基于SVM支持向量机的人脸识别实战：从原理到Python实现

1次阅读

没有评论

共计 2430 个字符，预计需要花费 7 分钟才能阅读完成。

最近在做一个门禁系统的原型开发，需要快速实现基础人脸识别功能。调研发现深度学习方案虽然效果好，但存在两个现实问题：

需要收集海量人脸数据，标注成本高
模型动辄几百 MB，树莓派根本跑不动

相比之下，SVM（支持向量机）在小样本场景优势明显：

数学上保证找到全局最优解，避免神经网络局部最优问题
通过核函数技巧处理非线性分类，模型复杂度可控
训练好的模型只需存储支持向量，部署体积小

使用 OpenCV 提供的 LBP（局部二值模式）特征，比 Haar 特征更抗光照变化：

import cv2

# 加载预训练的人脸检测器
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

def extract_lbp(img_path):
    img = cv2.imread(img_path, 0)  # 灰度读取
    faces = face_cascade.detectMultiScale(img, 1.3, 5)

    if len(faces) == 0:
        return None

    (x,y,w,h) = faces[0]
    face_roi = img[y:y+h, x:x+w]

    # 统一缩放到 64x64 尺寸
    resized = cv2.resize(face_roi, (64,64))

    # 计算 LBP 特征
    radius = 3
    n_points = 8 * radius
    lbp = local_binary_pattern(resized, n_points, radius, method='uniform')

    # 转为特征向量
    hist, _ = np.histogram(lbp, bins=np.arange(0, n_points + 3),
                          range=(0, n_points + 2))
    return hist.astype("float") / (hist.sum() + 1e-7)  # 归一化

特征维度太高可能导致 ” 维度灾难 ”，用 PCA 降维保留 95% 信息量：

from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA

# 假设 X 是特征矩阵，y 是标签
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

pca = PCA(n_components=0.95)  # 保留 95% 方差
X_pca = pca.fit_transform(X_scaled)

对比线性核与 RBF 核的表现：

from sklearn.svm import SVC
from sklearn.model_selection import cross_val_score

# 线性核
svm_linear = SVC(kernel='linear', C=1.0)
scores = cross_val_score(svm_linear, X_pca, y, cv=5)
print(f"线性核准确率: {scores.mean():.2f} (+/- {scores.std():.2f})")

# RBF 核（高斯核）svm_rbf = SVC(kernel='rbf', gamma='scale', C=1.0)
scores = cross_val_score(svm_rbf, X_pca, y, cv=5)
print(f"RBF 核准确率: {scores.mean():.2f} (+/- {scores.std():.2f})")

人脸识别最怕光照不均，试试直方图均衡化：

def enhance_contrast(img):
    # CLAHE 自适应直方图均衡
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
    return clahe.apply(img)

用网格搜索寻找最优参数组合：

from sklearn.model_selection import GridSearchCV

param_grid = {'C': [0.1, 1, 10, 100],
    'gamma': ['scale', 'auto', 0.1, 1],
}

grid = GridSearchCV(SVC(kernel='rbf'), param_grid, cv=3)
grid.fit(X_train, y_train)

print(f"最佳参数: {grid.best_params_}")

给少数类别增加权重：

from sklearn.utils import class_weight

# 自动计算类别权重
weights = class_weight.compute_class_weight('balanced',
                                          classes=np.unique(y),
                                          y=y)
svm = SVC(kernel='rbf', class_weight={0: weights[0], 1: weights[1]})