掌纹识别分析

最新推荐文章于 2024-05-14 13:35:29 发布

啊华的程序人生

最新推荐文章于 2024-05-14 13:35:29 发布

阅读量275

点赞数 4

分类专栏：机器学习文章标签：支持向量机算法机器学习

本文链接：https://blog.csdn.net/yyjysh0216/article/details/135037465

版权

机器学习专栏收录该内容

1 篇文章 1 订阅

订阅专栏

本文介绍了掌纹识别过程中数据集的加载、预处理（如PCA降维和Gabor滤波）、以及使用SVM和KNN算法进行分类的示例，展示了不同步骤对准确率的影响。

摘要由CSDN通过智能技术生成

掌纹识别分析源代码

在进行掌纹识别前，我们需要对数据集进行简单的处理。

1.加载数据，代码如下：

#加载数据
def load_dataset():
    X = []  # 特征
    y = []  # 标签
    
    for i in range(100):
        for j in range(1,7):
            path="E:\\palmbases\\"+"p_"+str(i)+"_"+str(j)+".bmp"
            img = cv2.imread(path)
            # 提取Gabor特征
            #features = extract_gabor_features(img)
            gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
            features = gray_img.flatten()
            # 从文件名中提取类别标签
            category = i

            X.append(features)
            y.append(category)
    return X,y

2.划分数据集，这里先以4:2的比例进行分层抽样，代码如下：

#分层抽样划分数据集，每6张前4张做训练后俩张做测试
def data_split(x,y):
    X_train=[]
    X_test=[]
    y_train=[]
    y_test=[]
    j=1#标记变量
    for i in x:
        if j<=4:
            X_train.append(i)
            j+=1
        else:
            X_test.append(i)
            j+=1
            if j==7:
                j=1
    j=1
    for i in y:
        if j<=4:
            y_train.append(i)
            j+=1
        else:
            y_test.append(i)
            j+=1
            if j==7:
                j=1
    return np.array(X_train),np.array(X_test),np.array(y_train),np.array(y_test)

3.不做处理，直接跑模型测试，这里选择svm模型,代码如下：

# 加载数据集
X, y = load_dataset()
#划分数据集
X_train, X_test, y_train, y_test=data_split(X,y)
# 初始化SVM分类器
clf = svm.SVC(kernel='rbf')

# 训练SVM模型
clf.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"Test Accuracy: {accuracy}")

上面代码需要导入的包如下，也是下面代码所需要的：

import os
import cv2
import numpy as np
from sklearn import svm
from sklearn.decomposition import PCA
from sklearn.metrics import accuracy_score

最终svm跑出的准确率为0.96.

4.数据处理与训练

接下来我们试试对数据进行处理并训练看看结果。

（1）对数据进行降维，并利用循环遍历得出最佳维度，先观察以下数据的信息，代码如下：

X_train.shape

结果显示：(400, 16384)

降维函数如下：

def pca_transform(X_train,X_test, n_components):  
    # 使用PCA降维  
    pca = PCA(n_components=n_components)  
    train = pca.fit_transform(X_train)
    test=pca.transform(X_test)
    return train,test

根据上面结果看到维度高达16384维，下面是挑选最佳维度代码：

#获取最佳维度和准确率,利用svm计算
def pca_best(X_train,X_test):
    acc=[]#各维度准确率集合
    nlist=[]#各维度集合
    a=10
    acc1=0
    for n in range(10,300,10):#先到300维看看，如果波动比较大再加
                # 对训练数据和测试数据进行PCA降维  
        X_train_pca, X_test_pca = pca_transform(X_train,X_test,n)  
        # 初始化SVM分类器
        clf = svm.SVC(kernel='rbf')
        # 训练SVM模型
        clf.fit(X_train_pca, y_train)
        # 在测试集上进行预测
        y_pred = clf.predict(X_test_pca)
        # 计算准确率
        accuracy = accuracy_score(y_test, y_pred)
        if accuracy==1:
            return n,accuracy
        acc.append(accuracy)
        nlist.append(n)
        #打印各维度对应的准确率，看看波动情况，如果准确率越来越平稳，则不用测试300维以后的维度，否之则不然
        print("维度为：",n)
        print("准确率为：",accuracy)
        print("\n")
    #获取最佳维度和准确率
    for i in range(len(nlist)):
        if acc1<acc[i]:
            acc1=acc[i]
            a=nlist[i]
    return a,acc1

运行代码如下:

#前面已经划分好数据集
n,acc=pca_best(X_train,X_test)
print("最佳维度为：",n)
print("准确率为：",acc)

运行结果为：

最佳维度为： 70
准确率为： 0.985

(2)利用gabor滤波对数据进行处理

gabor滤波代码如下：

#建立gabor滤波器
def gabor_filter(img, frequency, theta):
    kernel = cv2.getGaborKernel((21, 21), 5.0, theta, 10.0, 1.0, 0, ktype=cv2.CV_32F)
    filtered_img = cv2.filter2D(img, cv2.CV_8UC3, kernel)
    return filtered_img

#图像滤波
def extract_gabor_features(image):
    #因为加载数据时已经进行过灰度转换了，所以下面一行注释掉
    #gray_img = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    gray_img=image
    filtered_img = gabor_filter(gray_img, frequency=0.6, theta=1.0)
    flattened_features = filtered_img.flatten()
    return flattened_features

计算gabor后的准确率，代码如下：

def gabor_image(x):#将加载的数据集进行滤波
    x_gabor=[]
    for i in x:
        features = extract_gabor_features(i)
        x_gabor.append(features)
    return x_gabor
#滤波
x_gabor=gabor_image(X)
#划分数据集
X_train, X_test, y_train, y_test=data_split(x_gabor,y)

# 初始化SVM分类器
clf = svm.SVC(kernel='rbf')

# 训练SVM模型
clf.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"Test Accuracy: {accuracy}")

结果显示为：

Test Accuracy: 0.94

可以发现准确率相比没有滤波时下降了，我们参考下面论文：

D. Zhang, W. K. Kong, J. You, M. Wong. Online palmprint identification[J]. IEEETransactions on Pattern Analysis and Machine Intelligence,2003,25(9):1041-1050

知道了一些原因，并且可以尝试使用2D Gabor相位编码。这里暂时不做处理，我还不会。

下面使用其他算法来进行模型测试。

5.使用knn算法来进行分类识别

代码如下：

from sklearn.neighbors import KNeighborsClassifier  
from sklearn.metrics import accuracy_score 
#加载数据代码（上面有）
#划分数据代码（上面有）
# 使用KNN算法进行训练和预测  
knn = KNeighborsClassifier(n_neighbors=1)  # 设置K值为1，可根据需求进行调整  
knn.fit(X_train, y_train)  
predictions = knn.predict(X_test)  
# 计算准确率  
accuracy = accuracy_score(y_test, predictions)  
print("Accuracy:", accuracy)

加载数据和划分数据集的代码用之前的。

结果为：

Accuracy: 0.97

我们修改k值看看，这里因为训练集每个类最多只有4张图片，所以k最多设置为4，我们要用下面代码遍历看看结果：

def knn_test():
    for n in range(1,5):
        # 使用KNN算法进行训练和预测  
        knn = KNeighborsClassifier(n_neighbors=n) 
        knn.fit(X_train, y_train)  
        predictions = knn.predict(X_test)  
        # 计算准确率  
        accuracy = accuracy_score(y_test, predictions)
        print("K值为：",n)
        print("Accuracy:", accuracy)
        print("\n")
knn_test()

结果为：

K值为： 1
Accuracy: 0.97


K值为： 2
Accuracy: 0.83


K值为： 3
Accuracy: 0.765


K值为： 4
Accuracy: 0.76

结果表示k为1时结果最高。

接下来我们对数据进行降维后再利用knn分类，并利用循环得出最佳维度（与之前降维代码类似）：

#获取最佳维度和准确率,利用knn计算
def pca_best(X_train,X_test):
    acc=[]#各维度准确率集合
    nlist=[]#各维度集合
    a=10
    acc1=0
    for n in range(10,300,10):#先到300维看看，如果波动比较大再加
                # 对训练数据和测试数据进行PCA降维  
        X_train_pca, X_test_pca = pca_transform(X_train,X_test,n)  
        # 使用KNN算法进行训练和预测  
        knn = KNeighborsClassifier(n_neighbors=1)  # 设置K值为1，可根据需求进行调整  
        knn.fit(X_train_pca, y_train)  
        predictions = knn.predict(X_test_pca)  
        # 计算准确率  
        accuracy = accuracy_score(y_test, predictions)  
        #print("Accuracy:", accuracy)
        if accuracy==1:
            return n,accuracy
        acc.append(accuracy)
        nlist.append(n)
        #打印各维度对应的准确率，看看波动情况，如果准确率越来越平稳，则不用测试300维以后的维度，否之则不然
        print("维度为：",n)
        print("准确率为：",accuracy)
        print("\n")
    #获取最佳维度和准确率
    for i in range(len(nlist)):
        if acc1<acc[i]:
            acc1=acc[i]
            a=nlist[i]
    return a,acc1
#前面已经划分好数据集
n,acc=pca_best(X_train,X_test)
print("最佳维度为：",n)
print("准确率为：",acc)

结果为：

最佳维度为： 20
准确率为： 0.975

下面我们对数据进行gabor滤波后再进行knn分类看看结果：

#建立gabor滤波器
def gabor_filter(img, frequency, theta):
    kernel = cv2.getGaborKernel((21, 21), 5.0, theta, 10.0, 1.0, 0, ktype=cv2.CV_32F)
    filtered_img = cv2.filter2D(img, cv2.CV_8UC3, kernel)
    return filtered_img

#图像滤波
def extract_gabor_features(image):
    #因为加载数据时已经进行过灰度转换了，所以下面一行注释掉
    #gray_img = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    gray_img=image
    filtered_img = gabor_filter(gray_img, frequency=0.6, theta=1.0)
    flattened_features = filtered_img.flatten()
    return flattened_features


def gabor_image(x):#将加载的数据集进行滤波
    x_gabor=[]
    for i in x:
        features = extract_gabor_features(i)
        x_gabor.append(features)
    return x_gabor
#滤波
x_gabor=gabor_image(X)
#划分数据集
X_train, X_test, y_train, y_test=data_split(x_gabor,y)
knn = KNeighborsClassifier(n_neighbors=1)  # 设置K值为1，可根据需求进行调整  
knn.fit(X_train, y_train)  
predictions = knn.predict(X_test)  
# 计算准确率  
accuracy = accuracy_score(y_test, predictions) 
print("准确率为：",accuracy)