说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。
1.项目背景
人脸识别的现代研究始于20世纪60年代末。在近20年，随着计算机性能的不断提高和算法的不断发展，人脸识别有了重大突破，真正进入自动识别阶段。早期的应用主要为刑侦破案，随后应用在手机解锁等安全要求不鳥的场所，现今人脸识别己广泛应用于金融、司法、军队、教育等人类生活的各个领域，并且还在不断地开拓新领域。
随着近年来深度卷积神经网络被引入人脸识别领域，使得人脸识别效果获得了巨大的提高。基于深度学习的人脸检测方法可Ｗ通过网络自动学习人脸面部特征，而且通过网络级联来提高人脸检测效率。该方法的输入为原始图像，不需要大量的前期工作，从而节省了时间和成本。并且相较于传统的机器学习检测方法，基于深度学习的人脸检测方法效果更好。
2.数据获取
本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：
数据详情如下(部分展示)：包含五个人的训练样本与验证样本。文件夹名称为人名，可作为数据集的标签。
上图为五个人的日常图片。
上图为ben_afflek的图片，部分作为展示。
3.数据预处理
3.1 加载和读取数据
关键代码：
用MTCNN检测图像文件中的人脸，转换为指定尺寸，返回人脸图像的numpy矩阵格式。
4.探索性数据分析
4.1.标签样本统计
关键代码如下：
结果输出如下：
5.特征工程
5.1.用FaceNet提取特征
本项目使用FaceNet 预训练模型进行特征提取。
关键代码如下：
输出结果如下：
训练集特征提取矩阵维度：
5.2.数据集特征标准化
关键代码如下：
输出结果如下：
5.2.数据集标签编码
由于数据集标签为字符模式，无法进行机器学习，所以对标签数据进行编码处理，转化为数字形式。
关键代码如下：
输出结果如下：
6.构建SVM人脸识别模型
主要使用SVM分类算法，用于目标检测。
6.1建立SVM模型
编号 |
模型名称 |
参数 |
1 |
SVM分类模型 |
kernel='linear' |
2 |
probability=True |
关键代码如下：
7.模型评估
关键代码：
准确率：
训练集准确率：100.0，验证集准确率：100.0
8.人脸图像随机测试
从验证集随机选取一张人脸图像进行检测识别。
关键代码：
结果如下：
9.结论与展望
综上所述，本文采用MTCNN对人脸图像进行预处理和优化、FaceNet进行特征提取、SVM进行人脸识别，最终证明了我们提出的模型效果良好。准确率达到了100%，可用于日常生活中进行建模预测，以提高价值。
# 本次机器学习项目实战所需的资料，项目资源如下： # 项目说明： # 获取方式一： # 项目实战合集导航： https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2 # 获取方式二： 链接：https://pan.baidu.com/s/1Z371Dkx3gjkl152GPCB5PA 提取码：x16g
