【笔记】特征脸（PCA在人脸识别领域的应用）

人脸识别与特征脸（简单介绍）

什么是特征脸

特征脸（Eigenface）是指用于机器视觉领域中的人脸识别问题的一组特征向量，该方法被认为是第一种有效的人脸识别方法。

PCA的具体实现思想见

【笔记】主成分分析法PCA的原理及计算

（在notebook中）

我们需要加载相应的方法fetch_lfw_people，其为一个人脸识别数据库，加载以后，就可以直接调用了，头一次使用要下载，具体情况见另一篇博客使用sklearn中的fetch_mldata的错误情况以及可能可行的解决方法，其中有说明

  from sklearn.datasets import fetch_lfw_people
  faces = fetch_lfw_people()

我们可以看到其中相应的内容

  faces.keys()

结果为

其中faces.data.shape

结果为

对应的faces.images.shape

结果为（第一个为样本总数，对于每个样本都是62*47的图像）

然后我们随机出36张脸，首先对样本进行一个随机的排列，然后将随机的排列放入X中，然后取出X中前36张脸，然后看一下对应的数据

  random_indexes = np.random.permutation(len(faces.data))
  X = faces.data[random_indexes]

  example_faces = X[:36,:]
  example_faces.shape

结果为

绘制函数：

  def plot_faces(faces):

      fig,axes = plt.subplots(6,6,figsize=(10,10),
                         subplot_kw={'xticks':[],'yticks':[]},
      gridspec_kw=dict(hspace=0.1,wspace=0.1))
      for i,ax in enumerate(axes.flat):
          ax.imshow(faces[i].reshape(62,47),cmap='bone')
      plt.show()

  plot_faces(example_faces)

图像为

可以使用faces.target_names来查看包含的人名

结果为

具体的实现特征脸

这里使用PCA的另一种构建方式svd_solver参数，让其等于randomized，希望使用随机的方式求解PCA（对所有的数据），这样来实例化pca，然后进行fit

  %%time
  from sklearn.decomposition import PCA
  pca = PCA(svd_solver='randomized')
  pca.fit(X)

结果为

使用pca.components_.shape来看一下有多少个维度及主成分

结果为

绘制图像，注意，图像越靠前，越能反映整个样本的总特征

  plot_faces(pca.components_[:36,:])

图像为（这些就被称为特征脸）

因为有很多的图片是一个人一张，而有一些是一个人有很多张，这样出来的数据有的时候是不靠谱的，那么我们就可以获得样本数比较多的人的图片来增加准确度，我们可以

  faces2 = fetch_lfw_people(min_faces_per_person=60)

通过faces2.data.shape，可以发现这样就会少很多

使用len(faces2.target_names)来看一下一共多少人名

结果为

这样faces2中就只有8个人，每个人不少于60张图片，这样的数据库就比较靠谱了