keras/构建卷积神经网络人脸识别

最新推荐文章于 2024-05-23 12:09:42 发布
最新推荐文章于 2024-05-23 12:09:42 发布
阅读量2.3k 收藏 20
点赞数
分类专栏： 深度学习机器学习 文章标签： keras 卷积神经网络 人脸识别
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/szj_huhu/article/details/75202254
版权
本文介绍如何利用keras构建卷积神经网络（CNN）进行人脸识别，通过训练olivettifaces数据集，实现了97%的识别准确率。数据集包括40个人的400张64×64灰度图片。强调了在keras中model.fit()参数shuffle和validation_split的重要性，避免训练和验证集样本偏差导致的测试效果不佳问题。
摘要由CSDN通过智能技术生成

olivettifaces是纽约大学的一个比较小的人脸库，由40个人的400张图片构成，即每个人的人脸图片为10张。每张图片的灰度级为8位，每个像素的灰度大小位于0-255之间，每张图片大小为64×64。图片大小是1190*942，一共有20*20张人脸，故每张人脸大小是（1190/20）*（942/20）即57*47=2679本文所用的训练数据就是这张图片，400个样本，40个类别。

input_faces.py读取图片数据集

#coding:utf-8
"""
read_data_sets
"""
from PIL import Image
import numpy as np

def read_data_sets(dataset_path):
    img = Image.open(dataset_path)
    #np.asarray()将图片转为灰度
    img_ndarray = np.asarray(img,dtype='float64')/256
    #共有400张图片,每张图片大小57*47=2679
    faces = np.empty((400,2679))
    #将图片存入faces中
    for row in range(20):
        for column in range(20):
            #第一行的第一张脸存入face0,每张脸的大小为57*47
            faces[row*20+column] = np.ndarray.flatten(img_ndarray[row*57:(row+1)*57,column*47:(column+1<
最低0.47元/天 解锁文章
szj_jojo
关注
  • 0
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
基于卷积神经网络的人脸识别
weixin_43545546的博客
07-06 4万+
基于卷积神经网络的人脸识别的实现 利用opencv获取人脸，采集人脸数据，将收集到的人脸数据加载到内存，搭建属于自己的卷积神经网络，并用人脸数据训练自己的网络，将训练好的网络保存成模型，最后再用opencv获取实时人脸用先前训练好的模型来识别人脸。 1.前言 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年得到了飞速的发展。作为人的一种内在属性，并且具有...
基于卷积神经网络的人脸识别用大python3.5+tensorflowCPU+keras
12-21
基于卷积神经网络CNN的人脸识别项目，主要代码包括对人脸数据的获取，对图像集的预处理，将图像加载到内存，构建并训练模型和识别人脸五个模块组成。
CNN卷积神经网络应用于人脸识别（带详细流程+代码实现）
01-30
《DeepLearning tutorial（5）CNN卷积神经网络应用于人脸识别（详细流程+代码实现）》这篇文章的代码，将CNN用于人脸识别，整个实现流程请见：http://blog.csdn.net/u012162613/article/details/43277187
基于Python实时卷积神经网络(CNN)的人脸识别
最新发布
qq1744828575的博客
05-23 1075
一、项目背景在数字化时代，人脸识别技术因其广泛的应用场景和高效的识别性能而受到广泛关注。从安全监控到手机解锁，从门禁系统到支付验证，人脸识别技术的应用无处不在。传统的人脸识别方法往往依赖于手工特征提取和匹配，但这种方法受限于特征的选择和表达能力。随着深度学习的发展，卷积神经网络（CNN）因其强大的特征学习和表征能力，在人脸识别领域取得了显著成果。本项目旨在利用Python和CNN技术，构建一个实时、高效、准确的人脸识别系统。二、项目目标。
基于卷积神经网络（cnn）的人脸识别（代码+注释）
热门推荐
qq_53722594的博客
06-28 1万+
卷积神经网络（cnn）+代码+注释
Python卷积神经网络人脸识别程序.rar
04-20
卷积神经网络（Convolutional Neural Networks，简称CNN）是一种深度学习模型，特别适用于处理具有网格状拓扑结构的数据，如图像。在本程序中，Python被用来实现一个基于CNN的人脸识别系统，该系统可能利用了开源库...
基于卷积神经网络的人脸识别系统.zip
04-20
在本项目中，“基于卷积神经网络的人脸识别系统”可能包含了实现这一功能的完整流程，包括数据预处理、模型构建、训练、验证以及测试。 1. **数据预处理**：在人脸识别中，数据预处理至关重要。这通常涉及人脸检测...
使用卷积神经网络（CNN）做人脸识别的示例代码
09-17
在本文中，我们将深入探讨如何使用卷积神经网络（CNN）进行人脸识别。首先，我们需要理解卷积神经网络的基本概念。CNN是一种深度学习模型，特别适用于图像处理任务，因为它能够自动学习和提取图像中的特征。在人脸...
吴恩达卷积神经网络4：人脸识别
佛系随心记
04-16 642
4.1、What is face recognition? 1、人脸验证，判断是否与模板一直，是一对一的问题 2、人脸识别，一对多的问题 所以人脸识别对于正确率的要求更高。 4.2、One-shot learning 人脸识别模型只能通过仅仅一张照片来学习，然后就要对比输入给出输出了。 在人脸识别系统中，一般数据库中我们都只有一张某个人的照片，如果用一张照片来训练模型，效...
基于深度卷积神经网络的人脸识别研究_
03-23
基于深度卷积神经网络的人脸识别研究：传统人脸识别方法而言,卷积神经网络模型不需要人工进行大量而又复杂的特征提取算法设计,仅需要设计一个可行的网络模型,再将大量的人脸训练数据集加载到网络模型中,然后进行自动训练,这样就可以得到很好的识别率。把训练好的模型保存下来,那么这个模型就是一个端到端的人脸特征提取器。
基于神经网络的人脸识别
11-28
利用神经网络对人脸进行识别，神经网络模型，以及神经网络步骤等。
基于神经网络的人脸识别（附代码）
05-16
代码分为read_can_use.m和main_can_ues.m 先运行read_can_use.m 读取图片的像素值，使用奇异值分解的方法得到对应的特征。程序预设了只读取前5个人的人脸图片 ，可以自己改成最多15个人。 然后运行main_can_use.m ，程序会输出 1 1 2 3 2 3，每个数字代表一张图片最有可能的识别类别（就是人的编号）。 对每个人的11张图片，取前7张训练网络，后4张测试网络，取前5个人进行实验。所以共有35个训练样本，20个测试样本。 比如输出的结果是 1 1 1 1 2 2 1 2 3 3 3 3 …..，因为每4个数字是属于同一个人的，前四个都是1则都预测正确，第二组的4个数字2 2 1 2 中的那个1 就是预测错误（本来是2预测成了1）。 由于参数的随机初始化，不保证每次的结果都相同。
图片识别 python 神经网络,人工神经网络图像识别
super339的博客
08-20 1891
但是特征太多计算量太大，就用统计的方法减少下特征，首先把图片划分成网格的形式，就像是在图像上画围棋线一样，然后每个方格内单独统计一下，方向在0-20角度内的像素的梯度的和是多少，依次类推，就得到了直方图，如果以20度为一个直方的话，那么180度就可以划分成9个直方，也就是9个特征，这样一个方格内的特征数量就与像素的数量无关了，而是固定了的。然而，这些特征的提取太过依赖人的经验和主观意识，提取到的特征的不同对分类性能影响很大，甚至提取的特征的顺序也会影响最后的分类性能。算法不会考虑小块之间的空间关系。
神经网络学说的主要观点,对神经网络的简单理解
shirley67269的博客
08-10 1321
生物神经网络主要是指人脑的神经网络，它是人工神经网络的技术原型。人脑是人类思维的物质基础，思维的功能定位在大脑皮层，后者含有大约1011个神经元，每个神经元又通过神经突触与大约103个其它神经元相连，形成一个高度复杂高度灵活的动态网络。作为一门学科，生物神经网络主要研究人脑神经网络的结构、功能及其工作机制，意在探索人脑思维和智能活动的规律。...
吴恩达作业10：用卷积神经网络识别人脸happy（基于Keras）
智障变智能
07-21 2012
数据集提供的代码放在kt_utils.py： import keras.backend as K import math import numpy as np import h5py import matplotlib.pyplot as plt def mean_pred(y_true, y_pred): return K.mean(y_pred) def load_datase...
CNN卷积神经网络人脸识别 python代码
06-12
好的，以下是一个基于Python和Keras框架实现的CNN卷积神经网络人脸识别代码示例： ```python # 导入必要的库 import numpy as np from keras.models import Sequential from keras.layers import Dense, Dropout, Flatten from keras.layers import Conv2D, MaxPooling2D from keras.utils import np_utils from keras.datasets import mnist from keras import backend as K from keras.preprocessing.image import ImageDataGenerator from keras.preprocessing import image # 定义数据集相关参数 batch_size = 128 num_classes = 2 epochs = 10 img_rows, img_cols = 28, 28 input_shape = (img_rows, img_cols, 3) # 加载数据集 train_datagen = ImageDataGenerator( rescale=1./255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True) test_datagen = ImageDataGenerator(rescale=1./255) train_generator = train_datagen.flow_from_directory( 'train', target_size=(img_rows, img_cols), batch_size=batch_size, class_mode='categorical') validation_generator = test_datagen.flow_from_directory( 'test', target_size=(img_rows, img_cols), batch_size=batch_size, class_mode='categorical') # 构建CNN模型 model = Sequential() model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=input_shape)) model.add(Conv2D(64, (3, 3), activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Dropout(0.25)) model.add(Flatten()) model.add(Dense(128, activation='relu')) model.add(Dropout(0.5)) model.add(Dense(num_classes, activation='softmax')) # 编译模型 model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) # 训练模型 model.fit_generator( train_generator, steps_per_epoch=2000 // batch_size, epochs=epochs, validation_data=validation_generator, validation_steps=800 // batch_size) # 预测新图像 img_path = 'test/cat/cat.1.jpg' img = image.load_img(img_path, target_size=(img_rows, img_cols)) x = image.img_to_array(img) x = np.expand_dims(x, axis=0) preds = model.predict_classes(x) print('预测结果:', preds[0]) ``` 这是一个简单的人脸识别例子，其中使用了一个2层的CNN卷积神经网络模型，并且使用Keras提供的ImageDataGenerator来加载和处理数据集。你可以将此代码作为一个起点，并进行修改以满足你的具体需求。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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