一步一步带你完成深度学习与对象检测之人脸识别

上期文章我们分享了如何获取人脸数据以及保存人脸数据，有了上次搜集的人脸数据集，我们就可以对人脸的数据进行神经网络的训练，本期的神经网络基于SVM支持向量机算法，由于SVM算法可以使用小数据集进行神经网络的训练，我们本期基于SVM下的SVC分类器算法来训练神经网络

还记得我们分享过的车牌识别，其车牌识别的神经网络训练也是使用了SVM算法来进行神经网络的训练

对象检测—OpenCV的SVM 模型训练

svm.SVC分类器

支持向量机(support vector machine)是一种分类算法，但是也可以做回归，根据输入的数据不同可做不同的模型（若输入标签为连续值则做回归，若输入标签为分类值则用SVC做分类）。

sklearn里对SVM的算法实现在包sklearn.svm里

SVM.SVC分类器：

C：C-SVC的惩罚参数C?默认值是1.0

C越大，相当于惩罚松弛变量，希望松弛变量接近0，即对误分类的惩罚增大，趋向于对训练集全分对的情况，这样对训练集测试时准确率很高，但泛化能力弱。C值小，对误分类的惩罚减小，允许容错，将他们当成噪声点，泛化能力较强。

函数参数：

kernel ：核函数，默认是rbf，可以是‘linear’,‘poly’, ‘rbf’

liner – 线性核函数：u'v

poly – 多项式核函数：(gamma*u'*v + coef0)^degree

rbf – RBF高斯核函数：exp(-gamma|u-v|^2)

degree ：多项式poly函数的维度，默认是3，选择其他核函数时会被忽略

gamma ： ‘rbf’,‘poly’ 和‘sigmoid’的核函数参数。默认是’auto’，则会选择1/n_features

coef0 ：核函数的常数项。对于‘poly’和 ‘sigmoid’有用

probability ：是否采用概率估计.默认为False

shrinking ：是否采用shrinking heuristic方法，默认为true

tol ：停止训练的误差值大小，默认为1e-3

cache_size ：核函数cache缓存大小，默认为200

class_weight ：类别权重，字典形式传递。设置第几类的参数C为weight*C(C-SVC中的C)

verbose ：允许冗余输出

max_iter ：最大迭代次数。-1为无限制

decision_function_shape ：‘ovo’, ‘ovr’ or None, default=None3

random_state ：数据洗牌时的种子值，int值

代码实战

1、读取人脸数据

上期文章我们提取了几个不同人脸的人脸数据，使用pickle.load方法来加载数据

2、训练神经网络

在训练神经网络前，我们把人脸数据的 label值进行编码转换为transform数据，以便能够传递给神经网络

14行进行了神经网络训练，核函数采用linear线性函数，惩罚参数C值设置为1，采用概率估计

当然，你可以尝试其他核函数进行神经网络的训练，以便查看每种核函数的不同

3、保存预训练模型与label编码

待神经网络训练完成后，我们保存一下神经网络训练的模型，以便后期进行人脸的识别

保存人脸label，以便后期进行神经网络的人脸识别使用

通过以上的代码，就可以对人脸数据进行神经网络的训练以及保存，保存的预训练模型是我们下期进行人脸识别的主要神经网络模型，小编使用了自己最喜欢的一位女明星的照片来进行训练，使用颖宝的照片，概率在80%以上，使用其他美女照片，概率很低，这便达到了我们神经网络训练的目的。

有了预训练模型，下期就分享一下如何使用模型来进行人脸识别