第六次

非監督式學習程式測試

1. 使用k-means技術分群擷取出來的照片。

2. 在終端機下使用python3指令測試程式，必要時需使用pip3安裝相關執行套件(參考下方指令)。

   • pip3 install opencv-python

   • pip3 install matplotlib

   • pip3 install scikit-learn

3. 修改參數k，測試在不同k值下的表現。

4. 附上測試結果圖，三點說明參數值的決定方法：
   測試過程，決定根據，結果討論。

其他偵測模型：haarcascades

程式碼

# Import the necessary modules and libraries

import cv2

import numpy as np

import matplotlib.pyplot as plt

import os

import shutil

face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades +'haarcascade_frontalface_default.xml')

#讀取辨識用影片檔

cap = cv2.VideoCapture("twofaces.mp4")

if os.path.isdir("data"):

   shutil.rmtree("data")

   os.mkdir("data")

else: os.mkdir("data")

#Data collection

num = 0

data = list()

while True:

   ret, img = cap.read()

   if ret == False: break;

   gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

   faces = face_cascade.detectMultiScale(gray, 1.1, 5, 4 )

   for (x, y, w, h) in faces:

      image = img[y: y+h, x: x+w]

      cv2.imwrite('data/%d.png'%num, image)

      #計算圖片特徵值

      data.append([np.std(image), np.mean(image)])

      num = num+1

      cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 1)

   cv2.imshow('img', img)

   k = cv2.waitKey(1)

   if k == 27: break

cap.release()

cv2.destroyAllWindows()

#Data scaling

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler().fit(data)

data = scaler.transform(data)

#使用k-means技術分群

from sklearn.cluster import KMeans

X = np.array(data)

y_p = KMeans(n_clusters=2).fit_predict(X)

plt.scatter(X[:, 0], X[:, 1], c=y_p)

plt.savefig('kmeans.png')

#修改檔案名稱標示分群結果

for i in range(num):

   os.rename('data/%d.png'%i, 'data/'+str(y_p[i])+('_%d.png'%i))

範例

1. 測試過程：一鄉二里共三夫子不識四書五經六義，竟敢教七八九子，十分大膽！十室九貧湊得八兩七錢六分五毫四厘，尚且三心二意，一等下流！

2. 決定根據：圖書裡，龍不吟虎不嘯，小小書僮可笑可笑。棋盤裡，車無輪馬無韁，叫聲將軍提防提防。

3. 結果討論：鶯鶯燕燕翠翠紅紅處處融融洽洽。雨雨風風花花葉葉年年暮暮朝朝。十口心思，思君思國思社稷。八目共賞，賞花賞月賞秋香。《唐伯虎點秋香》