SVM算法应用综合练习(2)--人脸表情识别

最新推荐文章于 2022-11-09 20:23:32 发布
最新推荐文章于 2022-11-09 20:23:32 发布
阅读量118 收藏
点赞数
文章标签： 算法 支持向量机 计算机视觉
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/y000827/article/details/122115296
版权

一、训练

  • 代码：
import numpy as np
import cv2
import dlib
import random#构建随机测试集和训练集
from sklearn.svm import SVC #导入svm
from sklearn.svm import LinearSVC #导入线性svm
from sklearn.pipeline import Pipeline #导入python里的管道
import os
import joblib#保存模型
from sklearn.preprocessing import StandardScaler,PolynomialFeatures #导入多项式回归和标准化
import tqdm
folder_path='E:/AI/genki4k (1)/genki4k/'
label='labels.txt'#标签文件
pic_folder='files/'#图片文件路径
#获得默认的人脸检测器和训练好的人脸68特征点检测器
def get_detector_and_predicyor():
    #使用dlib自带的frontal_face_detector作为我们的特征提取器
    detector = dlib.get_frontal_face_detector()
    """
    功能：人脸检测画框
    参数：PythonFunction和in Classes
    in classes表示采样次数，次数越多获取的人脸的次数越多，但更容易框错
    返回值是矩形的坐标，每个矩形为一个人脸（默认的人脸检测器）
    """
    #返回训练好的人脸68特征点检测器
    predictor = dlib.shape_predictor('E:\\AI\\shape_predictor_68_face_landmarks.dat')
    return detector,predictor
#获取检测器
detector,predictor=get_detector_and_predicyor()
def cut_face(img,detector,predictor):   
    #截取面部
    img_gry=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    rects = detector(img_gry, 0)  
    if len(rects)!=0:
        mouth_x=0
        mouth_y=0
        landmarks = np.matrix([[p.x, p.y] for p in predictor(img,rects[0]).parts()])
        for i in range(47,67):#嘴巴范围
            mouth_x+=landmarks[i][0,0]
            mouth_y+=landmarks[i][0,1]
        mouth_x=int(mouth_x/20)
        mouth_y=int(mouth_y/20)
        #裁剪图片
        img_cut=img_gry[mouth_y-20:mouth_y+20,mouth_x-20:mouth_x+20]
        return img_cut
    else:
        return 0#检测不到人脸返回0
#提取特征值
def get_feature(files_train,face,face_feature):
    for i in tqdm.tqdm(range(len(files_train))):
        img=cv2.imread(folder_path+pic_folder+files_train[i])
        cut_img=cut_face(img,detector,predictor)
        if type(cut_img)!=int:
            face.append(True)
            cut_img=cv2.resize(cut_img,(64,64))
            #padding:边界处理的padding
            padding=(8,8)
            winstride=(16,16)
            hogdescrip=hog.compute(cut_img,winstride,padding).reshape((-1,))
            face_feature.append(hogdescrip)
        else:
            face.append(False)#没有检测到脸的
            face_feature.append(0)
def filtrate_face(face,face_feature,face_site): #去掉检测不到脸的图片的特征并返回特征数组和相应标签   
    face_features=[]
    #获取标签
    label_flag=[]
    with open(folder_path+label,'r') as f:
        lines=f.read().splitlines()
    #筛选出能检测到脸的，并收集对应的label
    for i in tqdm.tqdm(range(len(face_site))):
        if face[i]:#判断是否检测到脸
            #pop之后要删掉当前元素，后面的元素也要跟着前移，所以每次提取第一位就行了
            face_features.append(face_feature.pop(0))
            label_flag.append(int(lines[face_site[i]][0])) 
        else:
            face_feature.pop(0)
    datax=np.float64(face_features)
    datay=np.array(label_flag)
    return datax,datay
def PolynomialSVC(degree,c=10):#多项式svm
    return Pipeline([
            # 将源数据 映射到 3阶多项式
            ("poly_features", PolynomialFeatures(degree=degree)),
            # 标准化
            ("scaler", StandardScaler()),
            # SVC线性分类器
            ("svm_clf", LinearSVC(C=10, loss="hinge", random_state=42,max_iter=10000))
        ])
#svm高斯核
def RBFKernelSVC(gamma=1.0):
    return Pipeline([
        ('std_scaler',StandardScaler()),
        ('svc',SVC(kernel='rbf',gamma=gamma))
    ])
def train(files_train,train_site):#训练
    '''
    files_train:训练文件名的集合
    train_site :训练文件在文件夹里的位置
    '''
    #是否检测到人脸
    train_face=[]
    #人脸的特征数组
    train_feature=[]
    #提取训练集的特征数组
    get_feature(files_train,train_face,train_feature)
    #筛选掉检测不到脸的特征数组
    train_x,train_y=filtrate_face(train_face,train_feature,train_site)
    svc=PolynomialSVC(degree=1)
    svc.fit(train_x,train_y)
    return svc#返回训练好的模型
def test(files_test,test_site,svc):#预测，查看结果集
    '''
    files_train:训练文件名的集合
    train_site :训练文件在文件夹里的位置
    '''
    #是否检测到人脸
    test_face=[]
    #人脸的特征数组
    test_feature=[]
    #提取训练集的特征数组
    get_feature(files_test,test_face,test_feature)
    #筛选掉检测不到脸的特征数组
    test_x,test_y=filtrate_face(test_face,test_feature,test_site)
    pre_y=svc.predict(test_x)
    ac_rate=0
    for i in range(len(pre_y)):
        if(pre_y[i]==test_y[i]):
            ac_rate+=1
    ac=ac_rate/len(pre_y)*100
    print("准确率为"+str(ac)+"%")
    return ac
#设置hog的参数
winsize=(64,64)
blocksize=(32,32)
blockstride=(16,16)
cellsize=(8,8)
nbin=9
#定义hog
hog=cv2.HOGDescriptor(winsize,blocksize,blockstride,cellsize,nbin)
#获取文件夹里有哪些文件
files=os.listdir(folder_path+pic_folder)
ac=float(0)
for j in range(10):
    site=[i for i in range(4000)]
    #训练所用的样本所在的位置
    train_site=random.sample(site,3600)
    #预测所用样本所在的位置
    test_site=[]
    for i in range(len(site)):
        if site[i] not in train_site:
            test_site.append(site[i])
    files_train=[]
    #训练集,占总数的十分之九
    for i in range(len(train_site)):
        files_train.append(files[train_site[i]])
    #测试集
    files_test=[]
    for i in range(len(test_site)):
        files_test.append(files[test_site[i]])
    svc=train(files_train,train_site)
    ac=ac+test(files_test,test_site,svc)
    save_path='./smile'+str(j)+'(hog).pkl'
    joblib.dump(svc,save_path)
ac=ac/10
print("平均准确率为"+str(ac)+"%")
  • 运行结果
    在这里插入图片描述
    在这里插入图片描述

二、检测

  • 代码：
def test1(files_test,test_site,svc):#预测，查看结果集
    '''
    files_train:训练文件名的集合
    train_site :训练文件在文件夹里的位置
    '''
    #是否检测到人脸
    test_face=[]
    #人脸的特征数组
    test_feature=[]
    #提取训练集的特征数组
    get_feature(files_test,test_face,test_feature)
    #筛选掉检测不到脸的特征数组
    test_x,test_y=filtrate_face(test_face,test_feature,test_site)
    pre_y=svc.predict(test_x)
    tp=0
    tn=0
    for i in range(len(pre_y)):
        if pre_y[i]==test_y[i] and pre_y[i]==1:
            tp+=1
        elif pre_y[i]==test_y[i] and pre_y[i]==0:
            tn+=1
    f1=2*tp/(tp+len(pre_y)-tn)
    print(f1)
svc7=joblib.load('./smile9(hog).pkl')
site=[i for i in range(4000)]
#训练所用的样本所在的位置
train_site=random.sample(site,3600)
#预测所用样本所在的位置
test_site=[]
for i in range(len(site)):
    if site[i] not in train_site:
        test_site.append(site[i])
#测试集
files_test=[]
for i in range(len(test_site)):
    files_test.append(files[test_site[i]])
test1(files_test,test_site,svc7)
  • 运行结果：
    在这里插入图片描述
    1、调用模型进行检测：
  • 代码：
def smile_detector(img,svc):
    cut_img=cut_face(img,detector,predictor)
    a=[]
    
    if type(cut_img)!=int:
        cut_img=cv2.resize(cut_img,(64,64))
    #padding:边界处理的padding
        padding=(8,8)
        winstride=(16,16)
        hogdescrip=hog.compute(cut_img,winstride,padding).reshape((-1,))
        a.append(hogdescrip)
        result=svc.predict(a)
        a=np.array(a)
        return result[0]
    else :
        return 2
##图片检测
pic_path='C:/picture/smile.webp'
img=cv2.imread(pic_path)
result=smile_detector(img,svc7)
if result==1:
    img=cv2.putText(img,'smile',(21,50),cv2.FONT_HERSHEY_COMPLEX,2.0,(0,255,0),1)
elif result==0:
    img=cv2.putText(img,'no smile',(21,50),cv2.FONT_HERSHEY_COMPLEX,2.0,(0,255,0),1)
else:
    img=cv2.putText(img,'no face',(21,50),cv2.FONT_HERSHEY_COMPLEX,2.0,(0,255,0),1)
cv2.imshow('video', img)
cv2.waitKey(0)
  • 结果
    在这里插入图片描述
    2、打开摄像头进行检测：
  • 代码：
camera = cv2.VideoCapture(0)#打开摄像头
ok=True
flag=0
# 打开摄像头 参数为输入流，可以为摄像头或视频文件
while ok:
    ok,img = camera.read()
     # 转换成灰度图像
    result=smile_detector(img,svc7)
    if result==1:
        img=cv2.putText(img,'smile',(21,50),cv2.FONT_HERSHEY_COMPLEX,2.0,(0,255,0),1)
    elif result==0:
        img=cv2.putText(img,'no smile',(21,50),cv2.FONT_HERSHEY_COMPLEX,2.0,(0,255,0),1)
    else:
        img=cv2.putText(img,'no face',(21,50),cv2.FONT_HERSHEY_COMPLEX,2.0,(0,255,0),1)
    cv2.imshow('video', img)
    k = cv2.waitKey(1)
    if k == 27:    # press 'ESC' to quit
        break
    elif k==115:
        pic_save_path='../source/picture/GENKI-R2009a/result/'+str(flag)+'.jpg'
        flag+=1
        cv2.imwrite(pic_save_path,img)
camera.release()
cv2.destroyAllWindows()
  • 结果：
    在这里插入图片描述

三、总结

成功实现人脸表情识别

参考文章

SVM实现人脸识别

y000827
关注
基于SVM算法的人脸表情识别
weixin_48302823的博客
12-22 1825
一：下载实验所需要的包： pip install scikit-image pip install playsound pip install pandas pip install sklearn 二：图片预处理： 将人脸检测出来并对图片进行裁剪 import dlib # 人脸识别的库dlib import numpy as np # 数据处理的库numpy import cv2 # 图像处理的库OpenCv import os # dlib预
基于SVM的人脸识别
热门推荐
DeepIndeed
12-20 1万+
基于SVM的人脸识别数据说明 本文中使用PCA实现特征脸提取
SVM实现人脸识别
Baker的博客
12-19 3951
一、训练 # 导入包 import numpy as np import cv2 import dlib import random#构建随机测试集和训练集 from sklearn.svm import SVC #导入svm from sklearn.svm import LinearSVC #导入线性svm from sklearn.pipeline import Pipeline #导入python里的管道 import os import joblib#保存模型 from sklearn.prepr
基于SVM实现人脸识别
weixin_46579610的博客
11-01 4784
目录 一、实验目的 二、实验方法 三、实验结果 结果讨论 结论#%E7%BB%93%E8%AE%BA 具体代码如下 一、实验目的 在pycharm平台上，采用SVM分类器实现人脸识别。在实验过程中： 学习应用主成成分分析对特征向量进行提取，并讨论选取前n个成分对识别准确性的影响。 增加对SVM的理解，通过调节SVM具有的参数具体分析对识别效果的影响。 人脸识别的成功精确度达到90%以上。 二、实验方法 1、从网上下载人脸数据集，并按照不同人脸图片进行分类存储。 2、读取图片..
机器学习笔记--SVM实现人脸识别
最新发布
牵一只蜗牛去散步
11-09 1457
上述代码可以用以下代码代替，博主在ORL数据集上测试发现两者符号相反，数值相等；但由于后面对验证集进行pca降维时，需要用到训练集的参数进行标准化（原因见。③load_dataset()和train_test_split可以用以下函数代替，在ORL数据集上测试发现准确率有随机性，但相差不大；②运行gen_data.py生成数据集文件dataset.npy。），所以建议还是使用sklearn自带的api进行降维处理；4--SVM实现人脸识别。
SVM算法应用综合练习(2)--人脸微笑识别
YouthBlood9的博客
12-24 4767
录一、图片准备二、图片预处理2.1 代码2.2 实验结果三、划分数据集3.1 代码3.2 实验结果四、提取人脸并判别是否为笑脸4.1 代码4.2 运行结果4.3 检测函数4.3.1 代码4.3.2 运行结果五、调用模型检测微笑5.1 代码5.2 结果六、摄像头实时检测6.1 代码6.2 结果小小的总结参考文献 一、图片准备 图片集： 可从这里下载：https://inc.ucsd.edu/mplab/398.php 二、图片预处理 我们需要将人脸检测出来并对图片进行裁剪 2.1 代码 im
SVM算法应用综合练习：人脸表情识别
weixin_46129506的博客
12-14 3074
目录一、步骤流程及相关介绍1.流程2.相关介绍二、编写代码参考 一、步骤流程及相关介绍 1.流程 2.相关介绍 相关准备： dlib: 链接：https://pan.baidu.com/s/1ZmrMD7rk4VGZ4x6KHfSa6w 提取码：1713 68个人脸特征点： 链接：https://pan.baidu.com/s/1Ys3gI03GQOGudfJ5whnBzA 提取码：0526 图片集： 链接：https://pan.baidu.com/s/1_A5gM64_dPI3offCMInhM
人脸识别训练素材一万张
01-07
在特征提取的基础上，分类器训练阶段会使用如支持向量机（SVM）、神经网络等算法，将特征向量与对应的标签（即人脸的身份信息）关联起来，形成一个能够识别人脸的模型。最后，在测试阶段，使用未见过的人脸图片来...
SVM人脸识别
BUCKY_999的博客
11-05 313
数据读取 给出的数据是mat格式存储的，19*19的灰度值，所以用loadmat就能直接读出 from scipy.io import loadmat train_data = loadmat('task2/train(Task2)/train_data.mat') train_label = loadmat('task2/train(Task2)/train_label.mat') train_data = train_data.get('train_data') train_label = tr
支持向量机（SVM）——人脸识别
07-26
python3代码，调用SVM实现人脸识别，并根据python2.7代码，进行勘误。
基于SVM的人脸识别.zip
07-02
人脸识别代码——基于svm。在matlab上运行。
基于SVM(支持向量机) 的人脸识别 matlab 代码
09-20
基于SVM(支持向量机) 的人脸识别 matlab 代码 基于SVM(支持向量机) 的人脸识别 matlab 代码
实战案例-使用支持向量机（SVM）算法进行人脸识别
06-17
本资源包括使用支持向量机（SVM）算法进行人脸识别预测的全部源码 SVM就是帮我们找到一个超平面，这个超平面能将不同的样本划分开，同时使得样本集中的点到这个分类超平面的最小距离（即分类间隔）最大化。 支持向量机算法（Support Vector Machine，SVM），是一种二分类模型。 对于二分类问题，如果我们从数据集是否线性可分角度来看的话（线性可分通俗理解就是画一条直线，可以直接将两种类型的数据分开），可以将数据分为三种类型，一类是线性可分的、一类是近似线性可分（有一些异常点导致无法线性可分）、一类是线性不可分。 这三种场景对应的SVM的算法分别是硬间隔SVM、软间隔SVM和非线性SVM。 本案例使用支持向量机（SVM）算法实现人脸识别功能。 算法内容包括： 1、获取数据集 2、数据划分 3、PCA特征提取 4、使用线性SVM进行预测 5、交叉验证 6、超参数调优 7、预测结果分析 8、混淆矩阵评估
机器学习项目实战——21SVM算法之人脸识别
weixin_45823221的博客
05-04 1246
现在关于人脸识别的项目一般采用深度学习方法，很少使用SVM的了 整体代码： import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.datasets import fetch_lfw_people from sklearn.model_selection import GridSearchCV from sklearn.metrics import clas
SVM算法——人脸识别
liangshibing的博客
04-10 1496
SVM算法——人脸识别from sklearn import svm import numpy as np import pylab as pl np.random.seed(0)#随机方法每次结果不变，参数填入0 x = np.r_[np.random.randn(20,2)-[2,2],np.random.randn(20,2)+[2,2]] y = [0]*20 + [1]*20 pri...
机器学习——SVM（支持向量机）与人脸识别
转载请标明出处，完整项目/代码详见github：https://github.com/yiru1225
04-29 1万+
本篇博客主要介绍SVM（支持向量机）算法，利用经典SVM实现图像识别二分类，并将SVM（OVO与OVR均实现）+ 降维方法（PCA与LDA）用于人脸识别，并将SVM与KNN进行比较，OVO与OVR进行比较（内附数据集与matlab、python代码）...
模糊-SVM遗传算法在人脸识别动态分割中的应用
“一种模糊-SVM遗传算法的人脸动态分割，通过结合模糊理论、Hopfield能量函数和SVM，提出了一种针对人脸动态分割的遗传算法。该算法利用人体肤色的模糊表达关系和Sobel模糊处理进行人脸识别，并在实际测试中取得良好...
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