python代碼：

from __future__ import print_function from time import time import logging 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 classification_report from sklearn.metrics import confusion_matrix from sklearn.decomposition import PCA from sklearn.svm import SVCdef main():logging.basicConfig( level=logging.INFO ,format='%(asctime)s %(message)s' )peoples = fetch_lfw_people( min_faces_per_person=70 )# 下面介紹數(shù)據(jù)預處理和分類# 返回多少個圖shapes,h,w = peoples.images.shape# X是特征向量的矩陣，每一行是個實例，每一列是個特征值X = peoples.data# n_featers表示的就是維度n_features = X.shape[1] # 維度：每個人會提取多少的特征值# 提取每個實例對應每個人臉，目標分類標記，不同的人的身份y = peoples.targettarget_names = peoples.target_namesn_classes = target_names.shape[0] #多少行，shape就是多少行，多少個人，多少類# 下面開始拆分數(shù)據(jù)，分成訓練集和測試集,有個現(xiàn)成的函數(shù)，通過調用train_test_split；來分成兩部分X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)# 數(shù)據(jù)降維，因為特征值的維度還是比較高n_components = 150t0 = time() # 計算出打印每一步需要的時間pca = PCA(n_components=n_components, whiten=True).fit(X_train)eigenfaces = pca.components_.reshape((n_components, h, w))t0 = time()X_train_pca = pca.transform(X_train) # 特征量中訓練集所有的特征向量通過pca轉換成更低維的矩陣X_test_pca = pca.transform(X_test)# param_grid把參數(shù)設置成了不同的值，C：權重；gamma：多少的特征點將被使用，因為我們不知道多少特征點最好，選擇了不同的組合param_grid = {'C': [1e3, 5e3, 1e4, 5e4, 1e5],'gamma': [0.0001, 0.0005, 0.001, 0.005, 0.01, 0.1], }# 把所有我們所列參數(shù)的組合都放在SVC里面進行計算，最后看出哪一組函數(shù)的表現(xiàn)度最好clf = GridSearchCV(SVC(kernel='rbf'), param_grid)# 其實建模非常非常簡單，主要是數(shù)據(jù)的預處理麻煩clf = clf.fit(X_train_pca, y_train)# 測試集預測看看準確率能到多少y_pred = clf.predict(X_test_pca)# print(classification_report(y_test, y_pred, target_names=target_names)) #預測精確度# print(confusion_matrix(y_test, y_pred, labels=range(n_classes))) #混淆矩陣# 把預測出來的人名存起來prediction_titles = [title(y_pred, y_test, target_names, i)for i in range(y_pred.shape[0])]plot_gallery(X_test, prediction_titles, h, w)# 降維后的圖片eigenface_titles = ['eigenface %d' %i for i in range(eigenfaces.shape[0])]# 提取過特征向量之后的臉是什么樣子plot_gallery(eigenfaces, eigenface_titles, h, w)# 把預測的函數(shù)歸類標簽和實際函數(shù)歸類標簽，比如布什 def title(y_pred, y_test, target_names, i):pred_name = target_names[y_pred[i]].rsplit(' ', 1)[-1]true_name = target_names[y_test[i]].rsplit(' ', 1)[-1]flag = "No"if pred_name == true_name:flag = "Yes"result = " flag:{0}\n predicted :{1} \n true : {2} ".format(flag,pred_name,true_name)return result#把數(shù)據(jù)可視化的可以看到，把需要打印的圖打印出來 def plot_gallery(images,titles,h,w,n_row=3,n_col=4):"""Helper function to plot a gallery of portraits"""#在figure上建立一個圖當背景plt.figure(figsize=(1.8*n_col,2.4*n_row))plt.subplots_adjust(bottom=0,left=.01,right=.99,top=.90,hspace=.35)for i in range(n_row * n_col):plt.subplot(n_row,n_col,i+1)plt.imshow(images[i].reshape((h,w)),cmap=plt.cm.gray)plt.title(titles[i],size=12)plt.xticks(())plt.yticks(())plt.show()main()

人臉識別結果：

降維后結果：

總結

以上是生活随笔為你收集整理的3.4 svm人脸识别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。