文章目录
前言一、项目结构二、使用步骤1.生成特征向量2.训练模型3.运行结果总结前言
在之前的对IU的人脸识别中，在使用face_recognition库进行人脸提取的过程中，发现这个人脸识别库还有一个提取特征点的功能，可以根据人脸提取出特征向量。而之前那个利用siamenetwork的效果并不好，我猜测是网络结构不佳，或是数据集没处理好，导致对人脸的特征提取和学习都不够好。那么既然这个face_recognition库能够提取人脸的特征向量，那么可不可以就利用这个向量来训练模型。正是基于这样的想法，我进行了本次尝试。
利用face_recognition库对人物图片提取人脸，并生成特征向量，利用SVM（支持向量机）进行学习，实现二分类任务（是IU/不是IU）。
项目环境：Python 3.6
一、项目结构
二、使用步骤
1.生成特征向量
打开路径中的每一张人脸，生成特征向量后，添加到face_encodings中，最后再统一存放到对应路径下的.npy文件中去。代码如下：import face_recognitionimport numpy as npimport osif __name__ == '__main__':mark1 = 'IU'# 文件标志，用于路径mark2 = 'Other'marks = [mark1, mark2]for mark in marks:root = "E:/Table/学习数据集/face_recognition/data/processed/train/" + mark + '/'img = os.listdir(root)face_encodings = []for i in range(len(img)):try:path = root + '%d.JPG' % iprint(path)image = face_recognition.load_image_file(path)face_encoding = face_recognition.face_encodings(image)[0] # 计算图片对应的编码except (IndexError):print('too much faces, continue')continueelse:face_encodings.append(face_encoding)new_path = "E:/Table/学习数据集/face_recognition/data/" + mark + '.npy'np.save(new_path, face_encodings)
2.训练模型
先读入IU.npy，记录数据长度，将对应标签置为0。再读入Other.npy，将对应标签置为1。利用sklearn库中的svm进行训练，可以得到一个二分类的分类器。将待分辨的人脸提取出特征向量放入分类器clf，得到的结果若是0，则说明是IU，将对应图片复制到指定文件夹下。 代码如下：from sklearn import model_selection, svmimport numpy as npimport osfrom PIL import Imageimport face_recognitionimport shutilGET_IU = 1if __name__ == '__main__':label = []data_iu = np.load("E:/Table/学习数据集/face_recognition/data/IU.npy")print(len(data_iu))for i in range(len(data_iu)):label.append(0)print(len(label))data_other = np.load("E:/Table/学习数据集/face_recognition/data/Other.npy")print(len(data_other))for i in range(len(data_other)):label.append(1)label = np.asarray(label)label = label.reshape(-1, 1)print(len(label))data = np.vstack((data_iu, data_other))print(len(data))train_data, test_data, train_label, test_label \= model_selection.train_test_split(data, label, random_state=1, train_size=0.6, test_size=0.4)print(train_data.shape)print(train_label.shape)clf = svm.SVC(C=0.8, kernel='rbf', gamma=20, decision_function_shape='ovr')clf.fit(train_data, train_label)print('训练集准确率：%.03f%%' %(100 * clf.score(train_data, train_label)))print('测试集准确率：%.03f%%' %(100 * clf.score(test_data, test_label)))# 开始判别，从’待分辨人脸‘中找出IU存放到’IU_pic‘#############################################################################################if GET_IU == 1:judge_root = 'E:/Table/学习数据集/face_recognition/face_for_judge/'img_judge = os.listdir(judge_root)new_path = 'E:/Table/学习数据集/face_recognition/IU_pic/'result = []n = 0for i in range(len(img_judge)):try:path = judge_root + '%d.JPG' % iprint(path)image = face_recognition.load_image_file(path)face_encoding = face_recognition.face_encodings(image)[0] # 计算图片对应的编码except (IndexError):print('too much faces, continue')continueelse:face_encoding = face_encoding.reshape(1, 128)id = clf.predict(face_encoding)if id == 0:shutil.copy(judge_root + img_judge[i], new_path)n += 1print('/n在%d张图片中，共找到%d张IU的图片' % (len(img_judge), n))#############################################################################################
3.运行结果
在数据集上可以达到很好的效果，但是在实际使用过程中，对IU的人脸识别还是不是很准确。猜测有一部分的可能性是因为我从网上爬取的人物图片中，IU的图片只占了很小一部分（9/1000），这导致二分类的分类器工作难免有较大的误差。将爬取图片中IU图片的比例增大（500/1500），效果确实会好一点点，但也不明显。
总结
我又失败啦，果然在自己爬取的数据集上进行人脸识别还是比较困难的呀。
