)用在人臉識別當(dāng)中:人臉識別經(jīng)典算法一:特征臉方法(Eigenface) ,這里與PCA有不同的操作就是特征值分解的時候,由于圖像組成的列向量維度太高,直接按照PCA算法求解會很慢,所以這里有一種特殊的處理方法。
數(shù)據(jù)組織形式為若干樣本圖片分類放入對應(yīng)文件夾中,然后在統(tǒng)一存放入face文件夾下,測試圖像單獨(dú)一張圖像即可。
另外,由于PCA中維度是一個很麻煩的事情,所以在程序中,我打印了很多維度信息,有助于我們理解PCA的工作過程和調(diào)試。
代碼如下:
#encoding=utf-8 import numpy as np import cv2 import os class EigenFace(object): def __init__(self,threshold,dimNum,dsize): self.threshold = threshold # 閾值暫未使用 self.dimNum = dimNum self.dsize = dsize def loadImg(self,fileName,dsize): ''''' 載入圖像,灰度化處理,統(tǒng)一尺寸,直方圖均衡化 :param fileName: 圖像文件名 :param dsize: 統(tǒng)一尺寸大小。元組形式 :return: 圖像矩陣 ''' img = cv2.imread(fileName) retImg = cv2.resize(img,dsize) retImg = cv2.cvtColor(retImg,cv2.COLOR_RGB2GRAY) retImg = cv2.equalizeHist(retImg) # cv2.imshow('img',retImg) # cv2.waitKey() return retImg def createImgMat(self,dirName): ''''' 生成圖像樣本矩陣,組織形式為行為屬性,列為樣本 :param dirName: 包含訓(xùn)練數(shù)據(jù)集的圖像文件夾路徑 :return: 樣本矩陣,標(biāo)簽矩陣 ''' dataMat = np.zeros((10,1)) label = [] for parent,dirnames,filenames in os.walk(dirName): # print parent # print dirnames # print filenames index = 0 for dirname in dirnames: for subParent,subDirName,subFilenames in os.walk(parent+'/'+dirname): for filename in subFilenames: img = self.loadImg(subParent+'/'+filename,self.dsize) tempImg = np.reshape(img,(-1,1)) if index == 0 : dataMat = tempImg else: dataMat = np.column_stack((dataMat,tempImg)) label.append(subParent+'/'+filename) index += 1 return dataMat,label def PCA(self,dataMat,dimNum): ''''' PCA函數(shù),用于數(shù)據(jù)降維 :param dataMat: 樣本矩陣 :param dimNum: 降維后的目標(biāo)維度 :return: 降維后的樣本矩陣和變換矩陣 ''' # 均值化矩陣 meanMat = np.mat(np.mean(dataMat,1)).T print '平均值矩陣維度',meanMat.shape diffMat = dataMat-meanMat # 求協(xié)方差矩陣,由于樣本維度遠(yuǎn)遠(yuǎn)大于樣本數(shù)目,所以不直接求協(xié)方差矩陣,采用下面的方法 covMat = (diffMat.T*diffMat)/float(diffMat.shape[1]) # 歸一化 #covMat2 = np.cov(dataMat,bias=True) #print '基本方法計(jì)算協(xié)方差矩陣為',covMat2 print '協(xié)方差矩陣維度',covMat.shape eigVals, eigVects = np.linalg.eig(np.mat(covMat)) print '特征向量維度',eigVects.shape print '特征值',eigVals eigVects = diffMat*eigVects eigValInd = np.argsort(eigVals) eigValInd = eigValInd[::-1] eigValInd = eigValInd[:dimNum] # 取出指定個數(shù)的前n大的特征值 print '選取的特征值',eigValInd eigVects = eigVects/np.linalg.norm(eigVects,axis=0) #歸一化特征向量 redEigVects = eigVects[:,eigValInd] print '選取的特征向量',redEigVects.shape print '均值矩陣維度',diffMat.shape lowMat = redEigVects.T*diffMat print '低維矩陣維度',lowMat.shape return lowMat,redEigVects def compare(self,dataMat,testImg,label): ''''' 比較函數(shù),這里只是用了最簡單的歐氏距離比較,還可以使用KNN等方法,如需修改修改此處即可 :param dataMat: 樣本矩陣 :param testImg: 測試圖像矩陣,最原始形式 :param label: 標(biāo)簽矩陣 :return: 與測試圖片最相近的圖像文件名 ''' testImg = cv2.resize(testImg,self.dsize) testImg = cv2.cvtColor(testImg,cv2.COLOR_RGB2GRAY) testImg = np.reshape(testImg,(-1,1)) lowMat,redVects = self.PCA(dataMat,self.dimNum) testImg = redVects.T*testImg print '檢測樣本變換后的維度',testImg.shape disList = [] testVec = np.reshape(testImg,(1,-1)) for sample in lowMat.T: disList.append(np.linalg.norm(testVec-sample)) print disList sortIndex = np.argsort(disList) return label[sortIndex[0]] def predict(self,dirName,testFileName): ''''' 預(yù)測函數(shù) :param dirName: 包含訓(xùn)練數(shù)據(jù)集的文件夾路徑 :param testFileName: 測試圖像文件名 :return: 預(yù)測結(jié)果 ''' testImg = cv2.imread(testFileName) dataMat,label = self.createImgMat(dirName) print '加載圖片標(biāo)簽',label ans = self.compare(dataMat,testImg,label) return ans if __name__ == '__main__': eigenface = EigenFace(20,50,(50,50)) print eigenface.predict('d:/face','D:/face_test/1.bmp')
感謝你能夠認(rèn)真閱讀完這篇文章,希望小編分享的“如何使用python實(shí)現(xiàn)人臉識別經(jīng)典算法”這篇文章對大家有幫助,同時也希望大家多多支持創(chuàng)新互聯(lián),關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道,更多相關(guān)知識等著你來學(xué)習(xí)!
網(wǎng)站名稱:如何使用python實(shí)現(xiàn)人臉識別經(jīng)典算法-創(chuàng)新互聯(lián)
地址分享:http://muchs.cn/article0/cdggoo.html
成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián),為您提供外貿(mào)建站、面包屑導(dǎo)航、App設(shè)計(jì)、手機(jī)網(wǎng)站建設(shè)、用戶體驗(yàn)、網(wǎng)站內(nèi)鏈
聲明:本網(wǎng)站發(fā)布的內(nèi)容(圖片、視頻和文字)以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主,如果涉及侵權(quán)請盡快告知,我們將會在第一時間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場,如需處理請聯(lián)系客服。電話:028-86922220;郵箱:631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載,或轉(zhuǎn)載時需注明來源: 創(chuàng)新互聯(lián)
猜你還喜歡下面的內(nèi)容