固有顔（Eigenfaces）とサポートベクターマシン（SVM）による顔認識

はじめに

この実験では、固有顔（eigenfaces）とサポートベクターマシン（Support Vector Machines, SVMs）を使用して顔認識を行う手順を案内します。この実験で使用するデータセットは、「Labeled Faces in the Wild」データセットの前処理済みの一部です。

VMのヒント

VMの起動が完了したら、左上隅をクリックしてNotebookタブに切り替え、Jupyter Notebookを開いて練習を行ってください。

時々、Jupyter Notebookの読み込みが完了するまで数秒待つ必要がある場合があります。Jupyter Notebookの制限により、操作の検証を自動化することはできません。

学習中に問題が発生した場合は、Labbyに質問してください。セッション終了後にフィードバックを提供していただければ、迅速に問題を解決します。

Skills Graph

ライブラリのインポート

from time import time
import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split
from sklearn.model_selection import RandomizedSearchCV
from sklearn.datasets import fetch_lfw_people
from sklearn.metrics import classification_report
from sklearn.metrics import ConfusionMatrixDisplay
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.svm import SVC
from scipy.stats import loguniform

まず、必要なすべてのライブラリをインポートする必要があります。

データセットの読み込みと探索

lfw_people = fetch_lfw_people(min_faces_per_person=70, resize=0.4)
n_samples, h, w = lfw_people.images.shape
X = lfw_people.data
n_features = X.shape[1]
y = lfw_people.target
target_names = lfw_people.target_names
n_classes = target_names.shape[0]

scikit-learnのfetch_lfw_people()関数を使用してデータセットをダウンロードします。次に、画像のサンプル数、高さ、幅を取得することでデータセットを探索します。また、入力データX、ターゲットy、ターゲット名target_names、クラス数n_classesも取得します。

データの前処理

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.25, random_state=42
)
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

データセットを訓練セットとテストセットに分割し、StandardScaler()関数を使用して入力データをスケーリングすることでデータを前処理します。

主成分分析（PCA）の実行

n_components = 150

pca = PCA(n_components=n_components, svd_solver="randomized", whiten=True).fit(X_train)
eigenfaces = pca.components_.reshape((n_components, h, w))

X_train_pca = pca.transform(X_train)
X_test_pca = pca.transform(X_test)

主成分分析（Principal Component Analysis, PCA）を実行して、入力データから特徴量を抽出します。成分数を150に設定し、PCAモデルを訓練データに適合させます。次に、固有顔（eigenfaces）を取得し、入力データを主成分に変換します。

サポートベクターマシン（SVM）分類モデルの訓練

param_grid = {
    "C": loguniform(1e3, 1e5),
    "gamma": loguniform(1e-4, 1e-1),
}

clf = RandomizedSearchCV(
    SVC(kernel="rbf", class_weight="balanced"), param_grid, n_iter=10
)
clf = clf.fit(X_train_pca, y_train)

変換後のデータを使用してSVM分類モデルを訓練します。RandomizedSearchCV()を使用して、SVMモデルの最適なハイパーパラメータを見つけます。

モデルの性能評価

y_pred = clf.predict(X_test_pca)
print(classification_report(y_test, y_pred, target_names=target_names))
ConfusionMatrixDisplay.from_estimator(
    clf, X_test_pca, y_test, display_labels=target_names, xticks_rotation="vertical"
)

テストデータを使用してターゲット値を予測し、classification_report()関数を使用してモデルの性能を評価します。また、ConfusionMatrixDisplay()関数を使用して混同行列を描画します。

予測結果の可視化

def plot_gallery(images, titles, h, w, n_row=3, n_col=4):
    """Helper function to plot a gallery of portraits"""
    plt.figure(figsize=(1.8 * n_col, 2.4 * n_row))
    plt.subplots_adjust(bottom=0, left=0.01, right=0.99, top=0.90, hspace=0.35)
    for i in range(n_row * n_col):
        plt.subplot(n_row, n_col, i + 1)
        plt.imshow(images[i].reshape((h, w)), cmap=plt.cm.gray)
        plt.title(titles[i], size=12)
        plt.xticks(())
        plt.yticks(())

prediction_titles = [
    title(y_pred, y_test, target_names, i) for i in range(y_pred.shape[0])
]

plot_gallery(X_test, prediction_titles, h, w)

予測された名前と実際の名前を付けた肖像画のギャラリーを描画することで、予測結果を可視化します。

固有顔（Eigenfaces）の可視化

eigenface_titles = ["eigenface %d" % i for i in range(eigenfaces.shape[0])]
plot_gallery(eigenfaces, eigenface_titles, h, w)

plt.show()

また、入力データから抽出された特徴を可視化するために、固有顔（eigenfaces）を描画します。

まとめ

この実験では、固有顔（eigenfaces）とサポートベクターマシン（SVM）を使用して顔認識を行う方法を学びました。まず、データセットを読み込んで探索し、次に入力データをスケーリングすることでデータを前処理しました。その後、主成分分析（PCA）を行って入力データから特徴を抽出し、SVM分類モデルを訓練しました。モデルの性能を評価し、予測結果と固有顔を可視化しました。