在本文中，我們將使用主成分分析和支持向量機(jī)來(lái)建立人臉識(shí)別模型。

首先，讓我們了解PCA和SVM是什么：

主成分分析：主成分分析（PCA）是一種機(jī)器學(xué)習(xí)算法，廣泛應(yīng)用于探索性數(shù)據(jù)分析和建立預(yù)測(cè)模型，它通常用于降維，通過(guò)將每個(gè)數(shù)據(jù)點(diǎn)投影到前幾個(gè)主成分上，以獲得低維數(shù)據(jù)，同時(shí)盡可能保留數(shù)據(jù)的變化。

Matt Brems的文章全面深入地介紹了該算法?，F(xiàn)在，讓我們用更簡(jiǎn)單的術(shù)語(yǔ)來(lái)理解算法：假設(shè)我們現(xiàn)在正在收集數(shù)據(jù)，我們的數(shù)據(jù)集產(chǎn)生了多個(gè)變量、多個(gè)特征，所有這些都會(huì)在不同方面影響結(jié)果。我們可能會(huì)選擇刪除某些特征，但這意味著會(huì)丟失信息。因此我們開源使用另一種減少特征數(shù)量（減少數(shù)據(jù)維數(shù)）的方法，通過(guò)提取重要信息并刪除不重要的信息來(lái)創(chuàng)建新的特征，這樣，我們的信息就不會(huì)丟失，但起到減少特征的作用，而我們模型的過(guò)擬合幾率也會(huì)減少。支持向量機(jī)支持向量機(jī)（SVM）是一種用于兩組分類問(wèn)題的有監(jiān)督機(jī)器學(xué)習(xí)模型，在為每個(gè)類別提供一組帶標(biāo)簽的訓(xùn)練數(shù)據(jù)后，他們能夠?qū)π碌臏y(cè)試數(shù)據(jù)進(jìn)行分類。

支持向量機(jī)基于最大化間隔的平面對(duì)數(shù)據(jù)進(jìn)行分類，決策邊界是直的。支持向量機(jī)是一種很好的圖像分類算法，實(shí)驗(yàn)結(jié)果表明，支持向量機(jī)在經(jīng)過(guò)3－4輪相關(guān)優(yōu)化后，其搜索精度明顯高于傳統(tǒng)的查詢優(yōu)化方案，這對(duì)于圖像分割來(lái)說(shuō)也是如此，包括那些使用改進(jìn)的支持向量機(jī)。Marco Peixeiro的文章解釋了需要有一個(gè)最大間隔超平面來(lái)分類數(shù)據(jù)，開源幫助你更好地理解SVM！人臉識(shí)別人臉是由許多像素組成的高維數(shù)據(jù)。高維數(shù)據(jù)很難處理，因?yàn)椴荒苡枚S數(shù)據(jù)的散點(diǎn)圖等簡(jiǎn)單技術(shù)進(jìn)行可視化。我們要做的是利用PCA對(duì)數(shù)據(jù)的高維進(jìn)行降維處理，然后將其輸入到SVM分類器中對(duì)圖像進(jìn)行分類。下面的代碼示例取自關(guān)于eigenfaces的sklearn文檔，我們將一步一步地實(shí)現(xiàn)代碼，以了解其復(fù)雜性和結(jié)果。導(dǎo)入相關(guān)庫(kù)和模塊首先，我們將導(dǎo)入所需的庫(kù)和模塊，我們將在后文深入討論我們?yōu)槭裁匆獙?dǎo)入它們。import pylab as pl

import numpy as np

from matplotlib import pyplot as plt

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 as RandomizedPCA

from sklearn．svm import SVC

將數(shù)據(jù)加載到Numpy數(shù)組中接下來(lái)，我們將數(shù)據(jù)下載到磁盤中，并使用fetch＿lfw＿people將其作為NumPy數(shù)組加載到sklearn．datasetslfw＿people ＝ fetch＿lfw＿people（min＿faces＿per＿person＝70， resize＝0．4）

lfw數(shù)據(jù)集包括一個(gè)用于研究無(wú)約束人臉識(shí)別問(wèn)題的人臉圖像數(shù)據(jù)庫(kù)，它從網(wǎng)絡(luò)收集的13000多張照片中包含了超過(guò)13000張照片，每個(gè)人臉都貼上了照片，1680個(gè)人臉在數(shù)據(jù)集中有兩張或兩張以上不同的照片。圖像采用灰度值（像素值＝0－255）。

圖像Numpy數(shù)組接下來(lái)，我們將尋找圖像數(shù)組圖片的形狀。我們使用NumPy shape屬性，該屬性返回一個(gè)元組，每個(gè)索引都有對(duì)應(yīng)元素的數(shù)量。

n＿samples， h， w ＝ lfw＿people．images．shape

np．random．seed（42）

從變量explorer可以看到，我們有1288個(gè)樣本（圖片），高度為50px，寬度為37px（50x37＝1850個(gè)特征）Numpy數(shù)組我們使用lfw＿people 的data數(shù)組，直接存儲(chǔ)在X中，我們將在以后的處理中使用這些數(shù)據(jù)。X ＝ lfw＿people．data

n＿features ＝ X．shape［1］

X中的數(shù)據(jù)有1288個(gè)樣本，每個(gè)樣本有1850個(gè)特征。label接下來(lái)，我們將定義label，這些label是圖片所屬人的id。y ＝ lfw＿people．target

target＿names ＝ lfw＿people．target＿names

n＿classes ＝ target＿names．shape［0］

這里，y代表目標(biāo)，它是每個(gè)圖片的標(biāo)簽。標(biāo)簽由target＿names變量進(jìn)一步定義，該變量由7個(gè)要識(shí)別的人的姓名組成。

target是一個(gè)1288x1的NumPy數(shù)組，它包含1288張圖片對(duì)應(yīng)名稱的0–6值，因此，如果id＝0的目標(biāo)值為5，則表示該人臉為“Hugo Chavez”，如target＿names中所示：

因此，y是數(shù)字形式的目標(biāo)，target＿names是名稱中的任何目標(biāo)／標(biāo)簽，n＿classes是存儲(chǔ)類數(shù)量的變量，在我們的例子中，我們有7個(gè)：Ariel SharonColin PowellDonald RumsfeldGeorge W BushGerhard Schr?derHugo ChavezTony Blair

讓我們打印出變量：print（＂Total dataset size：＂）

print（＂n＿samples： ％d＂， n＿samples）

print（＂n＿features： ％d＂， n＿features）

print（＂n＿classes： ％d＂， n＿classes）

所以，我們有1288個(gè)樣本（圖片），每個(gè)樣本總共有1850個(gè)特征（50px37px）和7個(gè)類（人）。劃分訓(xùn)練集和測(cè)試集接下來(lái)，我們使用sklearn．model＿selection將數(shù)據(jù)（X－特征和y－標(biāo)簽）分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，其中25％用于測(cè)試，其余75％用于訓(xùn)練模型。X＿train， X＿test， y＿train， y＿test ＝ train＿test＿split（X， y， test＿size＝0．25， random＿state＝42）

以下是變量X－train、X＿test、y＿train和y＿test：

基于PCA的降維方法現(xiàn)在，我們從 sklearn．decomposition中選擇PCA 以訓(xùn)練模型。我們已經(jīng)在第一段代碼中導(dǎo)入了PCA在我們的例子中，我們?cè)谟?xùn)練集X＿train中總共有966個(gè)特征，我們使用PCA（維數(shù)縮減）將它們減少到50個(gè)：n＿components ＝ 50

pca ＝ RandomizedPCA（n＿components＝n＿components， whiten＝True）．fit（X＿train）

這個(gè)過(guò)程需要不到一秒鐘的時(shí)間，這可以通過(guò)使用時(shí)間函數(shù)進(jìn)行驗(yàn)證（讓我們暫時(shí)跳過(guò)它）?，F(xiàn)在我們將重塑PCA組件并定義特征臉，這是在人臉識(shí)別的計(jì)算機(jī)視覺(jué)問(wèn)題中使用的一組特征向量的名稱：eigenfaces ＝ pca．components＿．reshape（（n＿components， h， w））

如截圖所示，特征臉是一個(gè)50×50×37的Numpy數(shù)組，50對(duì)應(yīng)于特征的數(shù)量。接下來(lái)，我們使用PCA在X＿train 和X＿test 上的transform 函數(shù)來(lái)降低維數(shù)。X＿train＿pca ＝ pca．transform（X＿train）

X＿test＿pca ＝ pca．transform（X＿test）

從上面的截圖可以看出，通過(guò)PCA算法，X＿train和X＿test的維數(shù)都被降低了，每一個(gè)都將特征從1850個(gè)減少到50個(gè)（正如我們?cè)谒惴ㄖ卸x的那樣）。訓(xùn)練SVM分類器一旦我們完成了降維，就開始分類了。首先，我們將訓(xùn)練SVM分類模型。我們使用GridSearchCV，這是一個(gè)庫(kù)函數(shù)，它是一種調(diào)整超參數(shù)的方法，它將系統(tǒng)地為網(wǎng)格中指定的算法參數(shù)的每個(gè)組合建立和評(píng)估模型，并在最佳估計(jì)量，參數(shù)在參數(shù)網(wǎng)格中給出：print（＂Fitting the classifier to the training set＂）

param＿grid ＝ ｛

＇C＇： ［1e3， 5e3， 1e4， 5e4， 1e5］，

＇gamma＇： ［0．0001， 0．0005， 0．001， 0．005， 0．01， 0．1］，

｝

clf ＝ GridSearchCV（SVC（kernel＝＇rbf＇， class＿weight＝＇balanced＇）， param＿grid）

clf ＝ clf．fit（X＿train＿pca， y＿train）

print（＂Best estimator found by grid search：＂）

print（clf．best＿estimator＿）

我們數(shù)據(jù)的最佳分類器是SVC，參數(shù)如下：SVC（C＝1000， class＿weight ＝ ‘balanced’， gamma＝0．01）預(yù)測(cè)現(xiàn)在讓我們?cè)跍y(cè)試數(shù)據(jù)上預(yù)測(cè)這些人的名字，我們使用從GridSearchCV中找到的分類器，它已經(jīng)在訓(xùn)練數(shù)據(jù)擬合。print（＂Predicting the people names on the testing set＂）

y＿pred ＝ clf．predict（X＿test＿pca）

分類報(bào)告和混淆矩陣一旦預(yù)測(cè)完成，讓我們打印分類報(bào)告，它顯示了模型的精度、召回率、F1分?jǐn)?shù)和支持分?jǐn)?shù)，這使我們對(duì)分類器的行為有了更深入的直覺(jué)。print（classification＿report（y＿test， y＿pred， target＿names＝target＿names））

讓我們打印混淆矩陣：print（confusion＿matrix（y＿test， y＿pred， labels＝range（n＿classes）））

混淆矩陣打印真正例、假正例和假反例的值，并提供分類器的概述。繪圖最后，我們將繪制人物肖像和特征臉！我們將定義兩個(gè)函數(shù)：title在測(cè)試集的一部分繪制預(yù)測(cè)結(jié)果，plot＿gallery通過(guò)繪制它們來(lái)評(píng)估預(yù)測(cè)：def title（y＿pred， y＿test， target＿names， i）：

pred＿name ＝ target＿names［y＿pred［i］］．rsplit（＇ ＇， 1）［－1］

true＿name ＝ target＿names［y＿test［i］］．rsplit（＇ ＇， 1）［－1］

return ＇predicted： ％strue： ％s＇ ％ （pred＿name， true＿name）

def plot＿gallery（images， titles， h， w， n＿row＝3， n＿col＝4）：

＂＂＂繪制肖像庫(kù)的幫助函數(shù)＂＂＂

plt．figure（figsize＝（1．8 ＊ n＿col， 2．4 ＊ n＿row））

plt．subplots＿adjust（bottom＝0， left＝．01， right＝．99， top＝．90， hspace＝．35）

for i in range（n＿row ＊ n＿col）：

plt．subplot（n＿row， n＿col， i ＋ 1）

plt．imshow（images［i］．reshape（（h， w））， cmap＝plt．cm．gray）

plt．title（titles［i］， size＝12）

plt．xticks（（））

plt．yticks（（））

現(xiàn)在讓我們?cè)跍y(cè)試集的一部分繪制預(yù)測(cè)結(jié)果：prediction＿titles ＝ ［title（y＿pred， y＿test， target＿names， i）

for i in range（y＿pred．shape［0］）］

plot＿gallery（X＿test， prediction＿titles， h， w）

現(xiàn)在讓我們繪制特征面。我們使用在上面代碼塊中定義的eigenfaces變量。eigenface＿titles ＝ ［＂eigenface ％d＂ ％ i for i in range（eigenfaces．shape［0］）］

plot＿gallery（eigenfaces， eigenface＿titles， h， w）

plt．show（）

最后，我們來(lái)繪制PCA＋SVM模型用于人臉識(shí)別的精度：from sklearn．metrics import accuracy＿score

score ＝ accuracy＿score（y＿test， y＿pred）

print（score）

我們的準(zhǔn)確分?jǐn)?shù)是0．81！雖然這并不是一個(gè)完美的分?jǐn)?shù)，還有很大的改進(jìn)空間，但PCA和SVM的人臉識(shí)別為我們提供了進(jìn)一步強(qiáng)大算法的起點(diǎn)！結(jié)論本文利用PCA和SVM建立了一個(gè)人臉識(shí)別模型。主成分分析算法被用來(lái)減少數(shù)據(jù)的維數(shù)，然后利用支持向量機(jī)進(jìn)行分類，通過(guò)超參數(shù)調(diào)整尋找最佳估計(jì)量。我們對(duì)這些肖像進(jìn)行了分類，準(zhǔn)確度得分為0．81。

責(zé)任編輯：gt