资源下载地址：https://download.csdn.net/download/sheziqiong/85772066
资源下载地址：https://download.csdn.net/download/sheziqiong/85772066
BP 神经网 人脸识别 性别识别
-
兴趣的起源
之前去超市的时候，发现大润发里面有一个显示屏，人走过去的时候就会检测人脸，并对性别和年龄做出判断。 我对此十分感兴趣，在上了机器学习这门课后，听老师说实现人脸识别不是一件困难的事情，这就激发了我自己动手 实现人脸识别和性别识别的梦想。
-
准备工作
由于完全是一个小白进行开发，中间走了很多弯路，所以在这里重新梳理了一下所用到的工具，并对其用法进行 一个简要的介绍。
anaconda 界面
anaconda 是一个专业的 python 管理器。之前我直接在官网安装 python，使用 pip 进行管理，到后面发现很多包 pip 根本安装不了。anaconda 的优点在于：
- anaconda 提供了界面化的设置。能够十分方便的下载和删除应用包。还能很容易的查看已安装的包和能安 装的包。
-
-
anaconda 能够十分方便地对 Python 环境进行设置。能够很快地独立创建一个新环境，十分方便管理。
-
OpenCV
OpenCV 是一个基于 BSD 许可（开源）发行的跨平台计算机视觉库，可以运行在 Linux、Windows、Android 和 Mac OS 操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了 Python、Ruby、 MATLAB 等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。 我们可以使用 OpenCV 的 python 接口， 在 anaconda 里面可以搜索 opencv 安装相应的包
人脸检测
第一步我们需要检测出人脸，这里我们利用 opencv 自带的分类器识别人脸，并画出框框显示人脸区域。先展示 代码然后再进行说明。
import cv2
filename = 'c:/users/zhao1/Desktop/show/test/example/1.jpg
casvade_face_name='c:/users/zhao1/Desktop/show/test/cascades/haarcascade_frontalface_defau1t.xm7'
def detect(fi1ename) :
face_cascade=cv2.cascadec1assifier(casvade_face_name)
img=cv2.imread(fi1ename)
gray=cv2.cvtcolor(img , cv2.COLOR_BGR2GRAY)
faces=face_cascade.detectMu7tiscale(gray,1.5,3)
for (x,y ,w,h) in faces:
img = cv2.rectang1e(img , (x,y) , (x+w,y+h), (255,0,0),2)
cv2.namedwindow( 'find ')
cv2.imshow( 'face' ,img)
cv2.imwrite('c:/users/zhao1/Desktop/show/test/人脸.jpg ' , img)cv2.waitKey(0)
detect(filename)
import cv2 这句话是导入 opencv 应用包，我们需要确定自己的环境中已经下载并安装了 opencv. filename ='C:/Users/zhao1/Desktop/show/test/example/1.jpg’casvade_face_name=‘C:/Users/zhao1/Desktop/show/test/cascades/haarcascade_frontalface_default.xml’
filename是要检测的照片路径，casvade_face_name是人脸分类器的绝对路径。这里我使用的是绝对路径，如 果想要工程的可移植性更好的话最好用相对路径。
注意：在 python 中，路径要小心反斜杠产生转义字符。所以这里使用‘/’代替原本路径的‘\’，具体可以学习一下 python 语法
face_cascade=cv2.CascadeClassifier(casvade_face_name) img=cv2.imread(filename)
第一行是读取分类器，并返回一个值；第二行是读取图片文件。
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) faces=face_cascade.detectMultiScale(gray,1.5,3)
第一行是将读到的图片进行灰度化处理，这是因为 opencv 处理是对灰度照片进行处理。第二行 detectMultiScale 是对人脸检测的函数，后面的参数可以点进去查看详情
def detectMultiScale(self, image, scaleFactor=None, minNeighbors=None, flags=None,
minSize=None, maxSize=None): # real signature unknown; restored from __doc__
"""
detectMultiScale(image[, scaleFactor[, minNeighbors[, flags[, minSize[,
maxSize]]]]]) -> objects
. @brief Detects objects of different sizes in the input image. The detected
objects are returned as a list
. of rectangles.
.
. @param image Matrix of the type CV_8U containing an image where objects are
detected.
. @param objects Vector of rectangles where each rectangle contains the
detected object, the
. rectangles may be partially outside the original image.
. @param scaleFactor Parameter specifying how much the image size is reduced at
each image scale.
. @param minNeighbors Parameter specifying how many neighbors each candidate
rectangle should have
. to retain it.
. @param flags Parameter with the same meaning for an old cascade as in the
function
. cvHaarDetectObjects. It is not used for a new cascade.
. @param minSize Minimum possible object size. Objects smaller than that are
ignored.
. @param maxSize Maximum possible object size. Objects larger than that are
ignored. If `maxSize == minSize` model is evaluated on single scale.
.
. The function is parallelized with the TBB library.
这是一个经常使用的函数。
for (x,y,w,h) in faces: img = cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2) cv2.namedWindow('find')
cv2.imshow('face',img) cv2.imwrite('C:/Users/zhao1/Desktop/show/test/人脸.jpg ',img)
这些是画出方框并保存。其中(x,y,w,h)里面的 x,y 是指检测到的人脸左上角的坐标，w,h 分别是区域的长度和宽 度。 下面是这个例程最后的效果，大家可以添加自己的图片
人脸识别效果图 上面我们就实现了对人脸的简单识别。
在视频中检测人脸
在实现图片中检测人脸之后，我们尝试从视频中实现人脸的识别。主体代码和之前的类似，只是增加了摄像头的 驱动还有图像的获取。下面具体说明。
camera= cv2.VideoCapture(0)
要使用摄像头，需要使用 cv2.VideoCapture(0)创建 VideoCapture 对象，参数：0 指的是摄像头的编号。如果你 电脑上有两个摄像头的话，访问第 2 个摄像头就可以传入 1。
ret, frame=camera.read()
这是从摄像头中读取图片，frame 相当与前面的 img，后面的处理与前面类似。下面是效果图。
进阶应用
在掌握简单的应用之后我开始了进阶之路。 在这里我们需要应用 BP 神经网络对样本训练之后再判断视频中人的 性别。 这个源代码是我经过认真整理之后的代码，里面的注释写的很详细，大家可以仔细阅读。
BP 神经网络
后面的代码都是根据老师的课件进行分析的。 人工神经网络(ANNs)提供了一种普遍而且实用的方法，来从样例 中学习值为实数、离散或向量的函数。 反向传播算法使用梯度下降来调节网络参数以最佳拟合由输入-输出对组成的 训练集合。 我们结合代码和资料学习会对此理解更深刻。
核心函数学习
下面先列出算法的核心函数，后面再对照老师的资料详细讲解
'''
训练样本：百度的图片。女生标签为0，男生标签为1.
训练方法：简单的梯度下降法
参考：https://blog.csdn.net/yunyunyx/article/details/80539222
'''
'''
设置一个隐藏层，为每张照片像素值-->pixel_mat 隐藏层神经元个数-->1
输入为每张图片的灰度像素矩阵
x_train:训练样本的像素数据
y_train：训练样本的标签
w：输出层权重
b：输出层偏置
w_h：隐藏层权重
b_h：隐藏层偏置
step：循环步数
'''
def mytrain(x_train,y_train):
step=int(input('mytrain迭代步数：'))
a=double(input('学习因子：'))
inn = pixel_mat #输入神经元个数
hid = int(input('隐藏层神经元个数：')) #隐藏层神经元个数
out = 1 #输出层神经元个数
w = np.random.randn(out,hid)
w = np.mat(w)
b = np.mat(np.random.randn(out,1))
w_h = np.random.randn(hid,inn)
w_h = np.mat(w_h)
b_h = np.mat(np.random.randn(hid,1))
for i in range(step):
# 打乱训练样本
r=np.random.permutation(photonum)
x_train = x_train[:,r]
y_train = y_train[:,r]
for j in range(photonum):
x = np.mat(x_train[:,j])
这个函数输入有两个矩阵，一个是样本数据，一个是样本标签，至于如何得到这些数据，我们后面再说，现在只
要关注函数本身就好。这里的样本数据是像素值，样本标签是人为设定的，我们设置0为女生，1为男生。
首先，函数要求我们手动输入几个参数，分别是迭代步数、学习因子和隐藏神经元个数。迭代步数会影响我们最
后的准确度和学习所需要的时间，学习因子是反向传播算法的一个参数，而隐藏神经元个数和输入的像素个数有关。
接下来就是对参数的初始化。
w：输出层权重 b：输出层偏置 w_h：隐藏层权重 b_h：隐藏层偏置 step：循环步数 w =
np.random.randn(out,hid) w = np.mat(w) b = np.mat(np.random.randn(out,1)) w_h =
np.random.randn(hid,inn) w_h = np.mat(w_h) b_h = np.mat(np.random.randn(hid,1))
x = x.reshape((pixel_mat,1))
y = np.mat(y_train[:,j])
y = y.reshape((1,1))
hid_put = layerout(w_h,b_h,x)
out_put = layerout(w,b,hid_put)
# 更新公式的实现
o_update = np.multiply(np.multiply((y-out_put),out_put),(1-out_put))
# 计算输出单元误差项，y->tk
h_update = np.multiply(np.multiply(np.dot((w.T),np.mat(o_update)),hid_put),
(1-hid_put)) #隐藏单元误差项
outw_update = a*np.dot(o_update,(hid_put.T))
# 从隐藏层到输出层的dw
outb_update = a*o_update
hidw_update = a*np.dot(h_update,(x.T))
hidb_update = a*h_update
w = w + outw_update
# 更新参数
b = b+ outb_update
w_h = w_h +hidw_update
b_h =b_h +hidb_update
return w,b,w_h,b_h
这个函数输入有两个矩阵，一个是样本数据，一个是样本标签，至于如何得到这些数据，我们后面再说，现在只 要关注函数本身就好。这里的样本数据是像素值，样本标签是人为设定的，我们设置 0 为女生，1 为男生。
首先，函数要求我们手动输入几个参数，分别是迭代步数、学习因子和隐藏神经元个数。迭代步数会影响我们最 后的准确度和学习所需要的时间，学习因子是反向传播算法的一个参数，而隐藏神经元个数和输入的像素个数有关。
接下来就是对参数的初始化。
w：输出层权重 b：输出层偏置 w_h：隐藏层权重 b_h：隐藏层偏置 step：循环步数 w =
np.random.randn(out,hid) w = np.mat(w) b = np.mat(np.random.randn(out,1)) w_h =
np.random.randn(hid,inn) w_h = np.mat(w_h) b_h = np.mat(np.random.randn(hid,1))
每个参数上面都有注释，现在说明一下参数 和老师 PDF 里面的对应情况。 我们总共有三层，输入层，隐藏层和 输出层。输入层神经元个数是照片像素个数，输出是神经元只有一个，隐藏层个数人为设定。 看到关于感知器的那 页。
w:对应就是由 组成的向量，只不过是输出层的权重。同理 w_h 也是如此。 b:输出层的偏置，对应的就 是 。b_h 也是如此。 有了输出层和隐藏层，我们就要处理输入层，下面这段就是对输入层的处理。
打乱训练样本
r=np.random.permutation(photonum)
x_train = x_train[:,r]
y_train = y_train[:,r]
for j in range(photonum):
x = np.mat(x_train[:,j])
x = x.reshape((pixel_mat,1))
y = np.mat(y_train[:,j])
y = y.reshape((1,1))
还是上面的对照表，实际上我们输入的 x_train 是一个很大的矩阵，包含了所有照片的像素值，每一列就代表一张 照片的像素向量。所以 x_train[:,r]代表的就是第 r 张照片的像素向量。单独整理成矩阵之后，x 对应的就是 这些输入。值得注意的是，偏置也有输入 ,只不过默认值为 1，所以在 PDF 中没有表示出来。
有了数据的初始化之后，我们就要用 sigmoid 函数对结果进行初始化，以便于后面的更新。看到 PDF 有关于 sigmoid 单元的描述
这里使用了一个 layerout 函数，是自己写的
hid_put = layerout(w_h,b_h,x) out_put =layerout(w,b,hid_put)
这里要详细看一下图中的那个求和了。 由于 ,所以上式也 可以写作 因此在这个 layerout 函数中，b_h 代表的就是 ,w_h 和 x 的向 量积就是后面的累加。这两句话的就是先算出输入层到隐藏层的值，再将这个输出值作为输入，计算隐藏层到输出的 值
对应这部分的代码是代码中 更新公式的实现 后面那一部分，我们将一句一句介绍。
o_update = np.multiply(np.multiply((y-out_put),out_put),(1-out_put)) #计算输出单元误差项，
这是计算输出单元误差，其中 multipiy 是 python 中的一个计算乘积的方法。out_put 对应的 ，而 y 则对应的是 。o_update 对应的是
h_update = np.multiply(np.multiply(np.dot((w.T),np.mat(o_update)),hid_put),(1-hid_put)) #隐藏单元误差项
这里是计算隐藏单元的误差，h_updata 对应的是 ，dot 是 python 计算向量点乘的方法。w.T 是将 w 矩阵转置， hid_put 对应的是 。
之所以叫误差沿网络反向传播，是因为我们先算出输出层的误差，将这个误差作为输入，再计算隐藏层的误差。 计算完误差之后我们就需要跟新每个网络的权值了。
outw_update = anp.dot(o_update,(hid_put.T)) #从隐藏层到输出层的dw outb_update = ao_update
hidw_update = anp.dot(h_update,(x.T)) hidb_update = ah_update
这里就是计算输入层到隐藏层，隐藏层到输出层的 ，其中 a 对应的就是学习因子 。 后面几行就是更新权重了，这里不做过多解释。
数据的获得和处理
在学习完核心代码之后，我们只要获得输入的矩阵就可以啦。 其他的代码比较简单，注释因该能看懂，我就简 略地介绍。 之前说过，输入矩阵是一个很大的矩阵，矩阵中的每一列就代表一张照片，比如我们由 200 张照片，每张 照片由 1010=100 个像素点，那么这个矩阵就是一个 100200 的矩阵。 要得到这些数据，我们第一步需要找到人脸识别 库，有很多开源的人脸识别库大家可以从里面获得各种各样想要的照片。 获得了照片之后，我们首先要识别人脸， 这个在函数
def get_face_from_photo(i,path,spath)
这里将人脸识别出来之后灰度化再重新保存成带有编号的照片。 由于识别出来的人脸像素值太大，而且不同的 照片包含的像素值不同，所以我们需要统一每张照片的像素值，用到了这个函数
def change_photo_size(path,spath);
这里统一像素值之后吧照片又保存到另外一个文件夹。
得到像素值统一的灰度图片之后，我们需要将所有图片都弄到一个大矩阵里面作为核心函数的输入，因此我们有 这个函数
def read_photo_for_train(k,photo_path);
工作流程
整个工作流程是从工程中主函数开始的。下面是流程图
训练结束的时候相当于就是确定了每一层的权重，然后将待测的照片输入就可以。 获取视频中的人脸并进行处 理的速度会有点慢，所以视频会比较卡。
结果演示
下面我们来看一下演示的结果 运行程序之后会首先读取照片训练样本，当所有的照片处理完之后，会提醒你输 入迭代步数，学习因子和隐藏层数。
输入参数
注意我们输入的迭代步数和神经元个数都比较大，计算时间可能会比较久，测试的时候可以改成 300 左右
资源下载地址：https://download.csdn.net/download/sheziqiong/85772066
资源下载地址：https://download.csdn.net/download/sheziqiong/85772066