基于机器学习的人脸发型推荐算法研究与应用实现

基于机器学习的人脸发型推荐算法研究与应用实现

引用

CSDN

1.

https://blog.csdn.net/weixin_40651515/article/details/137756850

本文主要研究内容是开发一种发型推荐系统，旨在识别用户的面部形状，并根据此形状推荐最适合的发型。首先，收集具有各种面部形状的用户照片，并标记它们的脸型，如长形、圆形、椭圆形、心形或方形。接着构建一个面部分类器，以确定用户的脸型，如长形、圆形、椭圆形、心形或方形。然后，使用机器学习或深度学习技术构建一个面部分类器模型。该模型接受用户照片作为输入，并输出对应的面部形状分类结果。基于分类结果，根据面部分类器的输出结果，为每种面部形状设计一组适合的发型。最终实现的系统将推荐适合用户面部形状的发型。该系统将利用用户对不同发型的偏好和不喜欢程度进行持续更新，以提供个性化的推荐。

1. 数据收集与预处理

通过查阅22个网站和234位名人的信息来收集具有正确面部形状标签的图像。其中，有33位名人的面部形状在3个或更多网站中得到了一致的分类（65位在2个或更多网站中一致）。还有49位名人虽然在某些网站上的分类存在冲突，但有强烈的共识可以用于分类。最终，利用74位名人的数据进行了分析。

面部形状特征描述：

• 心形脸形（heart-shaped face）：具有宽阔的颧骨，逐渐变窄至下巴。
• 长形脸形（long face）：长而非常狭窄。
• 椭圆形脸形（oval face）：类似于长形脸，但比长形脸更丰满。
• 圆形脸形（round face）：短而宽的形状，与其他脸形明显不同。
• 方形脸形（square-shaped face）：具有强烈的下颌线。

最终，数据集包含了约74名名人的约1500张图像，存储到DATA文件夹中。

基于上述收集的data数据，创建了一个包含各种特征的数据框，这些特征包括面部关键点的坐标、计算出的长度和比率，以及图像名称和分类形状。该数据框的列包括了大量的特征，如面部关键点坐标、长度、比率以及图像名称和分类形状等。接着，通过调用主要函数和第二个用于推荐目的的函数，对上述目录中的所有照片运行主要函数，从而生成了一个整洁的数据集。

data = pd.DataFrame()
data.reset_index
shape_df = pd.DataFrame(columns = ['filenum','filename','classified_shape'])
shape_array = []
def store_features_and_classification():
    filenum = -1
    sub_dir = [q for q in pathlib.Path(image_dir).iterdir() if q.is_dir()]
    start_j = 0
    end_j = len(sub_dir)
    for j in range(start_j, end_j):
        images_dir = [p for p in pathlib.Path(sub_dir[j]).iterdir() if p.is_file()]
        for p in pathlib.Path(sub_dir[j]).iterdir():
            print(p)
            shape_array= []
            if 1 == 1:
                    face_file_name = os.path.basename(p)
                    classified_face_shape = os.path.basename(os.path.dirname(p)) 
                    filenum += 1
                    make_face_df(p,filenum)
                    shape_array.append(filenum)
                    shape_array.append(face_file_name)  
                    shape_array.append(classified_face_shape)
                    shape_df.loc[filenum] = np.array(shape_array)
            
            
store_features_and_classification()  
data = pd.concat([df, shape_df], axis=1)
# Add all the faces features with shape to a DATA CSV file for model purpose.
data.to_csv('all_features.csv')  

这段代码的主要目的是创建一个数据集，其中包含了面部特征和分类形状的信息，并将其保存到一个CSV文件中以供模型使用。

2. 模型训练与选择

导入必要的库，并加载以前处理过的数据。然后，将数据进行清理，去除任何包含NaN值的行，并准备好用于模型训练的特征矩阵X和目标向量Y。

使用StandardScaler对特征矩阵X进行标准化，即移除平均值并缩放到单位方差，以确保每个特征对模型的贡献大致相等。

对标准化后的特征矩阵X进行主成分分析（PCA）降维，以减少特征的数量。作者选择了包含18个主成分的PCA模型，通过fit方法拟合PCA模型，并使用transform方法将数据转换为新的主成分空间。

尝试了多种监督学习模型，包括多层感知机（MLP）、K最近邻分类器（KNN）、随机森林分类器（Random Forest）、梯度提升分类器（Gradient Boosting）和线性判别分析（LDA）。对于每个模型，作者通过调整超参数和使用交叉验证选择最佳模型，并使用最佳模型在测试集上进行评估。

评估了每个模型在测试集上的性能，并将结果可视化为条形图，展示了不同模型在识别不同面部形状上的准确率。最后，生成一个结果表格，汇总了每个模型对不同面部形状的识别准确率。

import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler, normalize
from sklearn.model_selection import train_test_split
from sklearn.decomposition import PCA
from sklearn.neural_network import MLPClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
import matplotlib.pyplot as plt

# 导入数据
data = pd.read_csv('all_features.csv', index_col=None).drop('Unnamed: 0', axis=1).dropna()

# 准备数据
X = normalize(data.drop(['filenum', 'filename', 'classified_shape'], axis=1))
Y = data['classified_shape']

# 标准化特征
scaler = StandardScaler()
X = scaler.fit_transform(X)

# PCA降维
pca = PCA(n_components=18, svd_solver='randomized', whiten=True).fit(X)
X = pca.transform(X)

# 划分训练集和测试集
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.25, random_state=1200)

# MLP模型
mlp_best = MLPClassifier(activation='relu', alpha=0.0001, batch_size='auto', hidden_layer_sizes=(60, 100, 30, 100),
                         learning_rate='constant', learning_rate_init=0.01, max_iter=100, random_state=525)
mlp_best.fit(X_train, Y_train)

# KNN模型
neigh = KNeighborsClassifier(n_neighbors=5)
neigh.fit(X_train, Y_train)

# 随机森林模型
clf = RandomForestClassifier(n_estimators=100, max_depth=None, random_state=5)
clf.fit(X_train, Y_train)

# 梯度提升模型
gb_best = GradientBoostingClassifier(n_estimators=300, max_depth=5, learning_rate=0.1)
gb_best.fit(X_train, Y_train)

# LDA模型
lda = LinearDiscriminantAnalysis()
lda.fit(X_train, Y_train)

# 可视化模型比较结果
def model_graph():
    models = [mlp_best, neigh, clf, gb_best, lda]
    model_names = ['MLP', 'KNN', 'Random Forest', 'Gradient Boosting', 'LDA']
    accuracies = [model.score(X_test, Y_test) for model in models]
    plt.figure(figsize=(10, 6))
    plt.bar(model_names, accuracies, color=['blue', 'green', 'pink', 'orange', 'purple'])
    plt.xlabel('Model')
    plt.ylabel('Accuracy')
    plt.title('Comparison of Models')
    plt.show()

model_graph()

3. 应用实现

基于Flask技术实现一个用于面部特征识别和发型推荐的应用程序。该系统包含：

1. 上传照片功能：用户可以在页面中上传自己的照片。上传后，会显示用户的照片，并提供预测和推荐功能。
2. 预测功能：用户可以点击“预测”按钮，对上传的照片进行预测，以推荐适合用户脸型和其他特征的发型。

点击开始预测

输出结果为：

4. 结语

该研究主要关注开发一种发型推荐系统，其目标是根据用户的面部形状识别最适合的发型。主要研究内容包括：

1. 数据收集和分析：收集具有各种面部形状的用户照片，并标记其脸型，如长形、圆形、椭圆形、心形或方形。构建面部分类器以确定用户的脸型，使用机器学习技术构建模型。数据集包含约74位名人的约1500张图像，并存储到CSV文件中以供模型使用。
2. 模型训练过程：导入数据，准备数据，并对特征进行标准化和降维。使用多种机器学习模型进行训练，包括MLP、KNN、随机森林、梯度提升和LDA模型。比较不同模型在面部形状分类任务上的性能，并选择最佳模型。
3. 应用实现：基于Flask技术实现一个用于面部特征识别和发型推荐的应用程序。应用程序包括一个点击开始预测的功能，输出用户的面部形状分类结果和推荐的发型。

总的来说，该研究旨在帮助用户了解适合其脸型的最佳发型，并提供个性化的发型推荐服务。

上述代码的运行环境为基于python3.7.0配置pandas==1.1.5 Flask==1.0.2 sklearn==0.0 scikit-learn==0.23.1 Werkzeug==0.16.0 opencv-python==4.1.0.25 numpy==1.19.5 matplotlib==3.3.4 Pillow==8.4.0 requests==2.18.4 bs4==0.0.1 beautifulsoup4==4.7.1 seaborn==0.11.0 scipy==1.5.4。

完整代码：
https://download.csdn.net/download/weixin_40651515/89136480