# Face Recognization

**Repository Path**: funny_QZQ/face-recognization

## Basic Information

- **Project Name**: Face Recognization
- **Description**: A simple face recognization software
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 3
- **Forks**: 1
- **Created**: 2017-06-27
- **Last Updated**: 2020-12-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

#简单的人脸识别教程
> ###编程语言
> python 2.7
> ###系统环境
> windows 10 64位
> ###附加包
> [libsvm][1]

#1. 图片数据的简单介绍

笔者所使用的图片数据(`orl`文件夹)共有**400(112\*92\*3)**张，这其中共有40个人的人脸图片，每个人分别有对应的10张不同角度的图片，这些图片按照人的不同分别存放在不同的文件夹中，这样就构成了人脸图片数据。

#2. 训练数据以及测试数据的生成

python程序见`face_recognization.py`文件，在这个程序中，笔者只是简单地选取了每个像素点的灰度值作为图像的特征，从每个人的人脸文件夹中选取8张图片作为训练样本，选取2张图片作为测试样本，程序执行完成后会生成`svm_data_train`和`svm_data_test`两个数据样本文件，由于此处笔者并没有使用任何降维算法，所以每张图片的特征向量的维数会达到**112\*92**维，由于样本数不大，所以时间也没有花费很多。(读者可以考虑用PCA或者LDA算法对特征向量进行降维)

#3. 对样本数据进行归一化

对数据归一化的时候，可以使用libsvm自带的归一化工具`svm-scale`进行归一化，命令如下：
		
	./svm-scale svm_data_train > svm_data_train_scaled
	./svm-scale svm_data_test > svm_data_test_scaled
`train`和`test`样本归一化完成后会分别保存在`svm_data_train_scaled`和`svm_data_test_scaled`文件中，当然，此处的文件名读者也可以自己设置

**注：这里执行这两条命令的时候需要将`svm-scale`，`svm_data_train`以及`svm_data_test`放在同一个目录下**

#4. 最优参数选择

这里libsvm包为我们提供了现成的程序`grid.py`，该文件位于tools文件夹下，执行命令如下：
	
	python grid.py svm_data_train_scaled

这之后程序就会自动地帮我们选择最优的c和g的值，笔者这里程序跑出来的值为：**c = 8.0; g = 0.000122**

#5. 模型训练

模型训练的时候需要加上我们用`grid.py`选择的最优参数，命令如下

	./svm-train -c 8.0 -g 0.000122 svm_data_train_scaled

执行完成之后，会自动生成一个模型文件`svm_data_train_scaled.model`

#6. 用测试样本来测试模型的准确率

命令如下：

	./svm-predict svm_data_test_scaled svm_data_train_scaled.model svm_data_test_scaled.out

执行完成之后会给出一个测试准确度，大概在97%左右，同时还会生成一个`svm_data_test_scaled.out`文件，这个文件中存放的就是用上面的模型预测的类别标签(通过比较类别标签跟初始标签，就可以计算出准确度)

至此，基本完成了简单的人脸识别小程序。

有问题，欢迎随时联系邮箱：qiaozhiqiang1993@163.com


[1]: https://www.csie.ntu.edu.tw/~cjlin/libsvm/