四、训练SVM分类器(Python)(train_model.py)

1. 代码部分

此代码块为train_model.py内的代码

# USAGE
# python train_model.py --embeddings output/embeddings.pickle \
#	--recognizer output/recognizer.pickle --le output/le.pickle

# 加载必要的包
# 在提取的128维面部嵌入的基础上训练“标准”机器学习分类器(SVM，SGD分类器，随机森林等)
from sklearn.preprocessing import LabelEncoder
from sklearn.svm import SVC
import pickle

def train_model():
    ## 加载序列化面部嵌入(serialized face embeddings )
    print("[INFO] loading face embeddings...")
    # 在此脚本文件中，使用函数extract_embeddings()提取的面部嵌入
    data = pickle.loads(open(r'output/embeddings.pickle', "rb").read())
    
    ## 给标签编码
    ## 将人名作为标签存储到磁盘中
    print("[INFO] encoding labels...")
    # 初始化scikit-learn的标签编码器(LabelEncoder)
    le = LabelEncoder()
    # 编码人名的标签(这一步运行完之后，标签编码器便和data字典中的names关联起来了)
    labels = le.fit_transform(data["names"])
    
    ## 训练用于识别人脸的线性支持向量机(SVM)模型
    ## 训练用于接收面部嵌入的模型，即人脸识别模型(recognizer model)
    print("[INFO] training model...")
    # 初始化SVM模型(可选用的核函数：rbf(径向基核，也就是高斯核函数),linear(线性核函数))
    recognizer = SVC(C=1.0, kernel="linear", probability=True)
    # 拟合模型(训练模型)
    recognizer.fit(data["embeddings"], labels)
    
    ## 将标签编码器写入磁盘
    f = open(r'output/le.pickle', "wb")
    f.write(pickle.dumps(le))
    f.close()

    ## 将人脸识别模型写入磁盘
    f = open(r'output/recognizer.pickle', "wb")
    f.write(pickle.dumps(recognizer))
    f.close()
    
## 测试脚本用  
if __name__ == '__main__':
    train_model()
    

2. 函数结构说明

3. 程序流程图

4. 函数图解

5. 使用说明

本函数需搭配视频流人脸识别系统一起使用。
视频流人脸识别系统的系统函数见此博客：一、视频流人脸识别系统的系统函数的构建(Python)