FDA算法原理和python实现

FDA原理

这里写图片描述
这里写图片描述

FDA代码

此次的数据来源为二进制文件t10k-images-idx3-ubyte,t10k-labels-idx1-ubyte,train-images-idx3-ubyte,train-labels-idx1-ubyte,分别为测试集数据、 测试集标签、 训练集数
据、训练集标签。读入数据之后,对数据进行标准化。代码如下:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from mnist import MNIST
import sys

def normalization(x):
    [n,m] = np.shape(x)
    mean = np.mean(x,axis = 1)   #row mean
    mean_mat = np.array([mean]*m).T
    std = np.std(x,axis = 1)     #row std
    std_mat = np.array([std]*m).T
    return (x-mean_mat)/std_mat

def load_mnist(only_binary = True,y_1 = 6,y_2 = 8):
    sys.path.append('E:\\2016.11\work\PRML')
    mndata = MNIST('E:\\2016.11\work\PRML')
    [x_train,y_train] = mndata.load_training()   #get train data
    [x_test,y_test] = mndata.load_testing()   #get test data
    [n_train,m_train] = np.shape(x_train)
    [n_test,m_test] = np.shape(x_test)

    if only_binary:
        x_train = [x_train[i] for i in xrange(n_train) if (y_train[i] == y_1) or (y_train[i] == y_2)]
        y_train = [y_train[i] for i in xrange(n_train) if (y_train[i] == y_1) or (y_train[i] == y_2)]
        x_test = [x_test[i] for i in xrange(n_test) if (y_test[i] == y_1) or (y_test[i] == y_2)]
        y_test = [y_test[i] for i in xrange(n_test) if (y_test[i] == y_1) or (y_test[i] == y_2)]

    x_train = normalization(x_train)
    x_test = normalization(x_test)
    print('data-reading success')
    print('x_train:',np.size(x_train))
    return x_train,y_train,x_test,y_test

print('reading data.....')
x_train,y_train,x_test,y_test = load_mnist()

基于Fisher判别法的模型训练
得到数据集 x1 , x2 , y1 , y2 之后,则可以代入公式(13),从而算出 w ,代入公式(13),从
而算出w0 ,代码如下

import numpy as np
from numpy.linalg import pinv
def FDA_train(x_1,x_2):
    n_1, d_1 = np.shape(x_1)
    n_2, d_2 = np.shape(x_2)
    m_1 = np.mean(x_1,axis = 0) 
    m_2 = np.mean(x_2,axis = 0)

    S_1 = np.zeros((d_1,d_1))
    for i in range(n_1):
        S_1 += np.mat(x_1[i] - m_1).T * np.mat(x_1[i] - m_1)

    S_2 = np.zeros((d_2,d_2))
    for i in range(n_2):
        S_2 += np.mat(x_2[i] - m_2).T * np.mat(x_2[i] - m_2)

    S_w = S_1 + S_2

    w_star = pinv(S_w) * np.mat(m_1 - m_2).T

    y_1 = np.mat(x_1) * w_star
    y_2 = np.mat(x_2) * w_star
    m_1_tilde = y_1.sum() / float(n_1)
    m_2_tilde = y_2.sum() / float(n_2)
    w_0 = -(m_1_tilde + m_2_tilde) / float(2)
    return w_star,w_0

def FDA_test(x_test, w_star, w_0):
    y_proj = x_test * w_star
    y_1 = y_proj >= w_0
    y_2 = y_proj < w_0
    y_pred = np.hstack((y_1,y_2)).astype(int)
    return y_pred

对于上述算出的 w , w0 ,根据公式(11),对输入数据计算之后,再进行one-of-K(one hot encoding)处理,最后
通过公式(14)计算错误率。

import numpy as np
from Load import load_mnist
from FDA import FDA_test,FDA_train
y_1 = 6;y_2 = 8
x_train, y_train, x_test, y_test = load_mnist(only_binary=True,y_1=y_1,y_2=y_2)

x_train_0 = np.array([x_train[i] for i in xrange(len(y_train)) if y_train[i] == y_1])
x_train_1= np.array([x_train[i] for i in xrange(len(y_train)) if y_train[i] == y_2])

w_star, w_0 = FDA_train(x_train_0, x_train_1)
y_pred = FDA_test(x_test, w_star, w_0)

y_0 = (np.mat(y_test) == y_1).astype(int).T
y_1 = (np.mat(y_test) == y_2).astype(int).T
y_test = np.hstack((y_0,y_1))

error_rate = abs(y_pred - y_test).sum() / (2 * len(y_test))
print("error rate is: %.4f" % error_rate)
  • 2
    点赞
  • 22
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
### 回答1: FDA(Fatigue Driving Algorithm)疲劳驾驶检测算法通常是通过对驾驶员眼睛和面部表情的检测来实现的。这种算法使用视频图像处理技术来捕捉驾驶员的眼睛和面部特征,并分析其运动和表情,以确定是否出现疲劳驾驶的症状。 算法通常使用深度学习技术,如卷积神经网络(CNN)来检测特征和识别表情,利用驾驶员眼睛睁闭、面部肌肉等来分析驾驶员疲劳程度. 一般算法分为两步,首先是人脸检测和跟踪,其次是眼睛和面部表情识别. 这种算法还可以和其他传感器结合使用,如车辆状态传感器和驾驶员生理信号传感器,以更好地识别驾驶员的疲劳状态。 ### 回答2: FDA算法是通过监测驾驶员的脸部表情和眼睛活动来实现疲劳驾驶检测的。其算法原理主要基于以下几个方面。 首先,FDA算法会收集驾驶员的脸部图像数据,通过计算机视觉技术提取关键特征。这些特征包括眼睛的睁闭程度、眼球运动、眼睛耸动频率等。 然后,FDA算法会根据这些特征来判断驾驶员的警觉状态。在正常清醒状态下,驾驶员的眼睛通常会保持睁开,眼球运动平稳。而当驾驶员疲劳时,眼睛容易有微弱的闭合和颤动,眼球运动不如清醒状态灵活。 接下来,FDA算法会使用机器学习技术进行模型的训练和分类。通过预先标记的疲劳驾驶和清醒驾驶的数据集,算法可以学习出疲劳驾驶的特征模式,并能够在实时监测驾驶过程中根据这些模式进行判断。 最后,当FDA算法检测到驾驶员可能处于疲劳状态时,系统会及时发出警告信号,提醒驾驶员采取休息或其他措施。这样可以有效降低疲劳驾驶对道路安全造成的潜在危害。 总之,FDA算法通过监测驾驶员的脸部表情和眼睛活动,利用计算机视觉和机器学习技术实现疲劳驾驶检测。其基本原理是根据疲劳状态下眼睛的闭合和眼球活动的变化来判断驾驶员是否疲劳,从而提供及时的警示和保护。 ### 回答3: FDA算法是一种基于人脸识别的疲劳驾驶检测算法,其原理主要分为两个方面:眼睛状态检测和驾驶员状态评估。 首先,眼睛状态检测。FDA算法会通过摄像头实时获取驾驶员的眼睛图像,并利用图像处理技术提取眼球特征。通过检测眼部特征,如眼睑闭合、眼球移动等,可以实时判断驾驶员的眼睛状态,例如是否闭眼、疲劳程度等。同时,该算法还能检测瞳孔大小和眼球的运动轨迹,从而得出更准确的疲劳判断。 其次,驾驶员状态评估。基于眼睛状态检测结果,FDA算法会通过预设的阈值判断驾驶员的状态,如疲劳、专注、分心等。通过机器学习和深度学习算法,该系统会先进行模型训练,建立一个高准确性的分类模型。模型会根据大量的训练数据进行学习,并将驾驶员的眼睛状态与相应的驾驶员状态进行关联。当眼睛状态符合疲劳驾驶的特征时,算法会判定驾驶员存在疲劳驾驶的可能性,并发出相应的警示提醒。 总之,FDA算法实现疲劳驾驶检测的过程主要通过摄像头采集驾驶员眼睛图像,利用图像处理和机器学习技术对眼睛状态进行分析和评估,从而判断驾驶员是否存在疲劳驾驶风险。这样的疲劳驾驶检测系统可以有效预防交通事故的发生,保障驾驶安全。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值