简单创建一个认识自己的代码2：训练数据

2019年10月15号

作者：杨轮飞

将会使用到python中的opencv、dlib、sklearn库。

之前收集了数据，现在我们要来对数据处理，生成模型。

• 先导入我们的库

import warnings
warnings.filterwarnings("ignore") #忽略警告
from os import listdir #读取图片
from sklearn.model_selection import train_test_split  #train_test_split函数
from sklearn.preprocessing import scale #去中心化
from sklearn.decomposition import PCA #PCA降维
from sklearn.svm import SVC #使用SVM多分类
from sklearn.multiclass import OneVsRestClassifier
from sklearn.externals import joblib #保存模型
import numpy as np
import cv2

• 先写一个PCA函数，因为一张图片是64*64的大小，就会有4096维，维度太高，我们需要降至150维左右

#使用库PCA
def pca(data, n):
    pca = PCA(n_components=n)
    pca.fit(data)
    return pca.transform(data)

• 再写一个归一化函数，将像素值从0-255归一化到0-1之间

#归一化处理
def MaxMinNormalization(x):
    xmin, xmax = np.min(x), np.max(x)
    x = (x - xmin) / (np.max(x) - xmin)
    return x

• 我们通过访问文件夹，来一一读取图像，先将像素值归一化，然后将64*64的矩阵重新排序为一维，去中心化，然后添加入数据集。

#训练集与标签
X, Y = [], []

#载入图片路径
image_path = "face_image"
people_name = listdir(image_path)
for people in people_name:
    for image_name in listdir(image_path+"\\"+people):
        image = cv2.imread(image_path+"\\"+people+"\\"+image_name, 0)
        image = MaxMinNormalization(image)
        X.append(scale(np.array(image, np.float32).flatten().astype('float32')))
        Y.append(people)

• 得到了我们的数据集后，接下来开始训练模型啦。

X = np.array(X)
Y = np.array(Y)
#PCA降维处理
X = pca(X, 150)
#交叉检验建立训练集和测试集
x_train, x_test, y_train, y_test = train_test_split(X, Y)
print("训练集:", x_train.shape)
print("预测集:", x_test.shape)
print('-'*70)

face_model = OneVsRestClassifier(SVC(kernel='rbf', C=1e3, gamma='scale'))
clf = face_model.fit(x_train, y_train)

print("训练集精度:", clf.score(x_train, y_train))
print("预测集精度", clf.score(x_test, y_test))
print('-'*70)

tryone = x_test[:1]
lable = y_test[:1]
result = clf.predict(tryone)
print("原标签:", lable)
print("预测标签:", result)
print('-'*70)

#保存模型
joblib.dump(clf, "face_train_model.m")
print("模型已保存:face_train_model.m")

• 跑一遍看看我们的结果

可以看出来，结果还是非常不错的。

好了，下一步就是该打开摄像头来进行识别了~