SVM深入理解&人脸特征提取

最新推荐文章于 2022-10-06 11:31:02 发布
最新推荐文章于 2022-10-06 11:31:02 发布
阅读量629 收藏 1
点赞数 1
文章标签： 支持向量机 python 算法
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/xyf_fate/article/details/121283551
版权

SVM深入理解&人脸特征提取

一、SVM深入理解

1.对月亮数据集

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.preprocessing import PolynomialFeatures,StandardScaler
from sklearn.svm import LinearSVC
from sklearn.pipeline import Pipeline
from sklearn.svm import SVC

def PolynomialSVC(degree,C=1.0):
    return Pipeline([
        ("poly",PolynomialFeatures(degree=degree)),
        ("std_scaler",StandardScaler()),
        ("linearSVC",LinearSVC(C=C))
    ])

def plot_decision_boundary(model, axis):
    x0, x1 = np.meshgrid(
        np.linspace(axis[0], axis[1], int((axis[1]-axis[0])*100)).reshape(-1,1),
        np.linspace(axis[2], axis[3], int((axis[3]-axis[2])*100)).reshape(-1,1)
    )
    X_new = np.c_[x0.ravel(), x1.ravel()]
    y_predict = model.predict(X_new)
    zz = y_predict.reshape(x0.shape) 
    from matplotlib.colors import ListedColormap
    custom_cmap = ListedColormap(['#EF9A9A','#FFF59D','#90CAF9'])
    plt.contourf(x0, x1, zz, cmap=custom_cmap)

def PolynomialKernelSVC(degree,C=1.0):
    return Pipeline([
        ("std_scaler",StandardScaler()),
        ("kernelSVC",SVC(kernel="poly"))
    ])

def RBFKernelSVC(gamma=1.0):
    return Pipeline([
        ('std_scaler',StandardScaler()),
        ('svc',SVC(kernel='rbf',gamma=gamma))
    ])

x_moom, y_moom = datasets.make_moons() 
plt.scatter(x_moom[y_moom==0,0],x_moom[y_moom==0,1]) 
plt.scatter(x_moom[y_moom==1,0],x_moom[y_moom==1,1])
plt.show()

在这里插入图片描述
在这里插入图片描述
多项式拟合

poly_svc_moom = PolynomialSVC(degree=5,C=10)
poly_svc_moom.fit(x_moom,y_moom)
print("权重w:",poly_svc_moom.named_steps['linearSVC'].coef_[0])
print("截距b:",poly_svc_moom.named_steps['linearSVC'].intercept_[0])
plot_decision_boundary(poly_svc_moom,axis=[-1.5,2.5,-1.5,2.5])
plt.scatter(x_moom[y_moom==0,0],x_moom[y_moom==0,1]) 
plt.scatter(x_moom[y_moom==1,0],x_moom[y_moom==1,1])
plt.show()

在这里插入图片描述
高斯核拟合

rbf_svc_moom = RBFKernelSVC(1)
rbf_svc_moom.fit(x_moom,y_moom)

print("系数w:",rbf_svc_moom.named_steps['svc'].dual_coef_)
print("截距b:",rbf_svc_moom.named_steps['svc'].intercept_)
plot_decision_boundary(rbf_svc_moom,axis=[-1.5,2.5,-1.0,1.5])
plt.scatter(x_moom[y_moom==0,0],x_moom[y_moom==0,1]) 
plt.scatter(x_moom[y_moom==1,0],x_moom[y_moom==1,1])
plt.show()

在这里插入图片描述

2.对鸢尾花数据集

iris = datasets.load_iris()

x_iris = iris.data
y_iris = iris.target

x_iris = x_iris [y_iris<2,:2] 
y_iris = y_iris[y_iris<2] 

plt.scatter(x_iris[y_iris==0,0],x_iris[y_iris==0,1]) 
plt.scatter(x_iris[y_iris==1,0],x_iris[y_iris==1,1])
plt.show()

在这里插入图片描述
多项式拟合

poly_svc_iris = PolynomialSVC(degree=5,C=10)
poly_svc_iris.fit(x_iris,y_iris)
print("权重w:",poly_svc_iris.named_steps['linearSVC'].coef_[0])
print("截距b:",poly_svc_iris.named_steps['linearSVC'].intercept_[0])
plot_decision_boundary(poly_svc_iris,axis=[4,7.5,1,4.5])
plt.scatter(x_iris[y_iris==0,0],x_iris[y_iris==0,1]) 
plt.scatter(x_iris[y_iris==1,0],x_iris[y_iris==1,1])
plt.show()

在这里插入图片描述
高斯核拟合

rbf_svc_iris = RBFKernelSVC(1)
rbf_svc_iris.fit(x_iris,y_iris)
print("系数w:",rbf_svc_iris.named_steps['svc'].dual_coef_)
print("截距b:",rbf_svc_iris.named_steps['svc'].intercept_)
plot_decision_boundary(rbf_svc_iris,axis=[4,7.5,1,4.5])
plt.scatter(x_iris[y_iris==0,0],x_iris[y_iris==0,1]) 
plt.scatter(x_iris[y_iris==1,0],x_iris[y_iris==1,1])
plt.show()

在这里插入图片描述

二、人脸特征提取

1.绘制特征点

import numpy as np
import cv2
import dlib
import os
import sys
import random

# dlib预测器
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')

ok = True
# 打开摄像头 参数为输入流，可以为摄像头或视频文件
camera = cv2.VideoCapture(0)
#camera = cv2.VideoCapture('video.mp4')
while ok:
    # 读取摄像头中的图像，ok为是否读取成功的判断参数
    ok, img = camera.read()

    # 转换成灰度图像
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    rects = detector(img_gray, 0)
    for i in range(len(rects)):
        landmarks = np.matrix([[p.x, p.y] for p in predictor(img, rects[i]).parts()])
        # 矩阵转为列表
        point_list=landmarks.getA()

        # 点坐标
        point_37 = (point_list[37][0],point_list[37][1])
        point_38 = (point_list[38][0], point_list[38][1])

        # 比例系数,37,38两点距离
        size = (pow(pow(point_38[1] - point_37[1], 2) + pow(point_38[0] - point_37[0], 2), 0.5))

        # 点坐标
        point_39 = (point_list[39][0], point_list[39][1])
        point_42 = (point_list[42][0], point_list[42][1])

        # 画特征点
        for idx, point in enumerate(landmarks):
            # 68点的坐标
            pos = (point[0, 0], point[0, 1])

            # 利用cv2.circle给每个特征点画一个圈，共68个
            cv2.circle(img, pos, 1, color=(0, 255, 0))

            # 利用cv2.putText输出1-68
            font = cv2.FONT_HERSHEY_SIMPLEX
            cv2.putText(img, str(idx + 1), pos, font, 0.3, (0, 0, 255), 1, cv2.LINE_AA)
    cv2.imshow('video', img)
    k = cv2.waitKey(1)
    if k == 27:  # 按下ESC退出
        break
camera.release()
cv2.destroyAllWindows()

运行效果
在这里插入图片描述

2.墨镜特效

import numpy as np
import cv2
import dlib
import os
import sys
import random

# dlib预测器
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor('D:\shape_predictor_68_face_landmarks.dat')

ok = True
# 打开摄像头 参数为输入流，可以为摄像头或视频文件
#camera = cv2.VideoCapture(0)
camera = cv2.VideoCapture('D:/video.mp4')
while ok:
    # 读取摄像头中的图像，ok为是否读取成功的判断参数
    ok, img = camera.read()

    # 转换成灰度图像
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    rects = detector(img_gray, 0)
    for i in range(len(rects)):
        landmarks = np.matrix([[p.x, p.y] for p in predictor(img, rects[i]).parts()])
        # 矩阵转为列表
        point_list=landmarks.getA()

        # 点坐标
        point_37 = (point_list[37][0],point_list[37][1])
        point_38 = (point_list[38][0], point_list[38][1])

        # 比例系数,37,38两点距离
        size = (pow(pow(point_38[1] - point_37[1], 2) + pow(point_38[0] - point_37[0], 2), 0.5))

        # 点坐标
        point_39 = (point_list[39][0], point_list[39][1])
        point_42 = (point_list[42][0], point_list[42][1])

        cv2.circle(img, (point_list[41][0], point_list[41][1]), int(3 * size), (0, 0, 0), -1)
        cv2.circle(img, (point_list[46][0], point_list[46][1]), int(3 * size), (0, 0, 0), -1)
        # 画眼镜框
        cv2.line(img, point_39, point_42, (0, 0, 0), 4)

    cv2.imshow('video', img)
    k = cv2.waitKey(1)
    if k == 27:  # 按下ESC退出
        break
camera.release()
cv2.destroyAllWindows()

在这里插入图片描述

三、总结

SVM的优缺点
1、SVM算法对大规模训练样本难以实施
SVM的空间消耗主要是存储训练样本和核矩阵，由于SVM是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算（m为样本的个数），当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。针对以上问题的主要改进有有J.Platt的SMO算法、T.Joachims的SVM、C.J.C.Burges等的PCGC、张学工的CSVM以及O.L.Mangasarian等的SOR算法。如果数据量很大，SVM的训练时间就会比较长，如垃圾邮件的分类检测，没有使用SVM分类器，而是使用了简单的naive bayes分类器，或者是使用逻辑回归模型分类。
2、用SVM解决多分类问题存在困难
经典的支持向量机算法只给出了二类分类的算法，而在数据挖掘的实际应用中，一般要解决多类的分类问题。可以通过多个二类支持向量机的组合来解决。主要有一对多组合模式、一对一组合模式和SVM决策树；再就是通过构造多个分类器的组合来解决。主要原理是克服SVM固有的缺点，结合其他算法的优势，解决多类问题的分类精度。如：与粗集理论结合，形成一种优势互补的多类问题的组合分类器。
3、对缺失数据敏感，对参数和核函数的选择敏感
支持向量机性能的优劣主要取决于核函数的选取,所以对于一个实际问题而言,如何根据实际的数据模型选择合适的核函数从而构造SVM算法。目前比较成熟的核函数及其参数的选择都是人为的,根据经验来选取的,带有一定的随意性.在不同的问题领域,核函数应当具有不同的形式和参数,所以在选取时候应该将领域知识引入进来,但是目前还没有好的方法来解决核函数的选取问题。

四、参考

1.基于Sklearn+matlab绘制SVM决策函数
2.基于OpenCv+Python+Dlib实现简单人脸数据采集

Ivan@Xiang
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
人脸特征提取模型（细致分析对比分析）-基于LFW数据集
rainforestgreen的博客
01-12 7357
动机             总所周知，LFW数据在人脸特征提取模型的验证上是一个基本的标杆，目前大部分的方法在上面的效果已经都超过了99%的验证准确度，但是单纯的测试模型在上面的准确度，并不能分析出模型的性能到底好多少？到底好在什么方面？（因为大部分模型的验证精度都差别很小了）。             出于以上原因，为了对比不同模型具体性能的差异，设计了如下分析方案：          ...
御神楽的学习记录之SVM深入理解&人脸特征提取
御神楽的博客
11-12 4856
文章目录前言一、鸢尾花数据集SVM分类1.引入库和数据二、人脸特征提取1.引入库2.读入数据总结 前言 OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。 它轻量级而且高效–由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。 一、鸢尾花数据集SVM分类 1.引入库和数据 二、人脸特征提取 1.引入库.
HOG特征及在opencv中的提取
openMyVision的博客
07-18 3449
根据zouxy09的博文进行部分修改 HOG特征
05_人脸识别实战（深度学习）- 创建人脸特征提取模型
yuanyuneixin1的专栏
04-16 3093
为了让大家，更快的上手，先看到效果，在一步一步的分析理论，我这里简要的介绍一下模型就开始上代码。 人脸识别模型与分类模型的区别？ 识别2张图中的人脸的流程是：模型分别提取图片中人脸的特征，然后对比2张图片中人脸特征的相似度，如果相似度小于一个阈值，我们就认为他们是同一个人 分类模型的流程是：提取图片中的特征，然后用最后一次（softmax）层将特征值进行计算，它属于哪一类 于是乎，我们利用分类模...
人脸特征提取
04-29
人脸识别系统 通过对图像预处理对图像进行特征提取和五官识别
《本科毕设》-人脸识别&特征提取系统
最新发布
03-03
在本项目中，学生将深入理解并实现人脸识别与特征提取技术，以及一个简单的表情识别（FER）系统，并为这些功能设计用户界面。下面将对每个部分进行详细的阐述。 1. 特征提取LBP（局部二值模式）： LBP是一种简单且...
matlab 人脸特征特征提取
01-15
在人脸特征提取领域，MATLAB作为一个强大的数学计算和数据分析软件，常常被用于图像处理和模式识别任务，包括人脸特征的提取。本篇文章将深入探讨如何使用MATLAB进行人脸图像的预处理，以及如何利用MATLAB工具箱进行...
KL-base-face recognition_表情识别_人脸特征提取_
09-30
人脸特征提取和表情识别是计算机视觉领域中的重要研究方向，主要应用于安全监控、人机交互、虚拟现实等场景。在本项目"KL-base-face recognition_表情识别_人脸特征提取_"中，开发者使用KL变换（Kullback-Leibler ...
人脸图像的HOG特征提取
07-30
人脸图像的HOG（Histogram of Oriented Gradients，导向梯度直方图）特征提取是一种在计算机视觉领域广泛用于行人检测、人脸识别等任务的特征描述方法。它通过计算和统计图像局部区域内的梯度方向直方图来描述图像...
SVM人脸识别_人脸识别_OPENCV_C++
04-14
- SVM可以作为分类器用于人脸识别，通过对人脸特征进行学习，然后在未知人脸图像上进行预测。 3. **OpenCV库** - OpenCV提供了一套完整的图像处理和计算机视觉工具，包括图像读取、显示、转换、滤波、特征提取等...
人脸识别特征提取，比对代码(基于VGG模型)
03-16
内部是提取的代码，也只需要这个，其他都是需要链接的库，使用的是VS2015弄的，自己加下链接库，模型去VGG官网下载就可以了，还有不明白的给我留言
用SVM做特征选择
11-25
支持向量机是一个性能比较好的分类器，但直接用于做分类不一定能得到好的性能，但若能结合好的特征选择算法分类性能会大大提高，本程序就是结合我们实验室提出的特征选择方法再加上SVM 得到好的结果
人脸特征点提取方法综述
12-09
人脸特征点提取方法综述 ；；人脸特征点; 轮廓提取; 轮廓模型; PDM; 二维图像;
SVM 用于基于块划分特征提取的图像分类
09-22
SVM 用于基于块划分特征提取的图像分类论文及实现代码
dlib、facenet和VGG16三种人脸特征提取所需要的数据和模型（shape_predictor_68_face_landmarks.dat；shape_predictor_5_face）
Joyyang_c的博客
03-19 1736
dlib官网（http://dlib.net/files/）下载人脸特征提取器贼慢！！对于国内网上CSDN下载这些所需的.dat文件和数据包收币，决定搞个所需的压缩文件分享给大家！！ 百度网盘：https://pan.baidu.com/s/1sZDsLBqrU1Yv5hnx0_jOhQ 提取码：4o41 内含有的文件包括： 供大家共同学习和开发！！ ...
卷积神经网络人脸特征提取,cnn卷积神经网络模型
wenangou的博客
10-06 3610
卷积神经网络的研究的最新进展引发了人们完善立体匹配重建热情。从概念看，基于学习算法能够捕获全局的语义信息，比如基于高光和反射的先验条件，便于得到更加稳健的匹配。目前已经探求一些两视图立体匹配，用神经网络替换手工设计的相似性度量或正则化方法。这些方法展现出更好的结果，并且逐步超过立体匹配领域的传统方法。事实上，立体匹配任务完全适合使用CNN，因为图像对是已经过修正过的，因此立体匹配问题转化为水平方向上逐像素的视差估计。 与双目立体匹配不同的是，MVS的输入是任意数目的视图，这是深度学习方法需要解决的一个棘手的
人脸识别特征提取的三种方法-HoG、Dlib、卷积神经网络特征
热门推荐
君琴 的博客
07-08 1万+
人脸图像特征提取的各种方法（包括HoG、Dlib和卷积神经网络特征） 1. HOG提取人脸图像特征 用于行人检测的 HOG 特征描述子，是基于 64×128 大小的图像。但图像可能是任何尺寸的，对于这些之后用于分析的图像，唯一需要进行的处理是调整纵横比图像大小。例如需要调整纵横比为1：2，图像可以被调整为 100×200, 128×256, 或者 1000×2000，比如原始图像大小是 720×475，我们截切出来 100×200 大小图像用来计算 HOG 特征描述子，然后重新调整大小到 64×128。 为
SVM向量机及人脸特征提取
weixin_47306453的博客
11-11 1455
文章目录一、SVM向量机1.向量机简述2.核函数简述3.鸢尾花数据集3.多项式分类函数4.高斯核方式5.月亮数据集6.高斯核方式二、人脸特征提取1.win10安装opencv和dlib2.打开摄像头，实时采集人脸并保存、绘制68个特征点三、参考链接 一、SVM向量机 1.向量机简述 （1）简介： 支持向量机(support vector machine, SVM)：是监督学习中最有影响力的方法之一。类似于逻辑回归，这个模型也是基于线性函数wTx+b的。不同于逻辑回归的是，支持向量机不输出概率，只输出类别。当
人脸特征点提取
x1359640470的博客
11-12 6115
目录dlib与opencv安装Ⅰ-提取人脸特征Ⅱ-在眼睛处绘制黑色的实心圆（伪墨镜）小结链接 dlib与opencv Dlib 是一个十分优秀好用的机器学习库，其源码均由 C++ 实现，并提供了 Python 接口，可广泛适用于很多场景. 这里主要记录 Dlib 中关于人脸检测和人脸关键点等技术的 python 应用. OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系
EN3rd版：计算机视觉中的特征提取与图像处理
此外，书中还可能包含了更多关于特征选择和降维技术，以及如何将特征提取与机器学习模型如支持向量机（SVM）或神经网络相结合的实践指导。 书中强调版权保护，任何未经许可的复制或传播都必须遵守出版商的规定。这...
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

打赏作者

Ivan@Xiang

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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