Code - Face Recognize
作者：互联网
#coding:utf-8
import os
from numpy import *
import numpy as np
import cv2
import matplotlib.pyplot as plt
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']
#图片矢量化
def img2vector(image):
img=cv2.imread(image,0) #读取图片
rows,cols=img.shape
imgVector = np.zeros((1,rows*cols))
imgVector = np.reshape(img,(1,rows*cols))
return imgVector
orlpath="ORL"
#读入人脸库,每个人随机选择k张作为训练集,其余构成测试集
def load_orl(k):
'''
对训练数据集进行数组初始化，用0填充，每张图片尺寸都定为112*92,
现在共有40个人，每个人都选择k张，则整个训练集大小为40*k,112*92
'''
train_face=np.zeros((40*k,112*92))
train_label=np.zeros(40*k)#[0,0,.....0](共40*k个0)
test_face=np.zeros((40*(10-k),112*92))
test_label=np.zeros(40*(10-k))
#sample=random.sample(range(10),k)#每个人都有的10张照片中，随机选取k张作为训练样本(10个里面随机选取K个成为一个列表)
sample=random.permutation(10)+1#随机排序1-10 (0-9）+1
for i in range(40):#共有40个人
people_num=i+1
for j in range(10):#每个人都有10张照片
image=orlpath+'/s'+str(people_num)+'_'+str(sample[j])+'.bmp'
#读取图片并进行矢量化
img=img2vector(image)
if j<k:
#构成训练集
train_face[i*k+j,:] = img
train_label[i*k+j] =people_num
else:
#构成测试集
test_face[i*(10-k)+(j-k),:] = img
test_label[i*(10-k)+(j-k)] = people_num
return train_face,train_label,test_face,test_label
#定义PCA算法
def PCA(data,r):
data=np.float32(np.mat(data))
rows,cols=np.shape(data)
data_mean=np.mean(data,0)#对列求平均值
A=data-np.tile(data_mean,(rows,1))#将所有样例减去对应均值得到A
C=A*A.T #得到协方差矩阵
D,V=np.linalg.eig(C)#求协方差矩阵的特征值和特征向量
V_r=V[:,0:r]#按列取前r个特征向量
V_r=A.T*V_r#小矩阵特征向量向大矩阵特征向量过渡
for i in range(r):
V_r[:,i]=V_r[:,i]/np.linalg.norm(V_r[:,i])#特征向量归一化
final_data=A*V_r
return final_data,data_mean,V_r
#人脸识别
def face_rec():
#k=int(input("每个人选择几张照片进行训练："))
#x_value=[]
#y_value=[]
for r in range(10,41,10):
print("当降维到%d时"%(r))
x_value=[]
y_value=[]
for k in range(1,10):
train_face,train_label,test_face,test_label=load_orl(k)#得到数据集
#利用PCA算法进行训练
data_train_new,data_mean,V_r=PCA(train_face,r)
num_train = data_train_new.shape[0]#训练脸总数
num_test = test_face.shape[0]#测试脸总数
temp_face = test_face - np.tile(data_mean,(num_test,1))
data_test_new = temp_face*V_r #得到测试脸在特征向量下的数据
data_test_new = np.array(data_test_new) # mat change to array
data_train_new = np.array(data_train_new)
#测试准确度
true_num = 0
for i in range(num_test):
testFace = data_test_new[i,:]
diffMat = data_train_new - np.tile(testFace,(num_train,1))#训练数据与测试脸之间距离
sqDiffMat = diffMat**2
sqDistances = sqDiffMat.sum(axis=1)#按行求和
sortedDistIndicies = sqDistances.argsort()#对向量从小到大排序，使用的是索引值,得到一个向量
indexMin = sortedDistIndicies[0]#距离最近的索引
if train_label[indexMin] == test_label[i]:
true_num += 1
else:
pass
accuracy = float(true_num)/num_test
x_value.append(k)
y_value.append(round(accuracy,2))
print ('当每个人选择%d张照片进行训练时，The classify accuracy is: %.2f%%'%(k,accuracy * 100))
#绘图
if r==10:
y1_value=y_value
plt.plot(x_value,y_value,marker="o",markerfacecolor="red")
for a, b in zip(x_value, y_value):
plt.text(a,b,(a,b),ha='center', va='bottom', fontsize=10)
plt.title("降到10维时识别率",fontsize=14)
plt.xlabel("K值",fontsize=14)
plt.ylabel("识别率",fontsize=14)
plt.show()
#print ('y1_value',y1_value)
if r==20:
y2_value=y_value
plt.plot(x_value,y2_value,marker="o",markerfacecolor="red")
for a, b in zip(x_value, y_value):
plt.text(a,b,(a,b),ha='center', va='bottom', fontsize=10)
plt.title("降到20维时识别率",fontsize=14)
plt.xlabel("K值",fontsize=14)
plt.ylabel("识别率",fontsize=14)
plt.show()
#print ('y2_value',y2_value)
if r==30:
y3_value=y_value
plt.plot(x_value,y3_value,marker="o",markerfacecolor="red")
for a, b in zip(x_value, y_value):
plt.text(a,b,(a,b),ha='center', va='bottom', fontsize=10)
plt.title("降到30维时识别率",fontsize=14)
plt.xlabel("K值",fontsize=14)
plt.ylabel("识别率",fontsize=14)
plt.show()
#print ('y3_value',y3_value)
if r==40:
y4_value=y_value
plt.plot(x_value,y4_value,marker="o",markerfacecolor="red")
for a, b in zip(x_value, y_value):
plt.text(a,b,(a,b),ha='center', va='bottom', fontsize=10)
plt.title("降到40维时识别率",fontsize=14)
plt.xlabel("K值",fontsize=14)
plt.ylabel("识别率",fontsize=14)
plt.show()
#print ('y4_value',y4_value)
#各维度下准确度比较
L1,=plt.plot(x_value,y1_value,marker="o",markerfacecolor="red")
L2,=plt.plot(x_value,y2_value,marker="o",markerfacecolor="red")
L3,=plt.plot(x_value,y3_value,marker="o",markerfacecolor="red")
L4,=plt.plot(x_value,y4_value,marker="o",markerfacecolor="red")
#for a, b in zip(x_value, y1_value):
# plt.text(a,b,(a,b),ha='center', va='bottom', fontsize=10)
plt.legend([L1,L2,L3,L4], ["降到10维", "降到20维","降到30维","降到40维"], loc=4)
plt.title("各维度识别率比较",fontsize=14)
plt.xlabel("K值",fontsize=14)
plt.ylabel("识别率",fontsize=14)
plt.show()
if __name__ =='__main__':
face_rec()
标签：10,plt,Recognize,value,Face,Code,fontsize,test,data 来源： https://www.cnblogs.com/yousoluck/p/11687536.html