基于极限学习机ELM的人脸识别程序

前言

有关极限学习机基础知识请参考
极限学习机详解

目标

基于YALE人脸库，15组人脸（每组照片代表一个人），进行人脸分类识别。(下载地址：YALE人脸库)
将每类人脸前10张照片用于学习，第11张照片用于测试。测试第11张照片属于哪个组（人）。

思路

可以直接将ELM看做一个黑盒算法，将人脸图片转化为NUMPY数组加入到ELM中即可。

效果

代码

import hpelmimport numpy as npimport cv2import os,reimglist=[]      #训练数据列表step=10     #每种照片样本数type_num=15     #种类数file_dir='D:\IOFile\YALE'   #照片路径#读取照片for tp_num in range(1,type_num+1):    for st_num in range(1,step+1):        add_pre=lambda x:'0'+str(x) if len(str(x))==1 else str(x)      #加前缀        file_path = os.path.join(file_dir, 'subject{}_{}.bmp'.format(add_pre(tp_num),st_num))        if os.path.isfile(file_path):            manimg = cv2.resize(cv2.imread(file_path, cv2.IMREAD_GRAYSCALE), (100, 100),                               interpolation=cv2.INTER_CUBIC)            manarray=np.array(bytearray(manimg))            imglist.append(manarray)#生成ELMelm=hpelm.ELM(10000,type_num)#生成训练数据input_data=[i for i in imglist]output_data=[]pos=0for index in range(0,len(imglist)):    img_num=int(index/step)      #照片种类编号    output=[]    for i in range(type_num):        if img_num==i:            output.append(1)        else:            output.append(0)    output_data.append(output)#添加神经元elm.add_neurons(30,'lin')elm.add_neurons(15,'rbf_linf')#训练elm.train(np.array(input_data),np.array(output_data))#测试图片def predict_photo(photo_num):    # 准备测试数据    testim = cv2.resize(cv2.imread(os.path.join(file_dir, 'subject{}_11.bmp'.format(add_pre(photo_num))), cv2.IMREAD_GRAYSCALE), (100, 100),                        interpolation=cv2.INTER_CUBIC)    testarray = np.array(bytearray(testim))    test_data = np.array([testarray.tolist()])    # 预测    predict = elm.predict(test_data)    prbobility = 0  # 照片为某一种类的可能性    max_photo = 0  # 最可能的照片种类    for i in range(0, len(predict[0])):        if prbobility < predict[0][i]:            prbobility = predict[0][i]            max_photo = i    print('该照片最可能属于种类{},概率为{}'.format(max_photo + 1, prbobility))#测试性能def test_perfomance():    true=0    for num in range(1,16):        # 读取图片并格式化处理        im = cv2.resize(cv2.imread(os.path.join(file_dir, 'subject{}_11.bmp'.format(add_pre(num))), cv2.IMREAD_GRAYSCALE), (100, 100),                            interpolation=cv2.INTER_CUBIC)        array = np.array(bytearray(im))        predict=elm.predict(np.array([array.tolist()]))        prbobility=0        for i in range(0, len(predict[0])):            if prbobility < predict[0][i]:                prbobility = predict[0][i]                max_photo = i        if max_photo+1==num:            true+=1    print('完成性能测试，正确率为{}'.format(true/15))if __name__ == '__main__':    predict_photo(7)    test_perfomance()