[PYTHON] [Fehler] Finde Maki Horikita durch maschinelles Lernen

【Umgebung】

windows8.1 　Anaconda(python2.7)

【Überblick】

Ich habe den Code geschrieben, um anhand des Bildes zu entscheiden, ob es sich um Maki Horikita handelt. Sammeln Sie Gesichtsbildordner, digitalisieren Sie sie und trainieren Sie sie mit scicit-learn.

Ordnerstruktur

|---face_category
　　　　　|---horikita_face(Maki Horikitas Gesichtsbildordner 200 Stück)
　　　　　|---joyu_face(200 Gesichtsbildordner außer Maki Horikita)
　　　　　|---horikita_siken(20 Bildordner von Maki Horikita zum Testen)
　　　　　|---face_rec2.py(horikita_Gesicht aus Siken-Bild extrahieren)
　　　　　|---LinearSVC.py(Hauptverarbeitung)
　　　　　|---haarcascade_frontalface_alt.xml(Kaskadendatei)

face_rec2.py

#-*- coding:utf-8 -*-
def picture_face(before_image, num):

    import cv2
    import os
    import sys
    
    cascade_path = "haarcascade_frontalface_alt.xml"
    
    #Datei lesen
    image_file = cv2.imread('C:/Users/nobu/Desktop/my_programs/face_category/horikita_siken/%s' % before_image)
    
    #Graustufenumwandlung
    image_gray = cv2.cvtColor(image_file, cv2.COLOR_BGR2GRAY)
    
    #Ermitteln Sie die Merkmalsmenge des Kaskadenklassifikators
    cascade = cv2.CascadeClassifier(cascade_path)
    
    #Ausführung der Objekterkennung (Gesichtserkennung)
    facerect = cascade.detectMultiScale(image_gray, scaleFactor=1.2, minNeighbors=2, minSize=(10, 10))
    
    if facerect == None:
        sys.exit()
    
    for rect in facerect:
        #Schneiden Sie nur das Gesicht aus und speichern Sie
        x = rect[0]
        y = rect[1]
        width = rect[2]
        height = rect[3]
        dst = image_file[y:y+height, x:x+width]
        resize_image = cv2.resize(dst,(256,256))
        new_image_path = 'C:/Users/nobu/Desktop/my_programs/face_category/' + str(num) + '_face.jpg'
        print new_image_path
        cv2.imwrite(new_image_path, resize_image)

LinearSVC.py

# -*- coding:utf-8 -*-

from sklearn.svm import LinearSVC
from PIL import Image
import os
import glob
import numpy as np
import face_rec2

current_dir = os.getcwd()

#Trainingsdaten
#Konvertieren Sie das Bild von Maki Horikita in einen numerischen Wert
horikita_list = glob.glob(current_dir + "\\horikita_face\\*") 

horikita_dim2 = []

for image in horikita_list:
    #Ausschluss von Systemdateien
    if image == current_dir + "\\horikita_face\\Thumbs.db":
        continue
    else:
        x = np.array([])
        horikita_dim3 = np.array(Image.open(image).convert('L'))
        #scikit-Es scheint, dass Lernen nicht mehr als 3 Dimensionen verarbeiten kann. Konvertieren Sie also in 2 Dimensionen
        for i in xrange(256):
            x = np.r_[x,horikita_dim3[i]]
        horikita_dim2.append(x)

data_training1 = horikita_dim2

#Konvertieren Sie andere Bilder als Maki Horikita in numerische Werte
joyu_list = glob.glob(current_dir + "\\joyu_face\\*") 

joyu_dim2 = []

for image in joyu_list:
    #Ausschluss von Systemdateien
    if image == current_dir + "\\joyu_face\\Thumbs.db":
        continue
    else:
        x = np.array([])
        joyu_dim3 = np.array(Image.open(image).convert('L'))
        #scikit-Es scheint, dass Lernen nicht mehr als 3 Dimensionen verarbeiten kann. Konvertieren Sie also in 2 Dimensionen
        for i in xrange(256):
            x = np.r_[x,joyu_dim3[i]]
        joyu_dim2.append(x)
data_training2 = joyu_dim2

data_training = np.r_[data_training1, data_training2]

#Etiketteneinstellung
label_training = []
for i in xrange(400):
    if i < 200:
        label_training.append(1)
    else:
        label_training.append(0)

 #Lernen
estimator = LinearSVC(C=0.5)
estimator.fit(data_training, label_training)

j = 0
#Testdaten
for i in xrange(1,21):
    face_rec2.picture_face(str(i) + '.jpg', i)
    horikita_siken = np.array([])
    try:
        horikita = np.array(Image.open('C:/Users/nobu/Desktop/my_programs/face_category/' + str(i) + '_face.jpg').convert('L'))
        for j in xrange(256):
                    horikita_siken = np.r_[horikita_siken,horikita[j]]
        data_test = horikita_siken
        
        #Ich werde vorhersagen
        label_prediction = estimator.predict(data_test)
        
        if label_prediction == 1:
            print "----------------------------------------------"
            print str(i) + ".jpg ist Maki Horikita"
            print "----------------------------------------------"
        else:
            print "----------------------------------------------"
            print str(i) + ".jpg ist nicht Maki Horikita"
            print "----------------------------------------------"
    except:
        print "----------------------------------------------"
        print str(i) + ".jpg konnte nicht verarbeitet werden"
        print "----------------------------------------------"
        continue

【Ergebnis】

Misserfolg ...: müde: Ich habe mit 20 Gesichtsbildordnern von Maki Horikita zum Testen getestet, aber aus irgendeinem Grund Ich bekomme eine Ausgabe mit der Aufschrift "Es ist nicht Maki Horikita". Ich würde gerne wissen, ob es Lösungen oder Verbesserungen gibt.

[Referenzseite]

SVM versucht maschinelles Lernen mit Scikit-Learn Gesichtserkennung mit OpenCV durchführen, nur den Gesichtsteil [Python] zuschneiden und speichern