gabor變換Face Service的python實現，att_faces資料集平均識別率99%

標籤：nim   net   [1]   extend   dom   lib   shape   準確率   for   

    大家都說gabor做Face Service是傳統方法中效果最好的，這幾天就折騰實現了下，網上的python實現實在太少，github上的某個版本還誤導了我好幾天，後來採用將C++代碼封裝成dll供python調用的方式，成功解決。

    

    映像經多尺度多方向的gabor變換後，gabor係數的數目成倍上升，所以對gabor係數必須進行降維才能送至後續的SVM分類器。測試映像使用att_faces資料集（40種類型，每種隨機選5張訓練，5張識別），降維方式我測試了DCT、PCA兩種變換方式，說實話，dct不怎麼靠譜，居然準確率不到70%，所以我有點懷疑網頁 http://blog.csdn.net/bxyill/article/details/793785的實現效果，PCA方式也一般，平均識別率95%左右吧；同時測試了直接下採樣、均值濾波後採樣、最大值濾波後採樣三種方式，它們的平均識別率分別為98.6%、98.5%、99%左右。可見，最大值濾波後再下採樣的方式是最好的，其他的非線性降維方法沒試過，我也不太懂

 

    下面是python實現代碼，不到50行哦

#coding:utf-8import numpy as npimport cv2, os, math, os.path, glob, randomfrom ctypes import *from sklearn.svm import LinearSVCdll = np.ctypeslib.load_library(‘zmGabor‘, ‘.‘) #調用C++動態連結程式庫print dll.gabordll.gabor.argtypes = [POINTER(c_uint8), POINTER(c_uint8), c_int32, c_int32, c_double, c_int32, c_double, c_double]def loadImageSet(folder, sampleCount=5):    trainData = []; testData = []; yTrain=[]; yTest = [];    for k in range(1,41):        folder2 = os.path.join(folder, ‘s%d‘ %k)        data = [cv2.imread(d.encode(‘gbk‘),0) for d in glob.glob(os.path.join(folder2, ‘*.pgm‘))]        sample = random.sample(range(10), sampleCount)        trainData.extend([data[i] for i in range(10) if i in sample])        testData.extend([data[i] for i in range(10) if i not in sample])        yTest.extend([k]* (10-sampleCount))        yTrain.extend([k]* sampleCount)    return trainData, testData, np.array(yTrain), np.array(yTest)def getGaborFeature(m):    res = []    for i in range(6):        for j in range(4):            g = np.zeros(m.shape, dtype = np.uint8)            dll.gabor(m.ctypes.data_as(POINTER(c_uint8)), g.ctypes.data_as(POINTER(c_uint8)),                      m.shape[0], m.shape[1],                      i*np.pi/6, j, 2*np.pi, np.sqrt(2))            #res.append(cv2.dct(g[:10,:10].astype(np.float)))                            #先DCT變換再子採樣            #res.append(g[::10,::10])                                                    #直接子採樣            #res.append(cv2.blur(g, (10,10))[5::10, 5::10])                              #先均值濾波再子採樣            res.append(255-cv2.erode(255-g, np.ones((10,10)))[5::10, 5::10])             #先最大值濾波再子採樣    return np.array(res)def main(folder=u‘D:/gabor/att_faces‘):    trainImg, testImg, yTrain, yTest = loadImageSet(folder)        xTrain = np.array([getGaborFeature(d).ravel() for d in trainImg])    xTest  = np.array([getGaborFeature(d).ravel() for d in testImg])        lsvc = LinearSVC()                              #支援向量機方法    lsvc.fit(xTrain, yTrain)    lsvc_y_predict = lsvc.predict(xTest)    print u‘支援向量機識別率: %.2f%%‘ % (lsvc_y_predict == np.array(yTest)).mean()if __name__ == ‘__main__‘:    main()

　　

gabor變換Face Service的python實現，att_faces資料集平均識別率99%