sklearn人脸分类

人脸分类

#用sklearn中自带的程序来加载数据
from sklearn.datasets import fetch_lfw_people
lfw_people = fetch_lfw_people(min_faces_per_person=70, resize=0.4)

#数据集介绍：图片数大于等于70张人有3个，3个人加起来总图片有760张，每张图片大小50*37（总特征为1850个）
print(lfw_people.data.shape)
print(lfw_people.images.shape)
print(lfw_people.target.shape)
print(lfw_people.target_names.shape)

import matplotlib.pyplot as plt
fig, ax = plt.subplots(3, 4)  #plt.subplots函数，直接在函数内部设置子图纸信息，返回值：                                figure实例fig，AxesSubplot实例ax，fig代表整个图纸
                       #ax代表坐标轴和画的子图
for i, axi in enumerate(ax.flat):
    axi.imshow(lfw_people.images[i], cmap='bone')    #将标量数据映射到彩色图，将颜色                                                        #映射为’bone‘
    axi.set(xticks=[], yticks=[],xlabel=lfw_people.target_names[lfw_people.target[i]])

#由于每张图50*37，1850个像素点也就是1850个特征，所以得进行降维
from sklearn.svm import SVC
from sklearn.decomposition import PCA
from sklearn.pipeline import make_pipeline

#原始1875D==>150D，whiten白化：使每个特征具有相同的方差
pca = PCA(n_components=150, whiten=True, random_state=42) 
#支持向量机用高斯核函数,class_weight每个类所占据的权重
svc = SVC(kernel='rbf', class_weight='balanced')         
#使用pca进行数据降维之后再训练一个SVM的工作流程
model = make_pipeline(pca, svc)         

#数据集划分
from sklearn.model_selection import train_test_split
Xtrain,Xtest,ytrain,ytest= train_test_split(lfw_people.data, lfw_people.target,random_state=40)
Xtrain.shape,Xtest.shape    

from sklearn.model_selection import GridSearchCV  #用来模型的参数选择
 #目标函数的惩罚系数C，用来平衡分类间隔margin和错分样本的
param_grid = {'svc__C': [1, 5, 10],                          
 'svc__gamma': [0.0001, 0.0005, 0.001]}#核函数的系数           
grid = GridSearchCV(model, param_grid)

%time grid.fit(Xtrain, ytrain)
print(grid.best_params_)  #描述了已取得最佳结果的参数的组合               

model_new = grid.best_estimator_   #使用最佳结果的参数所建立的估计器
yfit = model_new.predict(Xtest)

from sklearn.metrics import classification_report  #输出评价指标
print(classification_report(ytest, yfit,target_names=lfw_people.target_names))

#展示部分分类结果
fig, ax = plt.subplots(3,4)
for i, axi in enumerate(ax.flat):
    axi.imshow(Xtest[i].reshape(50,37), cmap='bone')
    axi.set(xticks=[], yticks=[])
    axi.set_ylabel(lfw_people.target_names[yfit[i]].split()[-1],color='black' if yfit[i] == ytest[i]                      else 'red')
fig.suptitle('Predicted Names; Incorrect Labels in Red', size=14)

#输出混淆矩阵
import seaborn as sns
from sklearn.metrics import confusion_matrix  #混淆矩阵
mat = confusion_matrix(ytest, yfit)
sns.heatmap(mat.T, square=True, annot=True, fmt='d', cbar=False,
            xticklabels=lfw_people.target_names,
            yticklabels=lfw_people.target_names)
plt.xlabel('true label')
plt.ylabel('predicted label');

2.2.2 人脸识别
1.数据处理
# 批量修改图片文件名
import os
import re
import sys

path = 'E:/pycharm/人脸识别项目/opencv/data/'
imagePaths = []
n=0

for f in os.listdir(path) :
    path1 =os.path.join(path,f)
    currentpath = os.getcwd()  # 得到进程当前工作目录 data/
    os.chdir(path1)            # 将当前工作目录修改为待修改文件夹的位置
    for s in os.listdir(path1):
        a = re.split(r'_', s)
        os.rename(s, (str(n) + '_' + a[-1]))
        s=str(n) + '_' + a[-1]
        imagePaths.append(os.path.join(path1, s))
    n+=1
    os.chdir(currentpath)  # 改回程序运行前的工作目录
    sys.stdin.flush()      # 刷新
2.信息录入
import cv2 as cv
import os
import sys
#摄像头
cap = cv.VideoCapture(0)

flag = 1
num = 1
path = 'E:/pycharm/人脸识别项目/opencv/data/'
folderpaths=[]
for f in os.listdir(path):
    folderpaths.append(os.path.join(path, f))
folder_number = len(folderpaths)

while(cap.isOpened()):#检测是否为开启状态
    ret_flag,Vshow = cap.read()#得到每帧图像
    cv.imshow("Capture_test",Vshow)#显示图像
    k = cv.waitKey(1)  #按键判断
    if k == ord('y'):
       file_name = input('请输入录入人员姓名')
       os.mkdir(r'E:/pycharm/人脸识别项目/opencv/data/'+file_name)
       sys.stdin.flush()  # 刷新
       continue

    if k == ord('s'):
cv.imwrite('E:/pycharm/人脸识别项目/opencv/data/{}/'.format(file_name)+str(folder_number)+'_000'+str(num)+".jpg",Vshow)
        print("success to save    "+str(num)+".jpg")
        print('-------------------')
        num += 1
    elif k == ord(' '):
        break

#释放摄像头
cap.release()
#释放内存
cv.destroyAllWindows()
3.训练数据
import cv2 as cv
import os
from PIL import Image
import numpy as np

def getImageAndLabels(path):
   #储存人脸数据
   facesSamples=[]
   #储存姓名数据
   ids=[]
   #储存图片路径信息
   imagePaths=[]
   for f in os.listdir(path):
       path1 = os.path.join(path, f)
       for s in os.listdir(path1):
           imagePaths.append(os.path.join(path1, s))

   #加载分类器
face_detector=cv.CascadeClassifier('E:/Ancoda/Lib/site-packages/opencv_python-4.6.0.66.    dist-info/ opencv/sources/data/haarcascades/haarcascade_frontalface_alt.xml')                      

   #遍历所用的图片
   for imagePath in imagePaths:
        #打开图片，灰度化PIL有九种不同的模式，1(黑白图),L(灰度                图),P,RGB,RGBA,CMYK,YCbCr,I,F
        PIL_img=Image.open(imagePath).convert('L')
        #将图片转换为数组
        img_numpy=np.array(PIL_img,'uint8')
        #获取人脸特征
        faces = face_detector.detectMultiScale(img_numpy)
        #获取每张图片的id和照片
        id = int(os.path.split(imagePath)[1].split('.')[0].split('_')[0])
        #
        for x,y,w,h in faces:
           ids.append(id)
           facesSamples.append(img_numpy[y:y+h,x:x+w])

           print('id:',id)
           print('fs:',facesSamples)
   return facesSamples,ids

if __name__=='__main__':
  path='E:/pycharm/人脸识别项目/opencv/data/'
  #获取图像数组和id标签数组和姓名
  faces,ids=getImageAndLabels(path)
  #加载识别器
  recognizer = cv.face.LBPHFaceRecognizer_create()
  #训练
  recognizer.train(faces,np.array(ids))
  #保存文件
  recognizer.write('train_data.yml')

4.人脸识别
import cv2 as cv
import  os
#加载训练数据集和文件
recognizer=cv.face.LBPHFaceRecognizer_create()
recognizer.read('train_data.yml')

names=[]#创建名字列表，id唯一对应名字
path='E:/pycharm/人脸识别项目/opencv/data/'
for f in os.listdir(path):#填充名字列表
    names.append(f)

# 准备识别图片
def face_detect_demo(img):
    gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
    # opencv 里面的分类器
face_detector=cv.CascadeClassifier('E:/Ancoda/Lib/site-packages/opencv_python-4.6.0.6        6.dist-info/opencv/sources/data/haarcascades/haarcascade_frontalface_alt2.xml')                               

    face = face_detector.detectMultiScale(gray)

    for x, y, w, h in face:
        cv.rectangle(img, (x, y), (x + w, y + h), color=(0, 0, 225), thickness=2)

        # 人脸识别
        ids, confidence = recognizer.predict(gray[y:y + h, x:x + w])
        print('标签id：', names[ids], '置信评分：', confidence)

        if confidence < 80:                                                             cv.putText(img,str(names[ids]),(x+10,y-10),cv.FONT_HERSHEY_SIMPLEX,0.75,(0,255,0),1)
        else:
     cv.putText(img,'unknow',(x+10,y-10),cv.FONT_HERSHEY_SIMPLEX,0.75,(0,225,0),1)

    cv.imshow('result', img)
    cv.waitKey(0)
    cv.destroyAllWindows()

if __name__=='__main__':
    img = cv.imread('Alex_Barros_0001.jpg')
    face_detect_demo(img)