python实现人脸识别经典算法(一) 特征脸法


Posted in Python onMarch 13, 2018

近来想要做一做人脸识别相关的内容,主要是想集成一个系统,看到opencv已经集成了三种性能较好的算法,但是还是想自己动手试一下,毕竟算法都比较初级。

操作环境:python2.7

第三方库:opencv for python、numpy

第一种比较经典的算法就是特征脸法,本质上其实就是PCA降维,这种算法的基本思路是,把二维的图像先灰度化,转化为一通道的图像,之后再把它首尾相接转化为一个列向量,假设图像大小是20*20的,那么这个向量就是400维,理论上讲组织成一个向量,就可以应用任何机器学习算法了,但是维度太高算法复杂度也会随之升高,所以需要使用PCA算法降维,然后使用简单排序或者KNN都可以。

只当搬运工,送上链接。

PCA ,这篇博客讲得非常好了,从原理到实现基本看这个就能搞出来了:PCA的数学原理

特征脸法:PCA应用在人脸识别当中:人脸识别经典算法一:特征脸方法(Eigenface) ,这里与PCA有不同的操作就是特征值分解的时候,由于图像组成的列向量维度太高,直接按照PCA算法求解会很慢,所以这里有一种特殊的处理方法。

数据组织形式为若干样本图片分类放入对应文件夹中,然后在统一存放入face文件夹下,测试图像单独一张图像即可。

另外,由于PCA中维度是一个很麻烦的事情,所以在程序中,我打印了很多维度信息,有助于我们理解PCA的工作过程和调试。

代码如下:

#encoding=utf-8 
import numpy as np 
import cv2 
import os 
 
class EigenFace(object): 
 def __init__(self,threshold,dimNum,dsize): 
 self.threshold = threshold # 阈值暂未使用 
 self.dimNum = dimNum 
 self.dsize = dsize 
 
 def loadImg(self,fileName,dsize): 
 ''''' 
 载入图像,灰度化处理,统一尺寸,直方图均衡化 
 :param fileName: 图像文件名 
 :param dsize: 统一尺寸大小。元组形式 
 :return: 图像矩阵 
 ''' 
 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): 
 ''''' 
 生成图像样本矩阵,组织形式为行为属性,列为样本 
 :param dirName: 包含训练数据集的图像文件夹路径 
 :return: 样本矩阵,标签矩阵 
 ''' 
 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函数,用于数据降维 
 :param dataMat: 样本矩阵 
 :param dimNum: 降维后的目标维度 
 :return: 降维后的样本矩阵和变换矩阵 
 ''' 
 # 均值化矩阵 
 meanMat = np.mat(np.mean(dataMat,1)).T 
 print '平均值矩阵维度',meanMat.shape 
 diffMat = dataMat-meanMat 
 # 求协方差矩阵,由于样本维度远远大于样本数目,所以不直接求协方差矩阵,采用下面的方法 
 covMat = (diffMat.T*diffMat)/float(diffMat.shape[1]) # 归一化 
 #covMat2 = np.cov(dataMat,bias=True) 
 #print '基本方法计算协方差矩阵为',covMat2 
 print '协方差矩阵维度',covMat.shape 
 eigVals, eigVects = np.linalg.eig(np.mat(covMat)) 
 print '特征向量维度',eigVects.shape 
 print '特征值',eigVals 
 eigVects = diffMat*eigVects 
 eigValInd = np.argsort(eigVals) 
 eigValInd = eigValInd[::-1] 
 eigValInd = eigValInd[:dimNum] # 取出指定个数的前n大的特征值 
 print '选取的特征值',eigValInd 
 eigVects = eigVects/np.linalg.norm(eigVects,axis=0) #归一化特征向量 
 redEigVects = eigVects[:,eigValInd] 
 print '选取的特征向量',redEigVects.shape 
 print '均值矩阵维度',diffMat.shape 
 lowMat = redEigVects.T*diffMat 
 print '低维矩阵维度',lowMat.shape 
 return lowMat,redEigVects 
 
 def compare(self,dataMat,testImg,label): 
 ''''' 
 比较函数,这里只是用了最简单的欧氏距离比较,还可以使用KNN等方法,如需修改修改此处即可 
 :param dataMat: 样本矩阵 
 :param testImg: 测试图像矩阵,最原始形式 
 :param label: 标签矩阵 
 :return: 与测试图片最相近的图像文件名 
 ''' 
 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 '检测样本变换后的维度',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): 
 ''''' 
 预测函数 
 :param dirName: 包含训练数据集的文件夹路径 
 :param testFileName: 测试图像文件名 
 :return: 预测结果 
 ''' 
 testImg = cv2.imread(testFileName) 
 dataMat,label = self.createImgMat(dirName) 
 print '加载图片标签',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')

 以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
python网络编程示例(客户端与服务端)
Apr 24 Python
30分钟搭建Python的Flask框架并在上面编写第一个应用
Mar 30 Python
Python实现返回数组中第i小元素的方法示例
Dec 04 Python
书单|人生苦短,你还不用python!
Dec 29 Python
Python中顺序表的实现简单代码分享
Jan 09 Python
python实现list由于numpy array的转换
Apr 04 Python
DataFrame中去除指定列为空的行方法
Apr 08 Python
Python Flask前后端Ajax交互的方法示例
Jul 31 Python
浅述python2与python3的简单区别
Sep 19 Python
django的聚合函数和aggregate、annotate方法使用详解
Jul 23 Python
Python中time与datetime模块使用方法详解
Mar 31 Python
Elasticsearch 数据类型及管理
Apr 19 Python
tensorflow实现softma识别MNIST
Mar 12 #Python
wxpython实现图书管理系统
Mar 12 #Python
人生苦短我用python python如何快速入门?
Mar 12 #Python
tensorflow实现KNN识别MNIST
Mar 12 #Python
Python操作MySQL模拟银行转账
Mar 12 #Python
python3 图片referer防盗链的实现方法
Mar 12 #Python
tensorflow构建BP神经网络的方法
Mar 12 #Python
You might like
global.php
2006/12/09 PHP
PHP常用特殊运算符号和函数总结(php新手入门必看)
2013/02/02 PHP
php生成数组的使用示例 php全组合算法
2014/01/16 PHP
php关联数组快速排序的方法
2015/04/17 PHP
PHP针对伪静态的注入总结【附asp与Python相关代码】
2017/08/01 PHP
jQuery对象[0]是什么含义?
2010/07/31 Javascript
Prototype的Class.create函数解析
2011/09/22 Javascript
js arguments对象应用介绍
2012/11/28 Javascript
原生Js页面滚动延迟加载图片实现原理及过程
2013/06/24 Javascript
jsonp原理及使用
2013/10/28 Javascript
js返回上一页并刷新的多种实现方法
2014/02/26 Javascript
Js实现简单的小球运动特效
2016/02/18 Javascript
详解Vue.js动态绑定class
2016/12/20 Javascript
基于Bootstrap的标签页组件及bootstrap-tab使用说明
2017/07/25 Javascript
简单谈谈js的数据类型
2017/09/25 Javascript
jQuery 获取除某指定对象外的其他对象 ( :not() 与.not())
2018/10/10 jQuery
小程序显示弹窗时禁止下层的内容滚动实现方法
2019/03/20 Javascript
微信小程序在其他页面监听globalData中值的变化
2019/07/15 Javascript
js实现左右轮播图
2020/01/09 Javascript
js实现无缝轮播图插件封装
2020/07/31 Javascript
常用python数据类型转换函数总结
2014/03/11 Python
python实现简单的TCP代理服务器
2014/10/08 Python
python Django批量导入不重复数据
2016/03/25 Python
python负载均衡的简单实现方法
2018/02/04 Python
python 从csv读数据到mysql的实例
2018/06/21 Python
浅谈Python里面小数点精度的控制
2018/07/16 Python
解决pandas .to_excel不覆盖已有sheet的问题
2018/12/10 Python
Python使用sklearn库实现的各种分类算法简单应用小结
2019/07/04 Python
Django stark组件使用及原理详解
2019/08/22 Python
django 模型中的计算字段实例
2020/05/19 Python
HTML5新特性之用SVG绘制微信logo
2016/02/03 HTML / CSS
LookFantastic丹麦:英国美容护肤精品在线商城
2016/08/18 全球购物
一级方程式赛车官方网上商店:F1 Store(支持中文)
2018/01/12 全球购物
酒店管理专业毕业生求职自荐信
2014/04/28 职场文书
会计专业自荐书
2014/07/08 职场文书
游戏《我的世界》澄清Xbox版暂无计划加入光追
2022/04/03 其他游戏