python|基于sklearn+pca+svm的笑脸检测

本文通过在Python3.7下，利用sklearn+pca+svm对笑脸和不笑脸进行分类，图片的大小为55×55。
注：本文使用的数据集一共有42张图片，其中36张作为训练集，剩下6张作为测试集。其中笑的和不笑的都为21张。
此代码经过测试，是可以运行的，如果连百度网盘链接过期了，在评论区留下你的邮箱，我给你发过去。

链接：https://pan.baidu.com/s/1K3U8er-C8ThUBkuP2_ac5w
提取码：1iy3
复制这段内容后打开百度网盘手机App，操作更方便哦

代码如下：

import numpy as np
import pandas as pd
from sklearn.preprocessing import StandardScaler # 标准化处理
from sklearn.decomposition import PCA # PCA
from sklearn.svm import SVC # SVM
from PIL import Image

'''
@author:xiao黄
time:2020-11-16
'''

Image_size = 55
 
'''
注意：自己测试的时候需要修改两个文件路径，就是你存放数据的路径
'''

def load_data():
    '''
    加载数据集
    ：return 训练数据和对应的标签 0 为笑脸，1为不笑
    '''
    train_data = []
    train_label = []
    file_path = 'C:\\Users\\HKZ\\Desktop\\2020\\faceImages\\train\\' # 训练集 
    for i in range(1,37):
        path = file_path + str(i) + '.png'
        image = Image.open(path).convert('L') # 读取图片
        # if i == 1:
        #     print(image.shape())
        img = np.reshape(image,(1,Image_size*Image_size)) # 转换成一维
        train_data.extend(img)
        if i <= 16:
            train_label.append(0)
        else:
            train_label.append(1)
    train_data = np.reshape(train_data,(36,Image_size*Image_size))
    train_label = np.matrix(train_label).T

    test_data = []
    test_label = []
    file_path_test = 'C:\\Users\\HKZ\\Desktop\\2020\\faceImages\\test\\' # 测试集
    for i in range(1,7):
        path = file_path_test + str(i) + '.png'
        image = Image.open(path).convert('L') # 读取图片
        img = np.reshape(image,(1,Image_size*Image_size)) # 转换成一维
        test_data.extend(img)
        if i <= 3:
            test_label.append(0)
        else:
            test_label.append(1)
    test_data = np.reshape(test_data,(6,Image_size*Image_size)) 

    return np.matrix(train_data), train_label, np.matrix(test_data), test_label

def svm(trainDataSimplified, trainLabel, testDataSimplified):
    clf2 = SVC(C=2.0) # C为分类数目
    clf2.fit(trainDataSimplified, trainLabel) # 训练模型
    return clf2.predict(testDataSimplified)

if __name__ == "__main__":
    train_data,train_label,test_data,test_label = load_data()
    pca = PCA(0.9, True, True) # 建立pca类，设置参数，保留90%的数据方差
    # pca = PCA(n_components=15) # 降到15维
    trainData = pca.fit_transform(train_data) # 拟合并降维训练数据
    testData = pca.transform(test_data) # 降维测试数据
    result = svm(trainData,train_label,testData)
    print('预测结果',result)
    print('测试集标签',test_label)

此代码经过测试，是可以运行的，如果连百度网盘链接过期了，在评论区留下你的邮箱，我给你发过去。