色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
电子发烧友
开通电子发烧友VIP会员 尊享10大特权
海量资料免费下载
精品直播免费看
优质内容免费畅学
课程9折专享价
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

如何利用PCA和SVM建立一個人臉識別模型

牽手一起夢 ? 來源:磐創(chuàng)AI ? 作者:磐創(chuàng)AI ? 2020-12-31 14:19 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

在本文中,我們將使用主成分分析和支持向量機來建立人臉識別模型。

首先,讓我們了解PCA和SVM是什么:

主成分分析:主成分分析(PCA)是一種機器學習算法,廣泛應(yīng)用于探索性數(shù)據(jù)分析和建立預(yù)測模型,它通常用于降維,通過將每個數(shù)據(jù)點投影到前幾個主成分上,以獲得低維數(shù)據(jù),同時盡可能保留數(shù)據(jù)的變化。

Matt Brems的文章全面深入地介紹了該算法。現(xiàn)在,讓我們用更簡單的術(shù)語來理解算法: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)生了多個變量、多個特征,所有這些都會在不同方面影響結(jié)果。我們可能會選擇刪除某些特征,但這意味著會丟失信息。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,通過提取重要信息并刪除不重要的信息來創(chuàng)建新的特征,這樣,我們的信息就不會丟失,但起到減少特征的作用,而我們模型的過擬合幾率也會減少。支持向量機支持向量機(SVM)是一種用于兩組分類問題的有監(jiān)督機器學習模型,在為每個類別提供一組帶標簽的訓練數(shù)據(jù)后,他們能夠?qū)π碌臏y試數(shù)據(jù)進行分類。

支持向量機基于最大化間隔的平面對數(shù)據(jù)進行分類,決策邊界是直的。支持向量機是一種很好的圖像分類算法,實驗結(jié)果表明,支持向量機在經(jīng)過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,這對于圖像分割來說也是如此,包括那些使用改進的支持向量機。Marco Peixeiro的文章解釋了需要有一個最大間隔超平面來分類數(shù)據(jù),開源幫助你更好地理解SVM!人臉識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,因為不能用二維數(shù)據(jù)的散點圖等簡單技術(shù)進行可視化。我們要做的是利用PCA對數(shù)據(jù)的高維進行降維處理,然后將其輸入到SVM分類器中對圖像進行分類。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現(xiàn)代碼,以了解其復(fù)雜性和結(jié)果。導(dǎo)入相關(guān)庫和模塊首先,我們將導(dǎo)入所需的庫和模塊,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,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)集包括一個用于研究無約束人臉識別問題的人臉圖像數(shù)據(jù)庫,它從網(wǎng)絡(luò)收集的13000多張照片中包含了超過13000張照片,每個人臉都貼上了照片,1680個人臉在數(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)。

如何利用PCA和SVM建立一個人臉識別模型

圖像Numpy數(shù)組接下來,我們將尋找圖像數(shù)組圖片的形狀。我們使用NumPy shape屬性,該屬性返回一個元組,每個索引都有對應(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個樣本(圖片),高度為50px,寬度為37px(50x37=1850個特征)Numpy數(shù)組我們使用lfw_people 的data數(shù)組,直接存儲在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個樣本,每個樣本有1850個特征。label接下來,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,它是每個圖片的標簽。標簽由target_names變量進一步定義,該變量由7個要識別的人的姓名組成。

如何利用PCA和SVM建立一個人臉識別模型

target是一個1288x1的NumPy數(shù)組,它包含1288張圖片對應(yīng)名稱的0–6值,因此,如果id=0的目標值為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,target_names是名稱中的任何目標/標簽,n_classes是存儲類數(shù)量的變量,在我們的例子中,我們有7個: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個樣本(圖片),每個樣本總共有1850個特征(50px37px)和7個類(人)。劃分訓練集和測試集接下來,我們使用sklearn.model_selection將數(shù)據(jù)(X-特征和y-標簽)分為訓練數(shù)據(jù)和測試數(shù)據(jù),其中25%用于測試,其余75%用于訓練模型。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,我們在訓練集X_train中總共有966個特征,我們使用PCA(維數(shù)縮減)將它們減少到50個:n_components = 50

pca = RandomizedPCA(n_components=n_components, whiten=True).fit(X_train)

這個過程需要不到一秒鐘的時間,這可以通過使用時間函數(shù)進行驗證(讓我們暫時跳過它)。現(xiàn)在我們將重塑PCA組件并定義特征臉,這是在人臉識別的計算機視覺問題中使用的一組特征向量的名稱:eigenfaces = pca.components_.reshape((n_components, h, w))

如何利用PCA和SVM建立一個人臉識別模型

如截圖所示,特征臉是一個50×50×37的Numpy數(shù)組,50對應(yīng)于特征的數(shù)量。接下來,我們使用PCA在X_train 和X_test 上的transform 函數(shù)來降低維數(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PCA算法,X_train和X_test的維數(shù)都被降低了,每一個都將特征從1850個減少到50個(正如我們在算法中定義的那樣)。訓練SVM分類器一旦我們完成了降維,就開始分類了。首先,我們將訓練SVM分類模型。我們使用GridSearchCV,這是一個庫函數(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)的每個組合建立和評估模型,并在最佳估計量,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)測現(xiàn)在讓我們在測試數(shù)據(jù)上預(yù)測這些人的名字,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)

分類報告和混淆矩陣一旦預(yù)測完成,讓我們打印分類報告,它顯示了模型的精度、召回率、F1分數(shù)和支持分數(shù),這使我們對分類器的行為有了更深入的直覺。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!我們將定義兩個函數(shù):title在測試集的一部分繪制預(yù)測結(jié)果,plot_gallery通過繪制它們來評估預(yù)測: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)在讓我們在測試集的一部分繪制預(yù)測結(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,我們來繪制PCA+SVM模型用于人臉識別的精度:from sklearn.metrics import accuracy_score

score = accuracy_score(y_test, y_pred)

print(score)

我們的準確分數(shù)是0.81!雖然這并不是一個完美的分數(shù),還有很大的改進空間,但PCA和SVM的人臉識別為我們提供了進一步強大算法的起點!結(jié)論本文利用PCA和SVM建立了一個人臉識別模型。主成分分析算法被用來減少數(shù)據(jù)的維數(shù),然后利用支持向量機進行分類,通過超參數(shù)調(diào)整尋找最佳估計量。我們對這些肖像進行了分類,準確度得分為0.81。

責任編輯:gt

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 人臉識別
    +關(guān)注

    關(guān)注

    77

    文章

    4089

    瀏覽量

    84387
  • 機器學習
    +關(guān)注

    關(guān)注

    66

    文章

    8505

    瀏覽量

    134706
收藏 0人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關(guān)推薦
    熱點推薦

    人臉方向識別算法

    人臉識別
    深蕾半導(dǎo)體
    發(fā)布于 :2025年07月22日 09:58:29

    【EASY EAI Orin Nano開發(fā)板試用體驗】EASY-EAI-Toolkit人臉識別

    本篇使用算法組件實現(xiàn)人臉檢測。 .準備工作 1.首先使用到EASY-EAI-Toolkit組件,ubuntu掛載目錄下克隆git clone https://github.com/EASY-EAI
    發(fā)表于 07-20 14:40

    基于LockAI視覺識別模塊:C++人臉識別

    的BaseDataset和CropDataset需要提前創(chuàng)建。BaseDataset用于存儲已有的人臉圖像,同一個人人臉圖像保存在BaseDataset的
    發(fā)表于 07-01 12:01

    基于LockAI視覺識別模塊:C++人臉識別

    本文基于RV1106做成的LockAI視覺識別模塊,采用LZ-Picodet模型訓練的人臉檢測模型LZ-Face,以及ArcFace人臉
    的頭像 發(fā)表于 07-01 10:09 ?171次閱讀
    基于LockAI視覺<b class='flag-5'>識別</b>模塊:C++<b class='flag-5'>人臉</b><b class='flag-5'>識別</b>

    【EASY EAI Orin Nano開發(fā)板試用體驗】人臉識別體驗

    對圖1、圖2進行對比,similarity值大于0.4認為是同一個人,值越大可能性越高,similarity值范圍在-1~1之間: 從上面的結(jié)果看,認為兩張圖為同一個人。 再對比圖1跟圖3: 結(jié)果為0.07說明不是同一個人
    發(fā)表于 06-26 06:54

    無需接線!1底板可測試海凌科5款人臉識別模塊

    一個人臉識別模塊就要買不同的測試底板?試用款新的人臉識別模塊,每次都要重新接線?海凌科通用型測試底板FO101解決這
    的頭像 發(fā)表于 05-12 12:06 ?357次閱讀
    無需接線!1<b class='flag-5'>個</b>底板可測試海凌科5款<b class='flag-5'>人臉</b><b class='flag-5'>識別</b>模塊

    人臉識別門禁終端的般故障排查方法

    天波作為資深的智能硬件廠商,每年出廠落地應(yīng)用的產(chǎn)品數(shù)以萬計。其中,各種人臉識別門禁考勤體機、刷臉核驗體機、人臉
    的頭像 發(fā)表于 04-27 10:45 ?658次閱讀
    <b class='flag-5'>人臉</b><b class='flag-5'>識別</b>門禁終端的<b class='flag-5'>一</b>般故障排查方法

    【幸狐Omni3576邊緣計算套件試用體驗】人臉識別

    RetinaFace 模型實現(xiàn)單張和多張人臉識別的效果展示。 單張人臉識別 這里選取了些影視
    發(fā)表于 04-01 21:46

    人臉識別技術(shù)的優(yōu)勢與劣勢

    與其他生物識別技術(shù)(如指紋識別)相比,人臉識別是非接觸式的,這意味著用戶不需要與設(shè)備直接接觸,這在衛(wèi)生和便捷性方面是
    的頭像 發(fā)表于 02-06 18:23 ?1742次閱讀

    人臉識別技術(shù)的算法原理解析

    基于人的面部特征,通過計算機算法來識別或驗證個人身份。這項技術(shù)通常包括以下幾個步驟:人臉檢測、特征提取、特征比對和身份確認。 2. 人臉檢測 人臉
    的頭像 發(fā)表于 02-06 17:50 ?1793次閱讀

    如何提升人臉門禁體機的識別準確率?

    準確率,可以從以下幾個方面進行改進。、優(yōu)化算法與模型人臉識別的核心在于算法的優(yōu)化和模型的調(diào)整,目前深度學習技術(shù)在圖像
    的頭像 發(fā)表于 12-10 15:05 ?1033次閱讀
    如何提升<b class='flag-5'>人臉</b>門禁<b class='flag-5'>一</b>體機的<b class='flag-5'>識別</b>準確率?

    FacenetPytorch人臉識別方案--基于米爾全志T527開發(fā)板

    。FaceNet通過將人臉圖像映射到高維空間,使得同一個人的不同圖像在這個空間中的距離盡可能小,而不同人的圖像距離盡可能大。這種嵌入表示可以直接用于
    發(fā)表于 11-28 15:57

    深度識別人臉識別有什么重要作用嗎

    深度學習人臉識別技術(shù)是人工智能領(lǐng)域的重要分支,它利用深度學習算法來識別和驗證
    的頭像 發(fā)表于 09-10 14:55 ?1154次閱讀

    深度識別人臉識別在任務(wù)中為什么有很強大的建模能力

    深度學習人臉識別技術(shù)是人工智能領(lǐng)域中的重要分支,它利用深度學習算法來識別和驗證
    的頭像 發(fā)表于 09-10 14:53 ?850次閱讀
    主站蜘蛛池模板: 全黄H全肉细节文NP 全黄h全肉细节全文 | 免费视频网站嗯啊轻点 | 在线观看精品视频看看播放 | 国产午夜精品一区二区理论影院 | 萝莉御姐被吸奶 | 亚洲AV无码影院在线播放 | 伊人精品视频直播 | 欧美双拳极限扩张 | 第一会所欧美无码原创 | 久久精品av | 久久国产精品萌白酱免费 | 在线观看亚洲免费视频 | 大乳牛奶女在线观看 | 亚洲福利网站 | 中国老太婆xxxxx | 亚洲AV无码专区国产乱码网站 | 女人和男人插曲视频大全 | 无人区免费一二三四乱码 | 亚洲免费精品视频 | 久久WWW免费人成一看片 | 99久久99 | 日本视频一区二区免费观看 | 久久内在线视频精品mp4 | 国产在线aaa片一区二区99 | 国产GV无码A片在线观看 | 日韩做A爰片久久毛片A片毛茸茸 | 妞干网手机免费视频 | 欲插爽乱浪伦骨 | 精品人妻伦一二三区久久AAA片 | 日韩专区亚洲国产精品 | 欧美亚洲日韩一道免费观看 | 在线免费观看国产精品 | 澳大利亚剧满足在线观看 | 亚洲综合香蕉在线视频 | 偷拍自怕亚洲在线第7页 | 538在线视频一区二区视视频 | 亚洲天堂久久久 | 果冻传媒在线看免费高清 | jizz丝袜| 久久视热频国只有精品 | 国产精品久久久久婷婷五月色婷婷 |

    電子發(fā)燒友

    中國電子工程師最喜歡的網(wǎng)站

    • 2931785位工程師會員交流學習
    • 獲取您個性化的科技前沿技術(shù)信息
    • 參加活動獲取豐厚的禮品