带你一步一步完成深度学习与对象检测之人脸识别-人脸数据训练

一步一步带你完成深度学习与对象检测之人脸识别

上期文章我们分享了如何获取人脸数据以及保存人脸数据,有了上次搜集的人脸数据集,我们就可以对人脸的数据进行神经网络的训练,本期的神经网络基于SVM支持向量机算法,由于SVM算法可以使用小数据集进行神经网络的训练,我们本期基于SVM下的SVC分类器算法来训练神经网络

还记得我们分享过的车牌识别,其车牌识别的神经网络训练也是使用了SVM算法来进行神经网络的训练

对象检测—OpenCV的SVM 模型训练

svm.SVC分类器

支持向量机(support vector machine)是一种分类算法,但是也可以做回归,根据输入的数据不同可做不同的模型(若输入标签为连续值则做回归,若输入标签为分类值则用SVC做分类)。

sklearn里对SVM的算法实现在包sklearn.svm里

SVM.SVC分类器:

C:C-SVC的惩罚参数C?默认值是1.0

C越大,相当于惩罚松弛变量,希望松弛变量接近0,即对误分类的惩罚增大,趋向于对训练集全分对的情况,这样对训练集测试时准确率很高,但泛化能力弱。C值小,对误分类的惩罚减小,允许容错,将他们当成噪声点,泛化能力较强。

函数参数:

kernel :核函数,默认是rbf,可以是‘linear’,‘poly’, ‘rbf’

liner – 线性核函数:u’v

poly – 多项式核函数:(gamma*u’*v + coef0)^degree

rbf – RBF高斯核函数:exp(-gamma|u-v|^2)

degree :多项式poly函数的维度,默认是3,选择其他核函数时会被忽略

gamma : ‘rbf’,‘poly’ 和‘sigmoid’的核函数参数。默认是’auto’,则会选择1/n_features

coef0 :核函数的常数项。对于‘poly’和 ‘sigmoid’有用

probability :是否采用概率估计.默认为False

shrinking :是否采用shrinking heuristic方法,默认为true

tol :停止训练的误差值大小,默认为1e-3

cache_size :核函数cache缓存大小,默认为200

class_weight :类别权重,字典形式传递。设置第几类的参数C为weight*C(C-SVC中的C)

verbose :允许冗余输出

max_iter :最大迭代次数。-1为无限制

decision_function_shape :‘ovo’, ‘ovr’ or None, default=None3

random_state :数据洗牌时的种子值,int值

代码实战

1、读取人脸数据

上期文章我们提取了几个不同人脸的人脸数据,使用pickle.load方法来加载数据

加载人脸数据

2、训练神经网络

在训练神经网络前,我们把人脸数据的 label值进行编码转换为transform数据,以便能够传递给神经网络

14行进行了神经网络训练,核函数采用linear线性函数,惩罚参数C值设置为1,采用概率估计

当然,你可以尝试其他核函数进行神经网络的训练,以便查看每种核函数的不同

训练神经网络

3、保存预训练模型与label编码

待神经网络训练完成后,我们保存一下神经网络训练的模型,以便后期进行人脸的识别

保存人脸label,以便后期进行神经网络的人脸识别使用

保存模型

通过以上的代码,就可以对人脸数据进行神经网络的训练以及保存,保存的预训练模型是我们下期进行人脸识别的主要神经网络模型,小编使用了自己最喜欢的一位女明星的照片来进行训练,使用颖宝的照片,概率在80%以上,使用其他美女照片,概率很低,这便达到了我们神经网络训练的目的。

有了预训练模型,下期就分享一下如何使用模型来进行人脸识别