面部识别应用案例

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

以下内容转自 数析学院，只节选了部分，有需要的同学可以直接查看原文


今天分享的人脸面部识别模型基于 HOG+SVM 的方法。


首先，我们需要设置 notebook ，导入相关可视化库：

1. %matplotlib inline
   
2. import matplotlib.pyplot as plt
   
3. import seaborn as sns; sns.set()
   
4. import numpy as np

复制代码

导入 skimage 库中的图像集，我们可以通过 skimage 库的 feature.hog 工具来直接提取图像的 HOG 特征，如下图所示：

1. from skimage import data, color, feature
   
2. import skimage.data
   
3. 
   
4. image = color.rgb2gray(data.chelsea())
   
5. hog_vec, hog_vis = feature.hog(image, visualise=True)
   
6. 
   
7. fig, ax = plt.subplots(1, 2, figsize=(12, 6),
   
8.                        subplot_kw=dict(xticks=[], yticks=[]))
   
9. ax[0].imshow(image, cmap='gray')
   
10. ax[0].set_title('input image')
    
11. 
    
12. ax[1].imshow(hog_vis)
    
13. ax[1].set_title('visualization of HOG features');

复制代码

导入 Scikit-Learn 库内置的人脸照片数据集，作为正样本：

1. from sklearn.datasets import fetch_lfw_people
   
2. faces = fetch_lfw_people()
   
3. positive_patches = faces.images
   
4. positive_patches.shape

复制代码

(13233, 62, 47)
接着我们来构造一组负样本数据集，这个数据集中的样本为 skimage 库图像集中的照片切割而成，每张照片的大小皆与上文中的正样本一致，即 62x47 像素：

1. from skimage import data, transform
   
2. 
   
3. imgs_to_use = ['camera', 'text', 'coins', 'moon',
   
4.                'page', 'clock', 'immunohistochemistry',
   
5.                'chelsea', 'coffee', 'hubble_deep_field']
   
6. images = [color.rgb2gray(getattr(data, name)())
   
7.           for name in imgs_to_use]

复制代码

1. rom sklearn.feature_extraction.image import PatchExtractor
   
2. 
   
3. def extract_patches(img, N, scale=1.0, patch_size=positive_patches[0].shape):
   
4.     extracted_patch_size = tuple((scale * np.array(patch_size)).astype(int))
   
5.     extractor = PatchExtractor(patch_size=extracted_patch_size,
   
6.                                max_patches=N, random_state=0)
   
7.     patches = extractor.transform(img[np.newaxis])
   
8.     if scale != 1:
   
9.         patches = np.array([transform.resize(patch, patch_size)
   
10.                             for patch in patches])
    
11.     return patches
    
12. 
    
13. negative_patches = np.vstack([extract_patches(im, 1000, scale)
    
14.                               for im in images for scale in [0.5, 1.0, 2.0]])
    
15. negative_patches.shape

复制代码

(30000, 62, 47)
以上内容节选自 数析学院，原文内容较多，先搬运到这，后续有时间再补充，有需要的同学可以先直接到 数析学院 查看原文

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖