大家都说gabor做人脸识别是传统方法中效果最好的，这几天就折腾实现了下，网上的python实现实在太少，github上的某个版本还误导了我好几天，后来采用将C++代码封装成dll供python调用的方式，成功解决。
图像经多尺度多方向的gabor变换后，gabor系数的数目成倍上升，所以对gabor系数必须进行降维才能送至后续的SVM分类器。测试图像使用att_faces数据集（40种类型，每种随机选5张训练，5张识别），降维方式我测试了DCT、PCA两种变换方式，说实话，dct不怎么靠谱，居然准确率不到70%，所以我有点怀疑网页http://blog.csdn.net/bxyill/article/details/7937850的实现效果，PCA方式也一般，平均识别率95%左右吧；同时测试了直接下采样、均值滤波后采样、最大值滤波后采样三种方式，它们的平均识别率分别为98.6%、98.5%、99%左右。可见，最大值滤波后再下采样的方式是最好的，其他的非线性降维方法没试过，我也不太懂
下面是python实现代码，不到50行哦
#coding:utf-8
import numpy as np
import cv2, os, math, os.path, glob, random
from ctypes import *
from sklearn.svm import LinearSVC dll = np.ctypeslib.load_library('zmGabor', '.') #调用C++动态链接库
print dll.gabor
dll.gabor.argtypes = [POINTER(c_uint8), POINTER(c_uint8), c_int32, c_int32, c_double, c_int32, c_double, c_double] def loadImageSet(folder, sampleCount=5):
trainData = []; testData = []; yTrain=[]; yTest = [];
for k in range(1,41):
folder2 = os.path.join(folder, 's%d' %k)
data = [cv2.imread(d.encode('gbk'),0) for d in glob.glob(os.path.join(folder2, '*.pgm'))]
sample = random.sample(range(10), sampleCount)
trainData.extend([data[i] for i in range(10) if i in sample])
testData.extend([data[i] for i in range(10) if i not in sample])
yTest.extend([k]* (10-sampleCount))
yTrain.extend([k]* sampleCount)
return trainData, testData, np.array(yTrain), np.array(yTest) def getGaborFeature(m):
res = []
for i in range(6):
for j in range(4):
g = np.zeros(m.shape, dtype = np.uint8)
dll.gabor(m.ctypes.data_as(POINTER(c_uint8)), g.ctypes.data_as(POINTER(c_uint8)),
m.shape[0], m.shape[1],
i*np.pi/6, j, 2*np.pi, np.sqrt(2))
#res.append(cv2.dct(g[:10,:10].astype(np.float))) #先DCT变换再取低频系数
#res.append(g[::10,::10]) #直接子采样
#res.append(cv2.blur(g, (10,10))[5::10, 5::10]) #先均值滤波再子采样
res.append(255-cv2.erode(255-g, np.ones((10,10)))[5::10, 5::10]) #先最大值滤波再子采样
return np.array(res)
def main(folder=u'D:/gabor/att_faces'):
trainImg, testImg, yTrain, yTest = loadImageSet(folder) xTrain = np.array([getGaborFeature(d).ravel() for d in trainImg])
xTest = np.array([getGaborFeature(d).ravel() for d in testImg]) lsvc = LinearSVC() #支持向量机方法
lsvc.fit(xTrain, yTrain)
lsvc_y_predict = lsvc.predict(xTest)
print u'支持向量机识别率: %.2f%%' % (lsvc_y_predict == np.array(yTest)).mean() if __name__ == '__main__':
main()