[人工智能]机器学习之基于Fisher实现二分类的人脸识别

实验 2：基于 ORL 人脸库，实验样本主要来自于两个人，每人 45 张图片，共有 90 个样本，其中的 80 个样本作为训练样本，10 个作为测试样本。通过 LDA 实现两类问题的线性判别。
一个Fisher线性分类器讲解的不错的博客：参考博客
与上篇博客的基本内容相差不多，但是相比起上篇中的数据，本次实验多了对人脸数据的处理。

def Get_img(file_path):
    train_set = np.zeros(shape=[1,32*32])
    # print(file_path)
    for filename in os.listdir(file_path):
        img = cv2.imread(file_path+'/'+filename,cv2.IMREAD_GRAYSCALE)#表示以灰度图像读入
        n,m = img.shape
        res = img.reshape(1,n*m).tolist()#将32*32的图片展成1*1024的数据，类似于Flatten
        train_set = np.row_stack((train_set,res))#将40个图片展成1*1024的数据后，堆叠在一起
    return train_set

Fisher函数

def Fisher(w1,w2):
    #转置
    w1 = w1.T
    w2 = w2.T
    sz1 = np.size(w1,1)
    sz2 = np.size(w2,1)
    #求均值
    avg1 = np.mean(w1,axis=1)
    avg2 = np.mean(w2,axis=1)
    #计算样本内离散度 Si 和总类内离散度矩阵 Sw
    s1 = np.zeros((w1.shape[0],w1.shape[0]))
    n,m = w1.shape
    for i in range(m):
        tmp = w1[:,i] - avg1
        s1 = s1 + tmp*tmp.T
    s2 = np.zeros((w2.shape[0], w2.shape[0]))
    n, m = w2.shape
    for i in range(m):
        tmp = w2[:,i] - avg2
        s2 = s2 + tmp*tmp.T
    Sw = s1+s2
    #计算W*
    w_x = np.linalg.inv(Sw)*(avg1-avg2)
    res1 = 0
    for i in range(sz1):
        res1 = res1 + w_x.T * w1[:, i]
    res2 = 0
    for i in range(sz2):
        res2 = res2 + w_x.T * w2[:, i]
    return -(res1 + res2) / (sz1 + sz2), w_x  # 返回的便是b与W*

测试数据如下所示：其中前5个属于第一类，后5个属于第二类。

测试结果如下：第六个人貌似判断出错了-_-

D:\ProgramData\Anaconda3\python.exe E:/Users/yqx/PycharmProjects/Fisher_Face_Rec/main.py
The First Man
The First Man
The First Man
The First Man
The First Man
The First Man
The Second Man
The Second Man
The Second Man
The Second Man

Process finished with exit code 0

努力加油a啊

关注博主即可阅读全文