基于OpenCV的图形分析辨认05（补充）

目录

一、前言

二、实验内容

三、实验过程

---

一、前言

编程语言：Python，编程软件：vscode或pycharm，必备的第三方库：OpenCV，numpy，matplotlib，os等等。

关于OpenCV，numpy，matplotlib，os等第三方库的下载方式如下：

第一步，按住【Windows】和【R】调出运行界面，输入【cmd】，回车打开命令行。

第二步，输入以下安装命令（可以先升级一下pip指令）。

pip升级指令：

python -m pip install --upgrade pip

 opencv库的清华源下载：

pip install opencv-python  -i https://pypi.tuna.tsinghua.edu.cn/simple

numpy库的清华源下载：

 pip install numpy  -i https://pypi.tuna.tsinghua.edu.cn/simple

matplotlib库的清华源下载：

pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

os库的清华源下载：

pip install os  -i https://pypi.tuna.tsinghua.edu.cn/simple 

二、实验内容

对提取出来的人脸特征数据集进行分类，使用MATLAB软件构建SVM支持向量机用于分类。

三、实验过程

以下是提取好的人脸特征数据集，分别用LBP和LDP在全局和局部情况下提取出来的。每一种提取方法下都是训练集和测试集。

特征数据集格式如下，其他一致：

 使用SVM检验识别的准确率（MATLAB软件）：

导入训练数据和测试数据，分别将其归一化处理，创建SVM模型，并结合网格搜索法对训练数据进行训练，模型训练好以后，用于分类测试数据，并得到结果。MATLAB代码如下：

%% I. 清空环境变量 clc;clear ;close all %% II. 导入数据 % 选择需要的训练文件和测试文件 % data_train = importdata('D:\Image\GC_LBP_train.txt'); % data_test = importdata('D:\Image\GC_LBP_test.txt'); % data_train = importdata('D:\Image\GC_LDP_train.txt'); % data_test = importdata('D:\Image\GC_LDP_test.txt'); % data_train = importdata('D:\Image\LC_LBP_train.txt'); % data_test = importdata('D:\Image\LC_LBP_test.txt'); % data_train = importdata('D:\Image\LC_LBP_train.txt'); % data_test = importdata('D:\Image\LC_LBP_test.txt'); train_data = []; for i = 1:322 data1 = data_train{i, 1}; data1_1 = data1(11:end-1); data_num = str2num(data1_1); train_data = [train_data;data_num]; end AA = repmat(1:46,7); AA = AA(1:322)'; train_data(:,257) = AA; %% 读取测试文件 test_data = []; for i = 1:138 data2 = data_test{i, 1}; data2_1 = data2(11: end-1); data_num_2 = str2num(data2_1); test_data = [test_data; data_num_2]; end BB = repmat(1:46,3); BB = BB(1:138)'; test_data(:,257) = BB; %% % 训练集 train_matrix = train_data(:,(1:256));%训练集特征 train_label = train_data(:,257);%训练集标签 %% % 测试集 test_matrix = test_data(:,(1:256));%测试集特征 test_label = test_data(:,257);%测试集特征 %% III. 数据归一化 [Train_matrix,PS] = mapminmax(train_matrix',0,1);%归一化到-1至1之间 Train_matrix = Train_matrix'; Test_matrix = mapminmax('apply',test_matrix',PS); Test_matrix = Test_matrix'; %% IV. SVM创建/训练(RBF核函数) %% % 寻找最佳c/g参数——交叉验证方法 [c,g] = meshgrid(-10:0.2:10,-10:0.2:10); [m,n] = size(c); cg = zeros(m,n); eps = 10^(-4); v = 5; bestc = 1; bestg = 0.1; bestacc = 0; %% for i = 1:m for j = 1:n cmd = ['-v ',num2str(v),' -t 2',' -c ',num2str(2^c(i,j)),' -g ',num2str(2^g(i,j))]; %Train_matrix矩阵的行列需要转至 -c损失函数、惩罚因子 cg(i,j) = svmtrain(train_label,Train_matrix,cmd); if cg(i,j) > bestacc bestacc = cg(i,j); bestc = 2^c(i,j); bestg = 2^g(i,j); end if abs( cg(i,j)-bestacc )<=eps && bestc > 2^c(i,j) bestacc = cg(i,j); bestc = 2^c(i,j); bestg = 2^g(i,j); end end end cmd = [' -t 2',' -c ',num2str(bestc),' -g ',num2str(bestg)]; %% % 创建/训练SVM模型 model = svmtrain(train_label,Train_matrix,cmd); %% V. SVM仿真测试 [predict_label_1,accuracy_1,decision_values1] = svmpredict(train_label,Train_matrix,model); [predict_label_2,accuracy_2,decision_values2] = svmpredict(test_label,Test_matrix,model); result_1 = [train_label predict_label_1]; result_2 = [test_label predict_label_2]; %% VI. 绘图 figure plot(1:length(test_label),test_label,'r-*') hold on plot(1:length(test_label),predict_label_2,'b:o') grid on legend('真实类别','预测类别') xlabel('测试集样本编号') ylabel('测试集样本类别') string = {'测试集SVM预测结果对比(RBF核函数)'; ['accuracy = ' num2str(accuracy_2(1)) '%']}; title(string)

在分类结果上，会呈现训练集准确率100%，而测试集的准确率较低，说明SVM模型对训练集的提取效果较好，但用于测试集的效果较差，存在欠拟合情况，可能原因有在处理过程中，交叉验证的参数设置较小，导致模型训练的并不是很好，但较大的交叉验证参数会到模型训练时间过长。所以需要改进寻优方式，可以选择粒子群优化算法或者是遗传优化算法改进模型寻优过程，以寻求用较短的训练时间找到较为优异的分类情况。

都看到最后了，确定不点个赞吗？