主成分分析（PCA）应用——特征提取_人脸识别（上）

序

我在另一篇文章《无监督学习与主成分分析（PCA）》中已经讲过关于PCA的原理，以及它的其中一个应用——降维。那么本篇文章我来说一下PCA的另一个应用——特征提取。

特征提取背后的思想是，可以找到一种数据表示，比给定的原始表示更适合分析。特征提取很有用，它的一个很好的应用实例就是最近几年很火的人脸（图像）识别。

考虑到有很多小伙伴不了解图像的处理，所以我们分成上下两篇来进行讲解。

本篇先讲解图像的基础以及python通常是如何处理图像的。

数据来源

LFW - People (Face Recognition)：https://www.kaggle.com/atulanandjha/lfwpeople?select=pairs.txt

在这里插入图片描述

这是kaggle网站上一个专门用来做人脸识别的数据集，收录了网站上超过13000张人脸图片。好的，那么接下来把这份图片数据集下载下来并解压。

PS：下载下来的图片保存在lfw-funneled.tgz文件里，”.tgz”是一种压缩文件的格式，所以我们只要解压缩就可以了。

解压完毕后，我们就可以看见图片存储在以每人的名字所命名的文件里，每个文件夹包含数量不同的照片，而每个照片又分别以名字+数字的名字命名，方便我们使用。

数据整理

我们每拿到一份新数据，一定要对数据进行整理，了解数据的基本信息，譬如数据量，如何命名，数据维度等。

1
2
3
4
5
6
import os
all_folds = os.listdir(r'C:\Users\Administrator\Desktop\源数据-分析\lfw_funneled')
all_folds = [x for x in all_folds if '.' not in x]
print(len(all_folds))
n=os.listdir('C:\\Users\\Administrator\\Desktop\\源数据-分析\\lfw_funneled\\Richard_Gere\\')
print(n[0])

os模块是一个python中专门用来遍历文件的第三方模块，具体原理就不在这里赘述了，感兴趣的朋友可以自己搜一下。那么运行上述代码后，我们就可以得知在lfw_funneled文件夹中，一共有5749文件，也就是说一共有5749个人的人脸图像，并且每个人的图像均是以名字+数字的方式来命名的.jpg图像文件。

那么接下来我们再看下每个人都有多少张人脸图像，代码如下所示：

1
2
3
4
5
6
import pandas as pd 
numbers_img=pd.DataFrame(columns=["文件名称","图片数量"])####统计各个文件夹里面的图片数量
for i in range(len(all_folds)):
    path = 'C:\\Users\\Administrator\\Desktop\\源数据-分析\\lfw_funneled\\'+all_folds[i]
    all_files = os.listdir(path)
    numbers_img.loc[i]=[all_folds[i],len(all_files)]

在这里插入图片描述

这样一来，我们就知道了每个人有多少张人脸图像，也方便我们接下来进行数据集的选取和划分。

可以看出数据非常庞大，我们不可能对所有数据进行机器学习（电脑硬件达不到）。同时我们还要降低数据倾斜对模型精度的影响，那么我们这里只选取图片数量为10的人脸来当作数据集。

在这里插入图片描述

PS：如果某人的人脸出现次数过多的话，会造成数据倾斜，大大影响特征提取。

图像处理

基础介绍

这里先简单说一下什么是图像。图像由像素组成，通常存储为红绿蓝（RGB）强度（三维维度）。图像中的对象通常由上千个像素组成，它们只有放在一起才有意义。而我们所需要做的便是读取图像，将图像的像素转化为numpy数组，然后再通过操作numpy数组来去处理图像，最后再还原。

python里面有一个PIL的第三方模块，是专门用来处理数据的，如下图所示：

在这里插入图片描述

一般的像素值是以三维的形式存储的，其中有一个维度是专门用来存储像素颜色的。考虑到接下来的数据处理速度及提高模型精度，我们便剔除颜色维度，用图像的灰度值版本来进行处理，代码如下所示：

在这里插入图片描述

图像操作

1.图片转换成灰度值

好的，图像的基础处理方法讲解完了，接下来我们便对选出来的包含150张图片的数据集依次进行处理，代码如下所示：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
from PIL import Image 
import numpy as np
image_arr_list=[]###存放灰度值numpy数组
flat_arr_list=[]###存放灰度值一维数组
target_list=[]###存放目标值
for m in range(len(img_10["文件名称"])):
    file_address='C:\\Users\\Administrator\\Desktop\\源数据-分析\\lfw_funneled\\'+img_10["文件名称"][m]+"\\"####指定特定的文件地址
    image_name=os.listdir(file_address)###获得指定文件夹下的左右文件名称
    for n in image_name:
        image=Image.open(file_address+n)
        image=image.convert('L')###RGB（红绿蓝）像素值转换成灰度值
        image_arr=np.array(image,"f")###灰度值转化成numpy数组（二维）
        flat_arr=image_arr.ravel()###将数组扁平化处理，返回的是一个一维数组的非副本视图，就是将几行的数据强行拉成一行
        image_arr_list.append(image_arr)
        flat_arr_list.append(flat_arr)
        target_list.append(m)###这里的m设定是数字，如果是文本的话后面的算法会报错
faces_dict={"images":np.array(image_arr_list),"data":np.array(flat_arr_list),"target":np.array(target_list)}

将读取的像素信息转化为numpy数组后，分别存储在各自对应的列表里面，并组合成一个字典，方便接下来的使用。接下来简单讲解一下：

  1. 读取的RGB像素值如果直接转化为numpy数组的话会是三维数组，转换为一维数组后是可以用作接下来的机器学习的，但会大大降低训练速度。
  2. 灰度值转化成的numpy数组是一个二维数组，如果直接用于机器学习的话是没有办法读取使用的，所以需要用.ravel()来将二维数组转化为一维数组，也就是将两行的数据强行拉成一行数据。
  3. 如果数据集的标签值（目标值）”target“是文本的话，在接下来的训练部分中，机器便会无法识别，并报错，所以需要转换为数字。并且为了对应前面特征值的维度（数据维度是150行），这里需要将target也转换成numpy数组。
  4. 这里之所以存储成字典，而不是DataFrame格式，也是因为存储维度的问题。如果存储成DataFrame的话，便需要62500（每张图片的像素数量是250x250）列来存储每个像素，这样的DataFrame太大了，不利于后面的处理，所以这里就以numpy数组的形式存储成字典。

这里再说一下字典中的“images”，“data”的维度，如下所示：

在这里插入图片描述

图片的像素是以250x250的二维numpy数组的形式存储在”images”中，而为了接下来的机器学习，便将二维数组转换为一维numpy数组存储在“data”中（250x250=62500)。

PS：可以通过矩阵变换，将原有的一维数组还原成二维灰度值，具体原理就不多说了，代码如下：

1
2
3
shape=image_arr.shape###获得二维数组的维度
vector=np.matrix(flat_arr)####将一维数组转换成矩阵
arr2=np.asarray(vector).reshape(shape)###可以通过这个矩阵将一维数组转换为原灰度值numpy数组，即arr2=image_arr

2.灰度值还原成图片

接下来，我们可以把灰度值再还原成图片，代码如下所示：

1
2
3
4
5
6
7
8
9
10
11
12
13
from matplotlib import pyplot as plt
i = 0
plt.figure(figsize=(45, 30))
for img in faces_dict["images"]:
    #总共150张图，把图像分割成15X10
    plt.subplot(15,10,i+1)
    plt.imshow(img, cmap="gray")###通过灰度值还原图像
    #关闭x，y轴显示
    plt.xticks([])
    plt.yticks([])
    plt.xlabel(faces_dict["target"][i])
    i=i+1
plt.show()

在这里插入图片描述

总结

好的，关于python处理图像方面的基础便先说道这里。总的来说，便是利用numpy函数来存储组成图像的像素信息，之后通过操作numpy数组来去达到变换图像的目的。

下一篇，我会讲解关于人脸识别的模型训练，以及PCA对训练过程的优化。

有很多地方做的不是很好，欢迎网友来提出建议，也希望可以遇到些朋友来一起交流讨论。