갈루아의 반서재

728x90

서포터 벡터 머신과 이미지 인식 (2)


접근법 1 - 학습 알고리즘에 대해 속성으로 이미지 픽셀을 사용하도록 하는 작업

SVM은 매우 커다란 차원 공간을 가지는 이미지 인식에 적용할 수 있다(이미지 각 픽셀의 값을 속성으로 고려한다). 사람의 얼굴을 고려해 그 사람이 속한 리스트를 예측하는 것이다. 여기서 학습 데이터는 레이블된 사람 얼굴 이미지인 인스턴스 그룹이고, 보지 못한 새로운 인스턴스의 레이블을 예측하는 모델을 학습시킨다.


<학습 알고리즘에 대해 속성으로 이미지 픽셀 사용>

  • 픽셀값 → 학습속성
  • 개별 레이블 → 목적 범주


데이터셋을 가져와서 출력해보자. 아래는 해당 데이터셋에 대한 설명 출력이다.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
>>> import sklearn as sk
>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import fetch_olivetti_faces
>>> faces = fetch_olivetti_faces()
>>> print faces.DESCR
 
Modified Olivetti faces dataset.
 
The original database was available from
 
    http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html
 
The version retrieved here comes in MATLAB format from the personal
web page of Sam Roweis:
 
    http://www.cs.nyu.edu/~roweis/
 
There are ten different images of each of 40 distinct subjects. For some
subjects, the images were taken at different times, varying the lighting,
facial expressions (open / closed eyes, smiling / not smiling) and facial
details (glasses / no glasses). All the images were taken against a dark
homogeneous background with the subjects in an upright, frontal position (with
tolerance for some side movement).
 
The original dataset consisted of 92 x 112, while the Roweis version
consists of 64x64 images.
cs


이미지, 데이터, 타겟의 배열은 다음과 같다.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
{'images': array([[[ 0.30991736,  0.36776859,  0.41735536, ...,  0.37190083,
          0.33057851,  0.30578512],
        [ 0.3429752 ,  0.40495867,  0.43801653, ...,  0.37190083,
          0.33884299,  0.3140496 ],
        [ 0.3429752 ,  0.41735536,  0.45041323, ...,  0.38016528,
          0.33884299,  0.29752067],
        ..., 
        [ 0.21487603,  0.20661157,  0.22314049, ...,  0.15289256,
          0.16528925,  0.17355372],
        [ 0.20247933,  0.2107438 ,  0.2107438 , ...,  0.14876033,
          0.16115703,  0.16528925],
        [ 0.20247933,  0.20661157,  0.20247933, ...,  0.15289256,
          0.16115703,  0.1570248 ]],
 
       [[ 0.45454547,  0.47107437,  0.51239669, ...,  0.19008264,
          0.18595041,  0.18595041],
        [ 0.44628099,  0.48347107,  0.52066118, ...,  0.21487603,
          0.2107438 ,  0.2107438 ],
        [ 0.49586776,  0.5165289 ,  0.53305787, ...,  0.20247933,
          0.20661157,  0.20661157],
        ..., 
        [ 0.77272725,  0.78099173,  0.79338843, ...,  0.14462809,
          0.14462809,  0.14462809],
        [ 0.77272725,  0.77685952,  0.78925622, ...,  0.13636364,
          0.13636364,  0.13636364],
        [ 0.76446283,  0.78925622,  0.78099173, ...,  0.15289256,
          0.15289256,  0.15289256]],
 
       [[ 0.31818181,  0.40082645,  0.49173555, ...,  0.40082645,
          0.35537189,  0.30991736],
        [ 0.30991736,  0.39669421,  0.47933885, ...,  0.40495867,
          0.37603307,  0.30165288],
        [ 0.26859504,  0.34710744,  0.45454547, ...,  0.39669421,
          0.37190083,  0.30991736],
        ..., 
        [ 0.1322314 ,  0.09917355,  0.08264463, ...,  0.13636364,
          0.14876033,  0.15289256],
        [ 0.11570248,  0.09504132,  0.0785124 , ...,  0.14462809,
          0.14462809,  0.1570248 ],
        [ 0.11157025,  0.09090909,  0.0785124 , ...,  0.14049587,
          0.14876033,  0.15289256]],
 
       ..., 
       [[ 0.5       ,  0.53305787,  0.60743803, ...,  0.28512397,
          0.23966943,  0.21487603],
        [ 0.49173555,  0.54132229,  0.60330576, ...,  0.29752067,
          0.20247933,  0.20661157],
        [ 0.46694216,  0.55785125,  0.61983472, ...,  0.29752067,
          0.17768595,  0.18595041],
        ..., 
        [ 0.03305785,  0.46280992,  0.5289256 , ...,  0.17355372,
          0.17355372,  0.16942149],
        [ 0.1570248 ,  0.52479339,  0.53305787, ...,  0.16528925,
          0.1570248 ,  0.18595041],
        [ 0.45454547,  0.52066118,  0.53305787, ...,  0.17768595,
          0.14876033,  0.19008264]],
 
       [[ 0.21487603,  0.21900827,  0.21900827, ...,  0.71487606,
          0.71487606,  0.69421488],
        [ 0.20247933,  0.20661157,  0.20661157, ...,  0.71074378,
          0.70661157,  0.69421488],
        [ 0.2107438 ,  0.20661157,  0.20661157, ...,  0.6859504 ,
          0.69008267,  0.69421488],
        ..., 
        [ 0.2644628 ,  0.25619835,  0.26033059, ...,  0.54132229,
          0.57438016,  0.59090906],
        [ 0.26859504,  0.2644628 ,  0.26859504, ...,  0.56198347,
          0.58264464,  0.59504133],
        [ 0.27272728,  0.26859504,  0.27272728, ...,  0.57438016,
          0.59090906,  0.60330576]],
 
       [[ 0.5165289 ,  0.46280992,  0.28099173, ...,  0.57851237,
          0.54132229,  0.60330576],
        [ 0.5165289 ,  0.45041323,  0.29338843, ...,  0.58264464,
          0.55371898,  0.57851237],
        [ 0.5165289 ,  0.44214877,  0.29338843, ...,  0.59917355,
          0.57851237,  0.54545456],
        ..., 
        [ 0.39256197,  0.41322315,  0.38842976, ...,  0.33471075,
          0.37190083,  0.39669421],
        [ 0.39256197,  0.38429752,  0.40495867, ...,  0.33057851,
          0.35950413,  0.37603307],
        [ 0.36776859,  0.40495867,  0.39669421, ...,  0.35950413,
          0.35537189,  0.38429752]]], dtype=float32), 
'data': array([[ 0.30991736,  0.36776859,  0.41735536, ...,  0.15289256,
         0.16115703,  0.1570248 ],
       [ 0.45454547,  0.47107437,  0.51239669, ...,  0.15289256,
         0.15289256,  0.15289256],
       [ 0.31818181,  0.40082645,  0.49173555, ...,  0.14049587,
         0.14876033,  0.15289256],
       ..., 
       [ 0.5       ,  0.53305787,  0.60743803, ...,  0.17768595,
         0.14876033,  0.19008264],
       [ 0.21487603,  0.21900827,  0.21900827, ...,  0.57438016,
         0.59090906,  0.60330576],
       [ 0.5165289 ,  0.46280992,  0.28099173, ...,  0.35950413,
         0.35537189,  0.38429752]], dtype=float32),
'target': array([ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  1,  1,  1,  1,  1,  1,  1,
        1,  1,  1,  2,  2,  2,  2,  2,  2,  2,  2,  2,  2,  3,  3,  3,  3,
        3,  3,  3,  3,  3,  3,  4,  4,  4,  4,  4,  4,  4,  4,  4,  4,  5,
        5,  5,  5,  5,  5,  5,  5,  5,  5,  6,  6,  6,  6,  6,  6,  6,  6,
        6,  6,  7,  7,  7,  7,  7,  7,  7,  7,  7,  7,  8,  8,  8,  8,  8,
        8,  8,  8,  8,  8,  9,  9,  9,  9,  9,  9,  9,  9,  9,  9, 10, 10,
       10, 10, 10, 10, 10, 10, 10, 10, 11, 11, 11, 11, 11, 11, 11, 11, 11,
       11, 12, 12, 12, 12, 12, 12, 12, 12, 12, 12, 13, 13, 13, 13, 13, 13,
       13, 13, 13, 13, 14, 14, 14, 14, 14, 14, 14, 14, 14, 14, 15, 15, 15,
       15, 15, 15, 15, 15, 15, 15, 16, 16, 16, 16, 16, 16, 16, 16, 16, 16,
       17, 17, 17, 17, 17, 17, 17, 17, 17, 17, 18, 18, 18, 18, 18, 18, 18,
       18, 18, 18, 19, 19, 19, 19, 19, 19, 19, 19, 19, 19, 20, 20, 20, 20,
       20, 20, 20, 20, 20, 20, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 22,
       22, 22, 22, 22, 22, 22, 22, 22, 22, 23, 23, 23, 23, 23, 23, 23, 23,
       23, 23, 24, 24, 24, 24, 24, 24, 24, 24, 24, 24, 25, 25, 25, 25, 25,
       25, 25, 25, 25, 25, 26, 26, 26, 26, 26, 26, 26, 26, 26, 26, 27, 27,
       27, 27, 27, 27, 27, 27, 27, 27, 28, 28, 28, 28, 28, 28, 28, 28, 28,
       28, 29, 29, 29, 29, 29, 29, 29, 29, 29, 29, 30, 30, 30, 30, 30, 30,
       30, 30, 30, 30, 31, 31, 31, 31, 31, 31, 31, 31, 31, 31, 32, 32, 32,
       32, 32, 32, 32, 32, 32, 32, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33,
       34, 34, 34, 34, 34, 34, 34, 34, 34, 34, 35, 35, 35, 35, 35, 35, 35,
       35, 35, 35, 36, 36, 36, 36, 36, 36, 36, 36, 36, 36, 37, 37, 37, 37,
       37, 37, 37, 37, 37, 37, 38, 38, 38, 38, 38, 38, 38, 38, 38, 38, 39,
       39, 39, 39, 39, 39, 39, 39, 39, 39])
}
cs


실제 이미지를 간략히 보면 다음과 같다.
The Database of Faces at a glance (http://www.cl.cam.ac.uk/research/dtg/attarchive/facesataglance.html)


데이터셋은 40명의 (서로 다른 조명조건과 얼굴 표정으로 찍혀있는) 총 400개의 얼굴이미지로, face 오브젝트의 주요 내용은 다음과 같다. 데이터는 4,096(64*64) 픽셀로, 총 400개의 이미지가 있으며, 목적범주는 0 에서 39까지의 배열이다.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
>>> import sklearn as sk
>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import fetch_olivetti_faces
>>> faces = fetch_olivetti_faces()
>>> print faces.keys()
['images', 'data', 'target', 'DESCR']
 
>>> print faces.images.shape
(400, 64, 64)
 
>>> print faces.data.shape
(400, 4096)
 
>>> print faces.target.shape
(400,)
cs


이미지 정규화 여부를 확인한다. 아래를 통해 이미지가 0 과 1 사이의 값임을 확인할 수 있다.

1
2
>>> print np.max(faces.data), np.min(faces.data), np.mean(faces.data)
1.0 0.0 0.547043
cs


이미 이미지는 정규화되어 있으므로, 본격적인 학습 전에 일부 얼굴을 출력해보자.

1
2
3
4
5
6
7
8
9
10
11
12
>>> %matplotlib inline
>>> 
>>> def print_faces(images, target, top_n):
>>>     fig = plt.figure(figsize = (12,12))
>>>     fig.subplots_adjust(left=0, right=1, bottom=0, top=1, hspace=0.05, wspace=0.05)
>>>     for i in range(top_n):
>>>         p = fig.add_subplot(20, 20, i+1, xticks=[], yticks=[])
>>>         p.imshow(images[i], cmap=plt.cm.bone)
>>>         p.text(0, 14, str(target[i]))
>>>         p.text(0, 60, str(i))
>>>         
>>> print_faces(faces.images, faces.target, 20)
cs



※ matplotlib.figure http://matplotlib.org/api/figure_api.html

728x90
저작자표시 비영리 변경금지

'프로그래밍 Programming' 카테고리의 다른 글

서포터 벡터 머신과 이미지 인식 (4) - 서포트 벡터 머신 훈련 (2)  (0) 2016.11.06
서포터 벡터 머신과 이미지 인식 (3) - 서포트 벡터 머신 훈련 (1)  (0) 2016.11.06
서포터 벡터 머신과 이미지 인식 (1) - 정의 및 장점  (0) 2016.11.06
scikit-learn (3) - 선형분류 (결과평가)  (0) 2016.11.06
scikit-learn (2) - 선형분류 (훈련데이터 만들기)  (0) 2016.11.06


갈루아의 반서재 블로그의 첫 페이지로 이동

티스토리툴바