支持向量机应用:人脸识别

前言

人脸识别是当前很火的一个方向,涵盖了数字图像处理,机器学习和深度学习等领域。小编认为,若已经理解了某一个算法理论,可以拿人脸识别来练练手,因为网上关于人脸识别的项目很多,不至于自己一个人瞎弄找不到方向,而且网上的人脸数据库很多,不用担心数据的问题。本文用机器学习模型的设计步骤来描述人脸识别。

实验数据集叫做 Labeled Faces in the Wild

( http://vis-www.cs.umass.edu/lfw/lfw-funneled.tgz )

1. 数据集分类

下载数据集:

下载数据集到特定的目录(C:\Users\Administrator\scikit_learn_data)

data_home可以设置下载路径。min_faces_person表示只下载每个人的图片超过70张的图片,resize对原图进行缩放。

运行后可能会提示如下错误:

解决方法:

(1)下载图像处理框架:PIL库;

(2) import Image库

数据集分类:

数据集有两种分类方法,对应有不同的模型评估方法:

(1) 数据集分为训练集和测试集,训练集用交叉验证的方法选择最优模型参数,然后用测试集来评估模型性能。

(2) 数据集分为训练集、验证集和测试集,训练集构建模型,验证集选择最优模型参数,然后用测试集来评估模型性能。

若数据较少,推荐第一种方法;数据较多,推荐第二种方法。

这里采用第一种方法:

将数据集随机分成训练集和测试集,且比例为3:1,random_state=42表示设置种子随机器为常数,因此,每次运行后的训练集和测试集是固定的。

2. 特征预处理

图像的每一个像素是一个特征,本次实验的数据集经过缩放后的图像尺寸为50×37,特征共1850个,大于训练数据集容量1288,因此,需要进行降维处理。这里采用PCA(主成分分析法)进行降维,降维原理:把数据投影到正交的基向量,选择前几个方差较大的基向量(后面的文章详细分析这一原理,请继续关注我吧)

首先对训练集使用随机奇异矩阵分解构建基向量,然后用测试集的数据投影到基向量,这两种步骤使训练集和测试集都实现了同一种规则降维,n_components指定维度。

3. 最优模型构建

这里采用了第一种模型评估方法,即训练数据集用交叉验证的方法选择最优参数,测试集评估模型性能。

设置模型可选择的参数范围:

C:模型误分类的惩罚系数

gamma:核函数参数

参数择优模型:

SVC:选择支持向量机模型进行分类

class_weight = 'balanced’ 表示样本的权重相等,若分类正常人和癌症病人的情况,则需要给癌症病人较大的权重。

cv = 5 表示用五折交叉验证的方法去选择最优参数。

构建最优模型:

4. 评估最优模型

测试数据集评估最优模型:

输出混淆矩阵:

结果:

降维后的特征空间图:

降低后的维度(ndim)越小,丢失的信息越多,如下面的对比图:

第一行降低后的维度是150维,第二行的降低后的维度是900维,然后再逆转换为原始空间,很容易得到第二行更清晰且更接近原图。

参考

https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html#sklearn.svm.SVC

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181124G0AHEU00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券