gabor变换人脸识别的python实现，att_faces数据集平均识别率99%

    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()