• Sklearn -PCA 人脸识别 百度网盘sklearn学习API


    PCA脸部识别
    现在让我们用PCA来解决一个脸部识别问题。脸部识别是一个监督分类任务,用于从照片中认出某个
    人。本例中,我们用剑桥大学AT&T实验室的Our Database of Faces数据集
    (http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html),这个数据集包含40个人每个
    人10张照片。这些照片是在不同的光照条件下拍摄的,每张照片的表情也不同。照片都是黑白的,尺
    寸为92 x 112像素。虽然这些图片都不大,但是每张图片的按像素强度排列的特征向量也有10304
    维。这些高维数据的训练可能需要很多样本才能避免拟合过度。而我们样本量并不大,所有我们用
    PCA计算一些主成分来表示这些照片。
    我们可以把照片的像素强度矩阵转换成向量,然后用所有的训练照片的向量建一个矩阵。每个照片都
    是数据集主成分的线性组合。在脸部识别理论中,这些主成分称为特征脸(eigenfaces)。特征脸可
    以看成是脸部的标准化组成部分。数据集中的每张脸都可以通过一些标准脸的组合生成出来,或者说
    是最重要的特征脸线性组合的近似值。

    数据已下载在 E:sklearn 学习att_faces_pca

    from os import walk, path
    import numpy as np
    import PIL from Image
    from sklearn.cross_validation import train_test_split
    from sklearn.cross_validation import cross_val_score
    from sklearn.preprocessing import scale
    from sklearn.decomposition import PCA
    from sklearn.linear_model import LogisticRegression
    from sklearn.metrics import classification_report

    下面我们把照片导入Numpy数组,然后把它们的像素矩阵转换成向量:

    X=[]
    y=[]
    path='E:sklearn 学习att_faces_pca'
    for dir_path, dir_names, file_names in walk(path):
        for fn in file_names:
            if fn[-3:] == 'pgm':
                image_filename = dir_path+('\')+fn
                img=Image.open(image_filename)
                img=np.array(img)
                img=img.reshape(10304)
                img=img.astype('float32')
                scale(img)
                X.append(img)
                y.append(dir_path)

    得到X和y

     将X和y转为array

    X=np.array(X)
    y=np.array(y)
    X_train, X_test, y_train, y_test = train_test_split(X, y) #将X和y分成训练集和验证集,默认比例 75%
    X_train_reduced = pca.fit_transform(X_train)
    X_test_reduced = pca.transform(X_test)
    
    
    print('训练集数据的原始维度是:{}'.format(X_train.shape))
    print('PCA降维后训练集数据是:{}'.format(X_train_reduced.shape))
    
    训练集数据的原始维度是:(300, 10304)
    PCA降维后训练集数据是:(300, 150)
    
    classirfier=LogisticRegression()
    
    accuracies=cross_val_score(classirfier,X_train_reduced,y_train)
    
    accuracies
    Out[90]: array([ 0.77477477,  0.8019802 ,  0.63636364])
    
    accuracies_mean=accuracies.mean()
    
    accuracies_mean
    Out[92]: 0.7377062030527376
  • 相关阅读:
    感想2
    感想1
    记录4
    记录3
    记录2
    记录1
    库存物资管理系统-测试
    开学测试
    大二下开学测试有感
    大二下周总结一
  • 原文地址:https://www.cnblogs.com/vivianzy1985/p/9208933.html
Copyright © 2020-2023  润新知