在本文中,我们将学习使用主成分分析(PCA)和支持向量机(SVM)来建立人脸识别模型。
首先,我们来看看PCA和SVM的介绍:
主成分分析:
主成分分析(PCA)是一种机器学习算法,广泛应用于探索性数据分析和建立预测模型。它通常用于降维,方法是将每个数据点投影到前几个主成分上,以获得低维数据,同时尽可能保留数据的变化。
Matt Brems的文章(https://medium.com/u/55680478461) 全面深入地介绍了该算法。现在,让我们用更简单的术语来解释:
假设我们手头有一个问题,我们正在收集数据,而我们的数据集产生了多个变量、多个特征,它们会在不同方面影响结果。如果选择删除某些特征,又会丢失信息,而我们不希望这样,对吗?
因此,另一种减少特征数量(减少数据维数)的方法是通过提取重要信息并删除最不重要的信息来创建新的特征。这样,我们的信息就不会丢失,而特征也会减少,过拟合模型的几率也会减少。
支持向量机
支持向量机(SVM)是一种用于两组分类问题的有监督机器学习模型。在为每个类别提供一组带标签的训练数据后,它能够对新的测试数据进行分类。
支持向量机基于最大化间隔的平面对数据进行分类,它的决策边界是直的,是一种很好的图像分类算法。实验结果表明,支持向量机在经过3-4轮相关反馈后,其搜索精度明显高于传统的查询优化方案,对于图像分割系统也是如此,包括那些使用改进的支持向量机的系统。
Marco Peixeiro的文章(https://towardsdatascience.com/the-complete-guide-to-support-vector-machine-svm-f1a820d8af0b) 说明了需要一个最大间隔超平面来分类数据。读后你会更好地理解SVM!
人脸识别
人脸是由许多像素组成的高维数据。高维数据很难处理,也不能用二维数据的散点图等简单技术可视化。
我们要做的是利用PCA对数据的高维进行降维处理,然后将其输入到SVM分类器中对图像进行分类。
接下来进入编码部分!
下面的代码示例取自关于eigenfaces的sklearn文档。我们将一步一步地检查代码,以了解其复杂性和结果。
导入相关库和模块
首先导入所需的库和模块。后文将深入讨论为什么要导入它们。
import pylab as plimport numpy as npfrom matplotlib import pyplot as pltfrom sklearn.model_selection import train_test_splitfrom sklearn.datasets import fetch_lfw_peoplefrom sklearn.model_selection import GridSearchCVfrom sklearn.metrics import classification_reportfrom sklearn.metrics import confusion_matrixfrom sklearn.decomposition import PCA as RandomizedPCAfrom sklearn.svm import SVC
将数据加载到Numpy数组中
接下来将数据下载到磁盘中,并使用fetch_lfw_people将其作为NumPy数组加载sklearn.datasets。
lfw_people = fetch_lfw_people(min_faces_per_person=70, resize=0.4)
lfw数据集包括一个用于研究无约束人脸识别问题的人脸照片数据库,其中有从网络收集的13000多张包含人脸的照片。1680名照片中的人在数据集中有两张或两张以上不同的照片。
图像采用灰度(像素值=0-255)。
图像Numpy数组
接下来、寻找图像数组图片的形状。我们将使用NumPy shape属性,该属性返回一个元组,每个索引都有对应元素的数量。
n_samples, h, w = lfw_people.images.shapenp.random.seed(42)
从变量explorer可以看到,我们有1288个样本(图片),高度为50px,宽度为37px(50x37=1850个特征)。
Numpy数组
我们将使用lfw_people 的data数组,直接存储在X中,我们将在以后的处理中使用这些数据。
X = lfw_people.datan_features = X.shape[1]
X中的数据有1288个样本,每个样本有1850个特征。
目标名称和标签
接下来定义标签,这些标签是图片所属的人的id。
y = lfw_people.targettarget_names = lfw_people.target_namesn_classes = target_names.shape[0]
这里,y代表目标,它是每个图片的标签。标签由target_names变量进一步定义,该变量由7个要识别的人的姓名组成。
target是一个1288x1的NumPy数组,它包含1288张图片对应名称的0–6值。因此,如果id 0的目标值为5,则表示“Hugo Chavez”,如target_names中所示:
因此,y是数字形式的目标,target_names是名称中的任何目标/标签,n_classes是存储类数量的变量,在这个例子中有7个目标:
- Ariel Sharon
- Colin Powell
- Donald Rumsfeld
- George W Bush
- Gerhard Schröder
- Hugo Chavez
- Tony Blair
打印出变量:
print("Total dataset size:")print("n_samples: %d", n_samples)print("n_features: %d", n_features)print("n_classes: %d", n_classes)
所以,我们有1288个样本(图片),每个样本总共有1850个特征(50px37px)和7个类(人)。
划分训练集和测试集
接下来,我们将使用sklearn.model_selection将数据(X-特征和y-标签)分为训练数据和测试数据,其中25%用于测试,其余75%用于训练模型。
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42)
以下是变量X-train、X_test、y_train和y_test:
基于PCA的降维方法
现在,我们将从 sklearn.decomposition选择PCA 以训练模型。我们已经在第一段代码中导入了PCA。
在这个例子中,训练集X_train中总共有966个特征,我们将使用PCA(维数缩减)将它们减少到50个:
n_components = 50pca = RandomizedPCA(n_components=n_components, whiten=True).fit(X_train)
这个过程需要不到一秒钟的时间,这可以通过使用时间函数进行验证(这一点暂时跳过)。
现在我们将重塑PCA组件并定义特征脸,这是在人脸识别的计算机视觉问题中使用的一组特征向量的名称:
eigenfaces = pca.components_.reshape((n_components, h, w))
如截图所示,特征脸是一个50×50×37的Numpy数组。前50对应于特征的数量。
接下来,我们将使用PCA在X_train 和X_test 上的transform 函数来降低维数。
X_train_pca = pca.transform(X_train)X_test_pca = pca.transform(X_test)
从上面的截图可以看出,通过PCA算法,X_train和X_test的维数都被降低了。每一个都将特征从1850个减少到50个(正如我们在算法中定义的那样)。
训练SVM分类器
完成了降维,我们现在就开始分类。首先将训练SVM分类模型。
我们将使用GridSearchCV,这是一个库函数,它是一种调整超参数的方法。它将系统地为网格中指定的算法参数的每个组合建立和评估模型,并在最佳估计量('best_estimator_')参数网格中给出:
print("Fitting the classifier to the training set")param_grid = { 'C': [1e3, 5e3, 1e4, 5e4, 1e5], 'gamma': [0.0001, 0.0005, 0.001, 0.005, 0.01, 0.1], }clf = GridSearchCV(SVC(kernel='rbf', class_weight='balanced'), param_grid)clf = clf.fit(X_train_pca, y_train)print("Best estimator found by grid search:")print(clf.best_estimator_)
)
我们数据的最佳分类器是SVC,参数如下:
SVC(C=1000, class_weight = ‘balanced’, gamma=0.01)
预测
现在在测试数据上预测这些人的名字。我们将使用从GridSearchCV中找到的分类器,它已经在训练数据拟合。
print("Predicting the people names on the testing set")y_pred = clf.predict(X_test_pca)
分类报告和混淆矩阵
预测完成后,打印分类报告,它将显示模型的精度、召回率、F1分数和支持分数。这使我们对分类器的行为有了更深入的了解。
print(classification_report(y_test, y_pred, target_names=target_names))
打印混淆矩阵:
print(confusion_matrix(y_test, y_pred, labels=range(n_classes)))
在上面的例子中,混淆矩阵打印真正例、假正例和假反例的值,并提供分类器的概述。
绘图
最后,绘制人物肖像和特征脸!
定义两个函数:title在测试集的一部分绘制预测结果,plot_gallery通过绘制它们来评估预测:
def title(y_pred, y_test, target_names, i): pred_name = target_names[y_pred[i]].rsplit(' ', 1)[-1] true_name = target_names[y_test[i]].rsplit(' ', 1)[-1] return 'predicted: %srue: %s' % (pred_name, true_name)def plot_gallery(images, titles, h, w, n_row=3, n_col=4): """绘制肖像库的帮助函数""" plt.figure(figsize=(1.8 * n_col, 2.4 * n_row)) plt.subplots_adjust(bottom=0, left=.01, right=.99, top=.90, hspace=.35) for i in range(n_row * n_col): plt.subplot(n_row, n_col, i + 1) plt.imshow(images[i].reshape((h, w)), cmap=plt.cm.gray) plt.title(titles[i], size=12) plt.xticks(()) plt.yticks(())
现在我们在测试集的一部分绘制预测结果:
prediction_titles = [title(y_pred, y_test, target_names, i) for i in range(y_pred.shape[0])]plot_gallery(X_test, prediction_titles, h, w)
绘制特征面。我们将使用在上面代码块中定义的eigenfaces变量。
eigenface_titles = ["eigenface %d" % i for i in range(eigenfaces.shape[0])]plot_gallery(eigenfaces, eigenface_titles, h, w)plt.show()
最后,我们来绘制PCA+SVM模型用于人脸识别的精度:
from sklearn.metrics import accuracy_scorescore = accuracy_score(y_test, y_pred)print(score)
准确分数是0.81!虽然这并不是一个完美的分数,还有很大的改进空间,但PCA和SVM的人脸识别为我们提供了进一步强大算法的起点!
结论
本文利用PCA和SVM建立了一个人脸识别模型。主成分分析算法被用来减少数据的维数;图像有很多像素值!然后利用支持向量机进行分类,通过超参数调整寻找最佳估计量。我们对这些肖像进行了分类,准确度得分为0.81。