#coding:utf-8 import os from numpy import * import numpy as np import cv2 import matplotlib.pyplot as plt from pylab import mpl mpl.rcParams['font.sans-serif'] = ['SimHei'] #图片矢量化 def img2vector(image):     img=cv2.imread(image,0) #读取图片     rows,cols=img.shape     imgVector = np.zeros((1,rows*cols))     imgVector = np.reshape(img,(1,rows*cols))     return imgVector orlpath="ORL" #读入人脸库,每个人随机选择k张作为训练集,其余构成测试集 def load_orl(k):     '''     对训练数据集进行数组初始化，用0填充，每张图片尺寸都定为112*92,     现在共有40个人，每个人都选择k张，则整个训练集大小为40*k,112*92     '''     train_face=np.zeros((40*k,112*92))     train_label=np.zeros(40*k)#[0,0,.....0](共40*k个0)     test_face=np.zeros((40*(10-k),112*92))     test_label=np.zeros(40*(10-k))     #sample=random.sample(range(10),k)#每个人都有的10张照片中，随机选取k张作为训练样本(10个里面随机选取K个成为一个列表)     sample=random.permutation(10)+1#随机排序1-10 (0-9）+1     for i in range(40):#共有40个人         people_num=i+1         for j in range(10):#每个人都有10张照片             image=orlpath+'/s'+str(people_num)+'_'+str(sample[j])+'.bmp'             #读取图片并进行矢量化             img=img2vector(image)             if j<k:                               #构成训练集                 train_face[i*k+j,:] = img                 train_label[i*k+j] =people_num             else:                 #构成测试集                      test_face[i*(10-k)+(j-k),:] = img                 test_label[i*(10-k)+(j-k)] = people_num     return train_face,train_label,test_face,test_label #定义PCA算法                def PCA(data,r):     data=np.float32(np.mat(data))     rows,cols=np.shape(data)     data_mean=np.mean(data,0)#对列求平均值     A=data-np.tile(data_mean,(rows,1))#将所有样例减去对应均值得到A     C=A*A.T #得到协方差矩阵     D,V=np.linalg.eig(C)#求协方差矩阵的特征值和特征向量     V_r=V[:,0:r]#按列取前r个特征向量     V_r=A.T*V_r#小矩阵特征向量向大矩阵特征向量过渡     for i in range(r):         V_r[:,i]=V_r[:,i]/np.linalg.norm(V_r[:,i])#特征向量归一化          final_data=A*V_r     return final_data,data_mean,V_r #人脸识别 def face_rec():     #k=int(input("每个人选择几张照片进行训练："))     #x_value=[]     #y_value=[]     for r in range(10,41,10):         print("当降维到%d时"%(r))         x_value=[]         y_value=[]         for k in range(1,10):             train_face,train_label,test_face,test_label=load_orl(k)#得到数据集                      #利用PCA算法进行训练             data_train_new,data_mean,V_r=PCA(train_face,r)             num_train = data_train_new.shape[0]#训练脸总数             num_test = test_face.shape[0]#测试脸总数             temp_face = test_face - np.tile(data_mean,(num_test,1))             data_test_new = temp_face*V_r #得到测试脸在特征向量下的数据             data_test_new = np.array(data_test_new) # mat change to array             data_train_new = np.array(data_train_new)                  #测试准确度             true_num = 0             for i in range(num_test):                 testFace = data_test_new[i,:]                 diffMat = data_train_new - np.tile(testFace,(num_train,1))#训练数据与测试脸之间距离                 sqDiffMat = diffMat**2                 sqDistances = sqDiffMat.sum(axis=1)#按行求和                 sortedDistIndicies = sqDistances.argsort()#对向量从小到大排序，使用的是索引值,得到一个向量                 indexMin = sortedDistIndicies[0]#距离最近的索引                 if train_label[indexMin] == test_label[i]:                     true_num += 1                 else:                     pass             accuracy = float(true_num)/num_test             x_value.append(k)             y_value.append(round(accuracy,2))                          print ('当每个人选择%d张照片进行训练时，The classify accuracy is: %.2f%%'%(k,accuracy * 100))                  #绘图         if r==10:             y1_value=y_value             plt.plot(x_value,y_value,marker="o",markerfacecolor="red")             for a, b in zip(x_value, y_value):                   plt.text(a,b,(a,b),ha='center', va='bottom', fontsize=10)                        plt.title("降到10维时识别率",fontsize=14)             plt.xlabel("K值",fontsize=14)             plt.ylabel("识别率",fontsize=14)             plt.show()             #print ('y1_value',y1_value)         if r==20:             y2_value=y_value             plt.plot(x_value,y2_value,marker="o",markerfacecolor="red")             for a, b in zip(x_value, y_value):                   plt.text(a,b,(a,b),ha='center', va='bottom', fontsize=10)                        plt.title("降到20维时识别率",fontsize=14)             plt.xlabel("K值",fontsize=14)             plt.ylabel("识别率",fontsize=14)             plt.show()              #print ('y2_value',y2_value)         if r==30:             y3_value=y_value             plt.plot(x_value,y3_value,marker="o",markerfacecolor="red")             for a, b in zip(x_value, y_value):                   plt.text(a,b,(a,b),ha='center', va='bottom', fontsize=10)                        plt.title("降到30维时识别率",fontsize=14)             plt.xlabel("K值",fontsize=14)             plt.ylabel("识别率",fontsize=14)             plt.show()             #print ('y3_value',y3_value)         if r==40:             y4_value=y_value              plt.plot(x_value,y4_value,marker="o",markerfacecolor="red")             for a, b in zip(x_value, y_value):                   plt.text(a,b,(a,b),ha='center', va='bottom', fontsize=10)                        plt.title("降到40维时识别率",fontsize=14)             plt.xlabel("K值",fontsize=14)             plt.ylabel("识别率",fontsize=14)             plt.show()             #print ('y4_value',y4_value)                                 #各维度下准确度比较     L1,=plt.plot(x_value,y1_value,marker="o",markerfacecolor="red")        L2,=plt.plot(x_value,y2_value,marker="o",markerfacecolor="red")     L3,=plt.plot(x_value,y3_value,marker="o",markerfacecolor="red")     L4,=plt.plot(x_value,y4_value,marker="o",markerfacecolor="red")     #for a, b in zip(x_value, y1_value):       #    plt.text(a,b,(a,b),ha='center', va='bottom', fontsize=10)         plt.legend([L1,L2,L3,L4], ["降到10维", "降到20维","降到30维","降到40维"], loc=4)     plt.title("各维度识别率比较",fontsize=14)     plt.xlabel("K值",fontsize=14)     plt.ylabel("识别率",fontsize=14)     plt.show()               if __name__ =='__main__':       face_rec()