day07-----机器视觉

最新推荐文章于 2022-01-10 23:41:44 发布

遨游的菜鸡

最新推荐文章于 2022-01-10 23:41:44 发布

阅读量201

点赞数

分类专栏：项目实训

本文链接：https://blog.csdn.net/qq_34405401/article/details/104639259

版权

项目实训专栏收录该内容

9 篇文章 0 订阅

订阅专栏

文章目录

补：交叉验证+参数调优(网格搜索)
1.opencv的核心技术
2.opencv的c++开发
3.opencv的python开发
4.人脸识别+交叉验证

补：交叉验证+参数调优(网格搜索)

样本数据集划分为：训练集、测试集
- 划分方案：
  - 直接分
  - n-折

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split,GridSearchCV
from sklearn.svm import SVC
#加载数据集
data,target=datasets.load_iris(return_X_y=True)
print(data.shape)

#交叉验证：训练集+测试集
#test_size=0.2,测试集是原数据规模的0.2
data_train,data_test,target_train,target_test=train_test_split(data,target,test_size=0.2)
print(data_train.shape)

#网格搜索：调用机器学习算法完成训练（常规训练+网格搜索训练）
#classifier=SVC(kernel='rbf',C=1000,gamma=0.1)  #这个算法参数是固定的
#参数字典
dic_p={
    'C':[1,10,100,10000],
    'gamma':[0.01,0.1,1],
}
#这个是从参数字典里自动找到最佳参数
classifier=GridSearchCV(SVC(kernel='rbf'),dic_p)
classifier.fit(data_train,target_train)

#结果
pre=classifier.predict(data_test)
#测试集一共三十个，打印正确预测的个数
print((pre==target_test).sum())

(150, 4)
(120, 4)
30

1.opencv的核心技术

特征检测
- feature2D
目标检测
- objectDetect
分类识别
- 人脸face

2.opencv的c++开发

3.opencv的python开发

3.1 特征点检测的使用

import cv2
import matplotlib.pyplot as plt

#准备一张图像
img_src=cv2.imread('timg.jpg')
img_src=cv2.cvtColor(img_src,cv2.COLOR_BGR2RGB)

#特征检测器,找出图像特征(关键点)
orb=cv2.ORB_create(10000)#10000个关键点
keypoints=orb.detect(img_src)

#绘制带关键点的图像
img_out=cv2.drawKeypoints(img_src,keypoints,None,(255,0,0))
plt.imshow(img_out)

在这里插入图片描述

3.2 特征描述与特征匹配

import cv2
import matplotlib.pyplot as plt

#加载两幅图像
img1=cv2.imread('timg.jpg')
img2=cv2.imread('timg2.jpg')

#找出特征
orb=cv2.ORB_create(500)
kp1=orb.detect(img1)
kp2=orb.detect(img2)

kp1,desc1=orb.compute(img1,kp1)
kp2,desc2=orb.compute(img2,kp2)

#匹配器
bf=cv2.BFMatcher(cv2.NORM_HAMMING,crossCheck=True)
matches=bf.match(desc1,desc2)
img_out=cv2.drawMatches(img1,kp1,img2,kp2,matches,None)
plt.imshow(img_out)

在这里插入图片描述

3.3 人脸识别

import numpy as np
#机器视觉方面使用opencv
import cv2  
from cv2 import face

# 接下来读取图像到矩阵，一共有四百张图
# 定义常量

#每个人有十张自己的图像
ONE_PERSON_FACE_NUM = 10
#一共有40个人
PERSON_NUM = 40
#图像数量自然是40*10
SAMPLE_NUM = ONE_PERSON_FACE_NUM * PERSON_NUM
#每张图像高112，宽92
IMG_W = 92 
IMG_H = 112

#定义存放图像信心的矩阵
#因为有400张图，因此行是SAMPLE_NUM，列是每张图的信息，最后效果是一行代表一张图
data_faces  = np.zeros(shape=(SAMPLE_NUM, IMG_W * IMG_H), dtype=np.int32) 
#一行代表一个图片的类别，因此只需要一列
label_faces = np.zeros(shape=(SAMPLE_NUM, 1), dtype=np.int32)

#把图片信息复制到矩阵中
idx = 0   # 数据集的位置，即在哪个文件夹
for i in range(1, PERSON_NUM + 1):  # 40个人的目录,此处是使角标从1到PERSON_NUM，因为range不包含PERSON_NUM，所以得+1
    for j in range(1, ONE_PERSON_FACE_NUM + 1):
        path_ = "./att_faces/s{i}/{j}.pgm".format(i=i,j=j)#用到的文件url:https://download.csdn.net/download/qq_34405401/12208225
        img_ = cv2.imread(path_)
        #因为读取的是三通道图像，为了大大减少计算量，转化为灰度图像（因为做图像识别，颜色没有太大价值，所以可转灰度）
        gray_ = cv2.cvtColor(img_, cv2.COLOR_BGR2GRAY)
        data_faces[idx, :] = gray_.reshape(IMG_W * IMG_H)
        label_faces[idx, :] = i
        idx += 1

#人脸分类算法
#model=face.EigenFaceRecognizer_create()#这个是基于特征脸的算法
model=face.FisherFaceRecognizer_create()#基于fisher判别式的算法
#训练模型
model.train(data_faces,label_faces)
#用第一张图看看模型预测效果
label,conf=model.predict(data_faces[0]) #label是图的类型即标签，conf是执行度，执行度越小越好
print(label)
print(conf)

1
0.0

4.人脸识别+交叉验证

import numpy as np
#机器视觉方面使用opencv
import cv2  
from cv2 import face
from sklearn.model_selection import train_test_split,GridSearchCV
from sklearn.metrics import classification_report

# 接下来读取图像到矩阵，一共有四百张图
# 定义常量

#每个人有十张自己的图像
ONE_PERSON_FACE_NUM = 10
#一共有40个人
PERSON_NUM = 40
#图像数量自然是40*10
SAMPLE_NUM = ONE_PERSON_FACE_NUM * PERSON_NUM
#每张图像高112，宽92
IMG_W = 92 
IMG_H = 112

#定义存放图像信心的矩阵
#因为有400张图，因此行是SAMPLE_NUM，列是每张图的信息，最后效果是一行代表一张图
data_faces  = np.zeros(shape=(SAMPLE_NUM, IMG_W * IMG_H), dtype=np.int32) 
#一行代表一个图片的类别，因此只需要一列
label_faces = np.zeros(shape=(SAMPLE_NUM, 1), dtype=np.int32)

#把图片信息复制到矩阵中
idx = 0   # 数据集的位置，即在哪个文件夹
for i in range(1, PERSON_NUM + 1):  # 40个人的目录,此处是使角标从1到PERSON_NUM，因为range不包含PERSON_NUM，所以得+1
    for j in range(1, ONE_PERSON_FACE_NUM + 1):
        path_ = "./att_faces/s{i}/{j}.pgm".format(i=i,j=j)
        img_ = cv2.imread(path_)
        #因为读取的是三通道图像，为了大大减少计算量，转化为灰度图像（因为做图像识别，颜色没有太大价值，所以可转灰度）
        gray_ = cv2.cvtColor(img_, cv2.COLOR_BGR2GRAY)
        data_faces[idx, :] = gray_.reshape(IMG_W * IMG_H)
        label_faces[idx, :] = i
        idx += 1

#处理数据，将数据分离成训练数据和测试数据
#test_size=0.2,测试集是原数据规模的0.2
data_faces_train,data_faces_test,label_faces_train,label_faces_test=train_test_split(data_faces,label_faces,test_size=0.2)
#因为一共400张图，所以输出的test的行是80行，即代表有80个测试数据
print(data_faces_test.shape)

#人脸分类算法
#model=face.EigenFaceRecognizer_create()#这个是基于特征脸的算法
model=face.FisherFaceRecognizer_create()#基于fisher判别式的算法
#使用训练数据训练模型
model.train(data_faces_train,label_faces_train)

#用测试集第一张图看看模型预测效果
# label,conf=model.predict(data_faces_test[0]) #label是图的类型即标签，conf是执行度，执行度越小越好
# print(label_faces_test[79])
# print(label)
# print(conf)

#pre_labels存放所有测试数据的测试标签
pre_labels=[]
for i in range(data_faces_test.shape[0]):
    val,conf=model.predict(data_faces_test[i])
    pre_labels.append(val)

#用real_labels保存label_faces_test的一维数据形式
real_labels=label_faces_test.reshape(1, -1)
print("pre_labels:",pre_labels)
print("real_labels:",real_labels)
report = classification_report(pre_labels, label_faces_test[:,0])
print(report)

(80, 10304)
pre_labels: [39, 15, 28, 25, 9, 35, 10, 4, 11, 20, 37, 26, 34, 6, 16, 37, 22, 12, 12, 39, 10, 23, 15, 2, 3, 29, 13, 24, 11, 31, 36, 39, 5, 26, 7, 8, 37, 36, 33, 35, 9, 16, 23, 38, 31, 9, 30, 20, 6, 19, 24, 5, 17, 24, 21, 8, 23, 9, 18, 7, 4, 9, 26, 27, 40, 31, 27, 19, 20, 12, 40, 15, 17, 36, 28, 36, 24, 40, 35, 39]
real_labels: [[39 15 28 25  9 35 10  4 11 33 37 26 34  6 16 37 22 12 12 39 10 23 15  2
   3 29 13 24 11 31 36 39  5 26  7 19 37 36 33 35  9 16 23 38 31  9 33 20
   6 19 24  5 17 24 21  8 23  9 18  7  4  9 26 27 40 31 27 19 20 12 35 15
  17 36 28 36 24 40 35 39]]
              precision    recall  f1-score   support

           2       1.00      1.00      1.00         1
           3       1.00      1.00      1.00         1
           4       1.00      1.00      1.00         2
           5       1.00      1.00      1.00         2
           6       1.00      1.00      1.00         2
           7       1.00      1.00      1.00         2
           8       1.00      0.50      0.67         2
           9       1.00      1.00      1.00         5
          10       1.00      1.00      1.00         2
          11       1.00      1.00      1.00         2
          12       1.00      1.00      1.00         3
          13       1.00      1.00      1.00         1
          15       1.00      1.00      1.00         3
          16       1.00      1.00      1.00         2
          17       1.00      1.00      1.00         2
          18       1.00      1.00      1.00         1
          19       0.67      1.00      0.80         2
          20       1.00      0.67      0.80         3
          21       1.00      1.00      1.00         1
          22       1.00      1.00      1.00         1
          23       1.00      1.00      1.00         3
          24       1.00      1.00      1.00         4
          25       1.00      1.00      1.00         1
          26       1.00      1.00      1.00         3
          27       1.00      1.00      1.00         2
          28       1.00      1.00      1.00         2
          29       1.00      1.00      1.00         1
          30       0.00      0.00      0.00         1
          31       1.00      1.00      1.00         3
          33       0.33      1.00      0.50         1
          34       1.00      1.00      1.00         1
          35       0.75      1.00      0.86         3
          36       1.00      1.00      1.00         4
          37       1.00      1.00      1.00         3
          38       1.00      1.00      1.00         1
          39       1.00      1.00      1.00         4
          40       1.00      0.67      0.80         3

    accuracy                           0.95        80
   macro avg       0.94      0.94      0.93        80
weighted avg       0.96      0.95      0.95        80

遨游的菜鸡

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
day07-----机器视觉

文章目录补：交叉验证+参数调优(网格搜索)1.opencv的核心技术2.opencv的c++开发3.opencv的python开发3.1 特征点检测的使用3.2 特征描述与特征匹配3.3 人脸识别补：交叉验证+参数调优(网格搜索)样本数据集划分为：训练集、测试集划分方案：直接分n-折import numpy as npfrom sklearn import datas...
复制链接

扫一扫