在看論文改進PCA_LDA的人臉識別算法研究_馬帥旗和https://blog.csdn.net/xiaomage_gf/article/details/61631293

上寫的LDA人臉識別算法，加載人臉庫的函數沒貼出來，其他的都有了。大概整理了兩天時間寫出的。

# -*- coding: utf-8 -*-
'''9/8/6 LDA的Freset人臉庫
算法步驟，將圖像轉為列向量，計算全局平均圖像，每一類的平均圖像，
計算類間，類內的協方差矩陣，計算投影矩陣；分類器識別'''
import os
import numpy as np
import cv2
import sys
from lbp2D.pca import (loadFre)#庫函數的
import math

def getLDALie(data,k): ??
? ? D,V =np.linalg.eig(data) #特征值與特征向量 #200*200的
? ? DIndex=np.argsort(-D)#將D的索引從大到小排序
? ? VIndex=DIndex[0:k]#因為是列的，所以是前N個
? ? V1=V[:,VIndex]#(800, 77) ? ? ?
? ? return V1
? ??
? ??
def getPCALie(Z,Threshold):
? ? '''平均臉'''?
? ? T1 = Z*Z.T #使用矩陣計算，所以前面mat
? ? D,V =np.linalg.eig(T1) #特征值與特征向量 #200*200的
? ? DIndex=np.argsort(-D)#將D的索引從大到小排序
? ? lenD=len(DIndex)
? ? k=0
? ? for j in range(lenD):
? ? ? ? temp_DInd_I=DIndex[:j]
? ? ? ? if(D[temp_DInd_I]/D.sum()).sum()>=Threshold:
? ? ? ? ? ? k=len(temp_DInd_I)
? ? ? ? ? ? break
? ? print(k)
? ? VIndex=DIndex[0:k]#因為是列的，所以是前N個
? ? V1=V[:,VIndex]#(800, 77) ??
? ? V1 = Z.T*V1 #(6400, 77)
? ? '''
? ? for i in range(k): #特征向量歸一化
? ? ? ? L = np.linalg.norm(V1[:,i])#默認是平方之后和求根 2范數 也就是模
? ? ? ? V1[:,i] = V1[:,i]/L ?#11316*30
? ? '''
? ? return V1
'''77*800 77*200 77*1轉換為77*77的'''
def getUX(train_data2,U2,mean2,N,C):
? ??
? ? '''類間協方差 77*200 ''' ??
? ? Wu=np.zeros((train_data2.shape[0],train_data2.shape[0]))
? ? for i in range(C):
? ? ? ? temp=U2[:,i]-mean2#77*200 77*1
? ? ? ? temp2=temp*temp.T
? ? ? ? Wu=Wu+temp2
? ? '''類內協方差 Bu''' ? ? ? ? ? ? ? ?
? ? tempX=np.zeros((train_data2.shape[0],N*C))#X-U之協方差 ?(77, 800)
? ? U3=U2.A
? ? for i in range(0,C):#200因為tile不對
? ? ? ? tempX[:,i*4]=U3[:,i]
? ? ? ? tempX[:,i*4+1]=U3[:,i]
? ? ? ? tempX[:,i*4+2]=U3[:,i]
? ? ? ? tempX[:,i*4+3]=U3[:,i] ? ? ??
? ? '''77*800-77*77'''
? ? Bu=np.zeros((train_data2.shape[0],train_data2.shape[0])) ? ?
? ? for i in range(0,N*C): ? ? ? ?
? ? ? ? temp=np.mat(train_data2[:,i]-tempX[:,i])#每幅圖像相對于本類的平均差
? ? ? ? temp2=temp*temp.T
? ? ? ? Bu=Bu+temp2
? ? '''
? ? for i in range(train_data2.shape[0]): #特征向量歸一化
? ? ? ? L = np.linalg.norm(Bu[:,i])#默認是平方之后和求根 2范數 也就是模
? ? ? ? Bu[:,i] = Bu[:,i]/L ?#11316*30
? ? '''
? ? V2=Bu.I*Wu?
? ? return V2
'''matrix 77*600'''
def TestLDA(train_data2,train_lable, test_data3, test_lable):
? ? suc=0
? ? for j in range(len(test_lable)):
? ? ? ? testFacePca=test_data3[:,j]
? ? ? ? tempFacePca=np.tile(testFacePca,(1,len(train_lable)))
? ? ? ? diffPca=tempFacePca-train_data2
? ? ? ? sqPca=diffPca.A**2#mat轉A?
? ? ? ? sqDis=sqPca.sum(axis=0)
? ? ? ? sortDisIndix=sqDis.argsort()
? ? ? ? indexMin=sortDisIndix[0]#最小距離
? ? ? ? if train_lable[indexMin]==test_lable[j]:
? ? ? ? ? ? suc+=1
? ? print("正確率%.3f"%(suc/len(test_lable)))
#loadFre? ? 人臉庫，我的是200人，每人取4張訓練圖片
if __name__ == '__main__':
? ? '''80*80 *800 4--3? '''
? ? train_data, train_lable, test_data, test_lable=loadFre()#
? ? train_data=train_data.T
? ? N=4 #每人4張
? ? C=200#一共200人
? ? mean=np.mean(train_data, axis=1)#6400 ?平均值
? ? U=np.zeros((train_data.shape[0],C))#6400*200 每一類的均值
? ? tempX=np.zeros((train_data.shape[0],N*C))#X-U之協方差 ? ?
? ? for i in range(0,C):#200因為tile不對
? ? ? ? temp=train_data[:,i*N:(i+1)*N]#0-1-2-3?
? ? ? ? U[:,i]=np.mean(temp,axis=1)
? ? ? ? tempX[:,i*4]=U[:,i]
? ? ? ? tempX[:,i*4+1]=U[:,i]
? ? ? ? tempX[:,i*4+2]=U[:,i]
? ? ? ? tempX[:,i*4+3]=U[:,i]
? ? train_dataMean=train_data-tempX
? ? V1=getPCALie(np.mat(train_dataMean.T),0.9)#(6400, 77) ? ? ??
? ? ''' ? ? ? ?
? ? Cx=np.zeros((N*C,N*C)) #(800, 800)
? ? for i in range(0,tempX.shape[0]): ? ? ? ?
? ? ? ? temp=np.mat(train_data[i,:]-tempX[i,:])#每幅圖像相對于本類的平均差
? ? ? ? Cx=Cx+temp.T*temp
? ? V1=getPCALieK(Cx,0.9)#(800, 3)
? ? '''
? ? U2=V1.T*np.mat(U)#77*200
? ? mean2=(np.mat(mean)*V1).T#77*1
? ? train_data2=V1.T*np.mat(train_data)#77*800 ? ? ? ?
? ?
? ? '''數據量都很大'''
? ? V2=getUX(train_data2,U2,mean2,N,C)#77*77 這個是lDA
? ? V3=getLDALie(V2,50)#(77*20)
? ? V4=V3.T*V1.T#(20,6400)
? ? train_data3=V3.T*train_data2 #(77, 800) 20*800
? ? '''測試部分，下面我只是測試集合減去6400*1的平均'''
? ? '''
? ? mean3=np.tile(mean,(len(test_lable),1)) ??
? ? test_data2=test_data-mean3
? ? test_date4=V4*np.mat(test_data2.T)
? ? '''
? ? test_data3=V4*np.mat(test_data.T)#77*600
? ? '''20 0.602 有沒有去均值都是一樣的
? ? 30 0.638 50 0.650'''
? ? TestLDA(train_data3,train_lable, test_data3, test_lable)
? ??
? ??

總結

以上是生活随笔為你收集整理的Python PCA-LDA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站內容還不錯，歡迎將生活随笔推薦給好友。