写在前面：本实验用到的图片均来自google图片，侵删！
实验介绍
用python手写一个简单bp神经网络，实现人脸的性别识别。由于本人的机器配置比较差，所以无法使用网上很红的人脸大数据数据集（如lfw数据集等等），所以我从google图片下载了一些中国明星的照片来作为本次实验的数据集。
训练数据集：5位中国的男明星（每个明星10张），6位中国的女明星（每个明星10张）。
测试数据集：6张女生，6张男生
实验环境
win10
python3.5+opencv+dlib+PIL
说明：上面涉及到的库都可以用pip install #### 轻易下载，但要注意它们之间的关联性，被依赖的库要先安装好。直接google就会有更详细的安装教程哦，所以这里不详说。。
实验步骤
1 下载图片，构成数据集
我随机从google图片中下载了5位男明星的图片和6位女明星的图片。男明星的图片放在/photo/boys文件中，女明星的图片放在/photo/girls文件中。
然后，我又随机从google图片中下载了6张‘女生’的图片和6张‘男生’的图片，分别放在/girltest文件和/boytest文件中
男明星：
女明星：
2 框出人脸，并保存人脸区域
利用别人写好的人脸分类器来截取图片中的人脸，并把从训练集中截取到的人脸放到/faces中。图片排序为0.jpg,1.jpg…从女明星的图片开始读起，然后男明星的接上。具体函数对应get_face_from_photo（）函数。
人脸分类器下载：人脸分类器
框住人脸：
保存下来的人脸区域：
3 将人脸图片灰度化，且改为28*28大小
具体看函数change_photo_size28（）
灰度化后的部分图集：
4 训练
4.1 读取图片的灰度值矩阵
读取图片的灰度值矩阵，读取出来的矩阵为（28，28）的，变为（784，1）的，然后把所有图片的的灰度值矩阵叠加成一个大的矩阵。
具体介绍参照：参考1、参考2
4.2 训练、
梯度下降法
sigmoid函数
5 测试
测试图片的前期处理和训练图片的前期处理一样，先框出人脸，再灰度化和改变大小为28*28。
男生测试集：
女生测试集
规定预测出来的pre>0.5为男生，否则为女生。
完整代码
# -*- coding:utf-8 -*-
'''
内容：训练图片处理和人脸识别的训练部分
作者：surecheun
邮箱：surecheun@163.com
版本：1.0
'''
from PIL import Image
import sys
import dlib
import cv2
import os
import os.path
import numpy as np
import PIL.Image
from pylab import *
def get_face_from_photo(i,path,spath):
'''
利用别人写好的人脸分类器来截取图片中的人脸，并保存到spath中
分类器下载：https://github.com/opencv/opencv/tree/master/data/haarcascades
参考:官方文档
'''
detector = dlib.get_frontal_face_detector() #获取人脸分类
# 读取path路径下的图片，获得所有的图片名字
filenames = os.listdir(path)
for f1 in filenames:
f = os.path.join(path,f1)
iimag = PIL.Image.open(f)
# opencv 读取图片，并显示
img = cv2.imread(f, cv2.IMREAD_COLOR)
b, g, r = cv2.split(img) # 分离三个颜色通道
img2 = cv2.merge([r, g, b]) # 生成新图片
counts = detector(img, 1) #人脸检测
for index, face in enumerate(counts):
# 在图片中标注人脸，并显示
left = face.left()
top = face.top()
right = face.right()
bottom = face.bottom()
#保存人脸区域
j =str(i)
j = j+'.jpg'
save_path = os.path.join(spath,j)
region = (left,top,right,bottom)
#裁切图片
cropImg = iimag.crop(region)
#保存裁切后的图片
cropImg.save(save_path)
i +=1
cv2.rectangle(img, (left, top), (right, bottom), (0, 255, 0), 3)
cv2.namedWindow(f, cv2.WINDOW_AUTOSIZE)
cv2.imshow(f, img)
# 等待按键，退出，销毁窗口
k = cv2.waitKey(0)
cv2.destroyAllWindows()
return i
def change_photo_size28(path,spath):
'''
将人脸图片转化为28*28的灰度图片
'''
filenames = os.listdir(path)
for filename in filenames:
f = os.path.join(path,filename)
iimag = PIL.Image.open(f).convert('L').resize((28,28))
savepath = os.path.join(spath,filename)
#savepath = spath + '/' + filename
iimag.save(savepath)
def read_photo_for_train(k,photo_path):
'''
读取训练图片
'''
for i in range(k):
j = i
j = str(j)
st = '.jpg'
j = j+st
j = os.path.join(photo_path,j)
im1 = array(Image.open(j).convert('L'))
#（28，28）-->(28*28,1)
im1 = im1.reshape((784,1))
#把所有的图片灰度值放到一个矩阵中
#一列代表一张图片的信息
if i == 0:
im = im1
else:
im = np.hstack((im,im1))
return im
def layerout(w,b,x):
'''
sigmoid函数实现
'''
y = np.dot(w,x) + b
t = -1.0*y
# n = len(y)
# for i in range(n):
# y[i]=1.0/(1+exp(-y[i]))
y = 1.0/(1+exp(t))
return y
def mytrain(x_train,y_train):
'''
训练样本：中国某些明星的google图片(106张，女60张，男46张），侵删。女生标签为0，男生标签为1.
训练方法：简单的梯度下降法
参考（本人博客另一篇）：https://blog.csdn.net/yunyunyx/article/details/80539222
'''
'''
设置一个隐藏层，784-->隐藏层神经元个数-->1
'''
step=int(input('mytrain迭代步数：'))
a=double(input('学习因子：'))
inn = 784 #输入神经元个数
hid = int(input('隐藏层神经元个数：'))#隐藏层神经元个数
out = 1 #输出层神经元个数
w = np.random.randn(out,hid)
w = np.mat(w)
b = np.mat(np.random.randn(out,1))
w_h = np.random.randn(hid,inn)
w_h = np.mat(w_h)
b_h = np.mat(np.random.randn(hid,1))
for i in range(step):
#打乱训练样本
r=np.random.permutation(106)
x_train = x_train[:,r]
y_train = y_train[:,r]
#mini_batch
for j in range(100):
x = np.mat(x_train[:,j])
x = x.reshape((784,1))
y = np.mat(y_train[:,j])
y = y.reshape((1,1))
hid_put = layerout(w_h,b_h,x)
out_put = layerout(w,b,hid_put)
#更新公式的实现
o_update = np.multiply(np.multiply((y-out_put),out_put),(1-out_put))
h_update = np.multiply(np.multiply(np.dot((w.T),np.mat(o_update)),hid_put),(1-hid_put))
outw_update = a*np.dot(o_update,(hid_put.T))
outb_update = a*o_update
hidw_update = a*np.dot(h_update,(x.T))
hidb_update = a*h_update
w = w + outw_update
b = b+ outb_update
w_h = w_h +hidw_update
b_h =b_h +hidb_update
return w,b,w_h,b_h
def mytest(x_test,w,b,w_h,b_h):
'''
预测结果pre大于0.5，为男；预测结果小于或等于0.5为女
'''
hid = layerout(w_h,b_h,x_test);
pre = layerout(w,b,hid);
print(pre)
if pre > 0.5:
print("hello,boy!")
else:
print("hello,girl!")
#训练
#框出人脸，并保存到faces中,i为保存的名字
i = 0
#女孩
path = 'C:\Users\yxg\Desktop\photo\girls'
spath = 'C:\Users\yxg\Desktop\faces'
i = get_face_from_photo(i,path,spath)
#男孩
path = 'C:\Users\yxg\Desktop\photo\boys'
i = get_face_from_photo(i,path,spath)
#将人脸图片转化为28*28的灰度图片
path = 'C:\Users\yxg\Desktop\faces'
spath = 'C:\Users\yxg\Desktop\faces'
change_photo_size28(path,spath)
#获取图片信息
im = read_photo_for_train(106,spath)
#归一化
immin = im.min()
immax = im.max()
im = (im-immin)/(immax-immin)
x_train = im
#制作标签，前60张是女生，为0
y1 = np.zeros((1,60))
y2 = np.ones((1,46))
y_train = np.hstack((y1,y2))
#开始训练
print("----------------------开始训练-----------------------------------------")
w,b,w_h,b_h = mytrain(x_train,y_train)
print("-----------------------训练结束------------------------------------------")
#测试
print("--------------------测试女生-----------------------------------------")
#框出人脸，并保存到girltests中,i为保存的名字
i = 0
#女孩测试集
path = 'C:\Users\yxg\Desktop\girltest'
spath = 'C:\Users\yxg\Desktop\girltests'
i = get_face_from_photo(i,path,spath)
#将人脸图片转化为28*28的灰度图片
path = 'C:\Users\yxg\Desktop\girltests'
spath = 'C:\Users\yxg\Desktop\girltests'
change_photo_size28(path,spath)
#获取图片信息
im = read_photo_for_train(6,spath)
#归一化
immin = im.min()
immax = im.max()
im = (im-immin)/(immax-immin)
x_test = im
#print(x_test.shape)
for i in range(6):
xx = x_test[:,i]
xx = xx.reshape((784,1))
mytest(xx,w,b,w_h,b_h)
print("---------------------测试男生-----------------------------")
#框出人脸，并保存到boytests中,i为保存的名字
i = 0
#男孩测试集
path = 'C:\Users\yxg\Desktop\boytest'
spath = 'C:\Users\yxg\Desktop\boytests'
i = get_face_from_photo(i,path,spath)
#将人脸图片转化为28*28的灰度图片
path = 'C:\Users\yxg\Desktop\boytests'
spath = 'C:\Users\yxg\Desktop\boytests'
change_photo_size28(path,spath)
#获取图片信息
im = read_photo_for_train(6,spath)
#归一化
immin = im.min()
immax = im.max()
im = (im-immin)/(immax-immin)
x_test = im
for i in range(6):
xx = x_test[:,i]
xx = xx.reshape((784,1))
mytest(xx,w,b,w_h,b_h)
测试结果
----------------------开始训练--------------------------------------
mytrain迭代步数：300
学习因子：0.26
隐藏层神经元个数：28
-----------------------训练结束--------------------------------------
--------------------测试女生-----------------------------------------
[[0.00435441]]
hello,girl!
[[0.00160697]]
hello,girl!
[[0.47261838]]
hello,girl!
[[0.00344136]]
hello,girl!
[[0.00057052]]
hello,girl!
[[0.00030406]]
hello,girl!
---------------------测试男生-----------------------------
[[0.27352905]]
hello,girl!
[[0.63632333]]
hello,boy!
[[0.60296128]]
hello,boy!
[[0.68961767]]
hello,boy!
[[0.98755486]]
hello,boy!
[[0.99023972]]
hello,boy!看结果，发现效果不错：6张女生图片都被识别对了，而男生只有一个被识别错误。。