简介这份文档资料面向计算机视觉与机器学习方向的学生、研究人员及工程实践者围绕基于改进PCA与SVM的人脸识别系统展开适合作为课程设计、毕业设计或算法入门的学习参考。压缩包内仅含1个docx文件整体约609KB以文字与公式推导为主便于在电脑端阅读与整理笔记。文档系统梳理了人脸识别流程涵盖Gamma校正预处理、平均脸与协方差矩阵计算、SVD降维、核主成分分析KPCA改进思路以及SVM超平面构建、松弛变量与拉格朗日优化等关键内容并对比了最近邻、K近邻、贝叶斯等分类器的适用场景。目前已有153人学习读者可借此理解PCA与SVM结合的分类框架掌握从特征提取到分类识别的完整技术脉络为后续结合CNN等深度模型打下基础。1. 从一份 .docx 标题说起改进 PCASVM 的人脸识别到底在解决什么如果你手头正好有一份名为「基于改进PCASVM的人脸识别系统.docx」的文档或者你正在做课程设计、毕业设计、企业门禁原型看到这个标题的第一反应大概是PCA 降维加 SVM 分类这不是十几年前就玩烂的组合吗确实PCA 特征脸加 SVM 是人脸识别里最经典的入门方案但标题里「改进」两个字才是真正值钱的地方。原始 PCASVM 在 ORL、Yale 这类小库上能跑到 95% 以上可一旦换到光照变化、姿态偏转、样本量少的真实场景准确率断崖式下跌这就是为什么需要改进。这篇文章不讲空泛概念而是把「改进 PCASVM 人脸识别系统」从原理到代码到调参到踩坑完整走一遍。适合三类人正在做相关课题、需要一份能跑通的实现已经跑通基础版、但准确率卡住想找优化点以及想搞清楚 PCA 主成分分析、SVM 硬间隔与软间隔、核函数选择这些细节到底怎么影响最终结果的工程师。读完你应该能自己搭出一套可复现的流程并且知道每一步的参数为什么这么设。2. 改进 PCASVM 的技术底座特征脸、核函数与改进点在哪2.1 PCA 特征脸到底降了什么为什么它是双刃剑PCA 主成分分析在人脸识别里的经典叫法是「特征脸」Eigenfaces。它的核心动作是把每张人脸图像拉成一个列向量所有训练样本组成一个大矩阵然后做协方差矩阵的特征值分解取最大的前 k 个特征值对应的特征向量这些特征向量还原成图像就是一张张「特征脸」。任何一张人脸都可以表示成这些特征脸的线性组合组合系数就是降维后的特征。关键点在于PCA 是无监督的它只关心「哪些方向的方差最大」不关心「哪些方向对区分不同人最有用」。方差大的方向可能是光照整体亮度变化而不是五官差异。这就是原始 PCA 的先天缺陷也是「改进」的第一个切入点。常见改进方向有三个一是加权 PCA对不同特征脸按判别力加权二是把 PCA 和 LDA线性判别分析串起来先 PCA 降维再用 LDA 找类间类内差异最大的方向也就是常说的 Fisherfaces三是在 PCA 之前做光照归一化比如直方图均衡化加 Gamma 校正把光照这个最大干扰源先压下去。我一般会先做光照归一化再上 PCA如果样本每类有 5 张以上再叠加 LDA。这个顺序不是拍脑袋是因为 PCA 对光照的敏感度远高于对姿态的敏感度先把光照这个「大方差噪声源」处理掉PCA 保留的主成分才更可能落在人脸结构上。2.2 SVM 在人脸识别里为什么比最近邻更稳降维之后每个人脸变成一个几十到几百维的向量接下来就是分类。最朴素的做法是最近邻测试样本离哪个训练样本近就判为哪类。但最近邻对噪声和异常样本极其敏感一张脏数据就能带偏结果。SVM 的思路完全不同它找的是能把不同类别分开且间隔最大的那个超平面。这里要区分硬间隔 SVM 和软间隔 SVM。硬间隔要求所有样本都必须被正确分类且落在间隔之外现实中人脸数据几乎不可能满足光照、遮挡、表情都会让类边界模糊所以实际用的都是软间隔引入松弛变量和惩罚系数 C。C 越大对误分类的容忍越低容易过拟合C 越小容忍度越高可能欠拟合。人脸识别里 C 通常从 1 到 100 之间调配合交叉验证选。另一个关键是核函数。人脸特征在降维后如果线性可分用线性核就够速度快如果类边界非线性用 RBF 核但要同时调 gamma 参数。gamma 越大单个样本影响范围越小容易过拟合gamma 越小影响范围越大决策边界越平滑。经验上 gamma 取 1/特征维度 作为起点再网格搜索。2.3 「改进」的三个可落地方向把改进拆成可操作的三个层面你就能对照自己的项目判断该往哪走。第一层是数据预处理改进光照归一化、人脸对齐用眼睛坐标做仿射变换、直方图均衡化。这一步收益最大往往能带来 5 到 15 个百分点的提升而且不挑分类器。第二层是特征提取改进PCA 加权重、PCALDA 串联、或者用 PCA 降维后再做一次类内散度归一化。这一步提升中等但会增加计算量和调参复杂度。第三层是分类器改进从线性 SVM 换到 RBF 核 SVM或者用集成策略比如多个 SVM 投票。这一步提升有限但实现简单适合作为最后微调。下面这张表把三个方向的投入产出做个对比方便你按项目周期取舍。改进方向典型提升实现难度额外计算开销适合场景光照归一化对齐5%~15%低小所有场景优先做PCALDA3%~8%中中每类样本≥5张加权 PCA2%~5%中小样本类别不均衡RBF 核 SVM2%~6%低大类边界非线性多 SVM 集成1%~4%中大对稳定性要求高3. 用 Python 把改进 PCASVM 人脸识别跑通从读图到出准确率3.1 数据准备与光照归一化的最小代码先假设你用 ORL 或自己采集的人脸库目录结构是每类一个文件夹。下面这段代码完成读图、灰度化、尺寸统一、直方图均衡化和 Gamma 校正。import cv2 import numpy as np import os def load_faces(root_dir, img_size(100, 100), gamma1.5): X, y [], [] label 0 for person in sorted(os.listdir(root_dir)): person_dir os.path.join(root_dir, person) if not os.path.isdir(person_dir): continue for fname in os.listdir(person_dir): path os.path.join(person_dir, fname) img cv2.imread(path, cv2.IMREAD_GRAYSCALE) if img is None: continue img cv2.resize(img, img_size) # 直方图均衡化压光照差异 img cv2.equalizeHist(img) # Gamma 校正gamma1 提亮暗部细节 inv_gamma 1.0 / gamma table np.array([((i / 255.0) ** inv_gamma) * 255 for i in np.arange(0, 256)]).astype(uint8) img cv2.LUT(img, table) X.append(img.flatten().astype(np.float32)) y.append(label) label 1 return np.array(X), np.array(y)逻辑说明equalizeHist把灰度分布拉平抵消整体明暗差异Gamma 校正用查找表实现gamma 大于 1 时暗部被提亮适合背光人脸。参数上img_size建议 100x100 起步太小丢细节太大增加 PCA 计算量。gamma在 1.2 到 2.0 之间试1.5 是常用起点。注意读图必须用灰度模式彩色通道对识别没帮助反而引入噪声。3.2 PCA 降维与主成分数怎么定拿到 X 之后做 PCA。不要用 sklearn 的 PCA 直接 fit 原始数据先做零均值化然后看累计方差贡献率。from sklearn.decomposition import PCA from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.3, random_state42, stratifyy) # 先看需要多少主成分能达到 95% 方差 pca_full PCA().fit(X_train) cum_var np.cumsum(pca_full.explained_variance_ratio_) n_95 np.argmax(cum_var 0.95) 1 print(达到95%方差需要主成分数:, n_95) # 实际取 95% 方差对应的维度也可手动指定 pca PCA(n_componentsn_95, whitenTrue) X_train_pca pca.fit_transform(X_train) X_test_pca pca.transform(X_test)逻辑说明whitenTrue让各主成分方差归一化这对后续 SVM 很重要因为 SVM 对特征尺度敏感。n_components不要盲目取很大超过样本数减类别数就没意义了。经验上主成分数取 50 到 150 之间具体看n_95的输出。如果n_95超过 200说明你的图像分辨率太高或者光照没处理好回去检查预处理。3.3 SVM 训练与网格搜索调参接下来训练 SVM用网格搜索找 C 和 gamma。from sklearn.svm import SVC from sklearn.model_selection import GridSearchCV from sklearn.metrics import accuracy_score, classification_report param_grid { C: [1, 10, 50, 100], gamma: [scale, 0.001, 0.01, 0.05], kernel: [rbf, linear] } svm SVC(probabilityTrue) grid GridSearchCV(svm, param_grid, cv5, n_jobs-1, verbose1) grid.fit(X_train_pca, y_train) print(最优参数:, grid.best_params_) best_svm grid.best_estimator_ y_pred best_svm.predict(X_test_pca) print(测试准确率:, accuracy_score(y_test, y_pred)) print(classification_report(y_test, y_pred))逻辑说明cv5做五折交叉验证样本少时改 3。gammascale是 sklearn 默认等于 1/(特征数*方差)通常是个合理起点。如果最优结果是线性核说明你的数据在 PCA 后已经线性可分没必要用 RBF 增加开销。probabilityTrue会慢一些但如果你要做拒识判断是不是库内人就必须开。3.4 改进版PCALDA 串联的代码改动如果你每类样本有 5 张以上可以在 PCA 后加 LDA。注意 LDA 降维后维度最多是类别数减一。from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA n_classes len(np.unique(y_train)) lda LDA(n_componentsmin(n_classes - 1, 50)) X_train_lda lda.fit_transform(X_train_pca, y_train) X_test_lda lda.transform(X_test_pca) grid.fit(X_train_lda, y_train) print(PCALDA 最优参数:, grid.best_params_) print(PCALDA 准确率:, accuracy_score(y_test, grid.predict(X_test_lda)))逻辑说明LDA 是有监督的它利用标签信息找类间差异最大的方向正好补上 PCA 无监督的短板。n_components不能超过类别数减一否则报错。这一步通常能把准确率再拉几个点但如果每类只有一两张样本LDA 估计的类内散度矩阵不可靠反而会掉点所以样本少时跳过。4. 避坑与排查改进 PCASVM 人脸识别最常见的五个翻车点4.1 准确率虚高换一批测试集就崩现象在 ORL 上跑出 98%自己拍几张照片测试却只有一半对。原因训练集和测试集来自同一批人同一环境PCA 的主成分里混入了大量环境信息模型记住的是「拍摄条件」而不是「人脸身份」。解决划分数据时按人划分确保测试集的人不在训练集里或者至少按拍摄批次划分。更严格的做法是留出整个 session 做测试。4.2 PCA 维度取太大导致 SVM 训练极慢且过拟合现象n_components设成 300训练时间暴涨测试准确率反而下降。原因高维空间里样本稀疏SVM 找间隔最大超平面时容易把噪声也当成有效边界。解决用累计方差贡献率卡在 90% 到 95%或者直接网格搜索主成分数把它当成一个超参数。我一般会跑一个循环主成分数从 20 到 200 步长 20看验证集准确率曲线取拐点。4.3 忘记 whiten 导致 RBF 核失效现象RBF 核 SVM 准确率还不如线性核。原因PCA 降维后各主成分方差差异巨大第一主成分方差可能是最后一个的几百倍RBF 核的欧氏距离被大方差维度主导小方差维度几乎不起作用。解决PCA 里加whitenTrue或者手动对降维后特征做标准化。这个坑非常隐蔽因为不加 whiten 也能跑只是效果差很多人以为是核函数选错了。4.4 类别不均衡时 SVM 偏向多数类现象某一类样本特别多测试时几乎所有样本都被判成这一类。原因软间隔 SVM 的惩罚项对多数类更敏感超平面被推向少数类。解决SVC里设class_weightbalanced让惩罚权重与类别频率成反比。如果少数类样本极少还要考虑过采样或数据增强但增强后人脸要保证身份不变翻转和轻微旋转可以大角度变换会改变身份特征。4.5 预测阶段忘记做同样的预处理现象训练时准确率很高部署后调用摄像头实时识别全错。原因训练时做了直方图均衡化和 Gamma 校正预测时直接拿原始帧送进 PCA特征分布完全对不上。解决把预处理封装成一个函数训练和预测都调用同一个函数参数写死不要改。这个坑是工程落地里最常见的血泪经验就是预处理代码一定要复用不要复制粘贴两份。5. 让系统真正可用拒识、增量与部署时的几个技巧前面跑通的是闭集识别也就是假设测试样本一定属于库内某个人。真实系统必须能拒识判断「这个人不在库里」。做法是用 SVM 的predict_proba拿到最大概率如果低于阈值就拒识。阈值怎么定在验证集上画一张拒识率与误识率的曲线取等错误率点作为阈值。我一般会把阈值设在 0.6 到 0.8 之间具体看业务对误拒和误识的容忍度。增量更新是另一个绕不开的问题。新员工入职要加人脸最笨的办法是全量重训 PCA 和 SVM样本多了之后每次重训几分钟不可接受。可行的做法是PCA 部分固定投影矩阵新样本只做投影不更新主成分SVM 部分用增量 SVM 或者只对新增样本做一次局部重训。如果新增类别SVM 必须重训因为多分类策略变了。所以工程上通常按季度做一次全量重训平时只做样本累积。部署时还有一个技巧把 PCA 投影矩阵和 SVM 模型序列化保存预测服务启动时加载不要每次请求都重新 fit。用 joblib 保存即可。另外输入图像的人脸检测和对齐要在预处理之前做用 OpenCV 的 Haar 或 DNN 人脸检测器把脸框出来再按眼睛坐标做仿射对齐这一步能显著提升跨姿态的稳定性。最后说一个我自己的习惯每次调完参数我会把当次的主成分数、C、gamma、准确率记到一个表格里跑够二十组之后回头看往往能发现某些参数组合在特定数据分布下反复出现。这个记录习惯帮我省了很多重复试错的时间。希望帮到你。本文还有配套的精品资源点击获取
改进PCA+SVM人脸识别：从原理到调参的完整实战指南
简介这份文档资料面向计算机视觉与机器学习方向的学生、研究人员及工程实践者围绕基于改进PCA与SVM的人脸识别系统展开适合作为课程设计、毕业设计或算法入门的学习参考。压缩包内仅含1个docx文件整体约609KB以文字与公式推导为主便于在电脑端阅读与整理笔记。文档系统梳理了人脸识别流程涵盖Gamma校正预处理、平均脸与协方差矩阵计算、SVD降维、核主成分分析KPCA改进思路以及SVM超平面构建、松弛变量与拉格朗日优化等关键内容并对比了最近邻、K近邻、贝叶斯等分类器的适用场景。目前已有153人学习读者可借此理解PCA与SVM结合的分类框架掌握从特征提取到分类识别的完整技术脉络为后续结合CNN等深度模型打下基础。1. 从一份 .docx 标题说起改进 PCASVM 的人脸识别到底在解决什么如果你手头正好有一份名为「基于改进PCASVM的人脸识别系统.docx」的文档或者你正在做课程设计、毕业设计、企业门禁原型看到这个标题的第一反应大概是PCA 降维加 SVM 分类这不是十几年前就玩烂的组合吗确实PCA 特征脸加 SVM 是人脸识别里最经典的入门方案但标题里「改进」两个字才是真正值钱的地方。原始 PCASVM 在 ORL、Yale 这类小库上能跑到 95% 以上可一旦换到光照变化、姿态偏转、样本量少的真实场景准确率断崖式下跌这就是为什么需要改进。这篇文章不讲空泛概念而是把「改进 PCASVM 人脸识别系统」从原理到代码到调参到踩坑完整走一遍。适合三类人正在做相关课题、需要一份能跑通的实现已经跑通基础版、但准确率卡住想找优化点以及想搞清楚 PCA 主成分分析、SVM 硬间隔与软间隔、核函数选择这些细节到底怎么影响最终结果的工程师。读完你应该能自己搭出一套可复现的流程并且知道每一步的参数为什么这么设。2. 改进 PCASVM 的技术底座特征脸、核函数与改进点在哪2.1 PCA 特征脸到底降了什么为什么它是双刃剑PCA 主成分分析在人脸识别里的经典叫法是「特征脸」Eigenfaces。它的核心动作是把每张人脸图像拉成一个列向量所有训练样本组成一个大矩阵然后做协方差矩阵的特征值分解取最大的前 k 个特征值对应的特征向量这些特征向量还原成图像就是一张张「特征脸」。任何一张人脸都可以表示成这些特征脸的线性组合组合系数就是降维后的特征。关键点在于PCA 是无监督的它只关心「哪些方向的方差最大」不关心「哪些方向对区分不同人最有用」。方差大的方向可能是光照整体亮度变化而不是五官差异。这就是原始 PCA 的先天缺陷也是「改进」的第一个切入点。常见改进方向有三个一是加权 PCA对不同特征脸按判别力加权二是把 PCA 和 LDA线性判别分析串起来先 PCA 降维再用 LDA 找类间类内差异最大的方向也就是常说的 Fisherfaces三是在 PCA 之前做光照归一化比如直方图均衡化加 Gamma 校正把光照这个最大干扰源先压下去。我一般会先做光照归一化再上 PCA如果样本每类有 5 张以上再叠加 LDA。这个顺序不是拍脑袋是因为 PCA 对光照的敏感度远高于对姿态的敏感度先把光照这个「大方差噪声源」处理掉PCA 保留的主成分才更可能落在人脸结构上。2.2 SVM 在人脸识别里为什么比最近邻更稳降维之后每个人脸变成一个几十到几百维的向量接下来就是分类。最朴素的做法是最近邻测试样本离哪个训练样本近就判为哪类。但最近邻对噪声和异常样本极其敏感一张脏数据就能带偏结果。SVM 的思路完全不同它找的是能把不同类别分开且间隔最大的那个超平面。这里要区分硬间隔 SVM 和软间隔 SVM。硬间隔要求所有样本都必须被正确分类且落在间隔之外现实中人脸数据几乎不可能满足光照、遮挡、表情都会让类边界模糊所以实际用的都是软间隔引入松弛变量和惩罚系数 C。C 越大对误分类的容忍越低容易过拟合C 越小容忍度越高可能欠拟合。人脸识别里 C 通常从 1 到 100 之间调配合交叉验证选。另一个关键是核函数。人脸特征在降维后如果线性可分用线性核就够速度快如果类边界非线性用 RBF 核但要同时调 gamma 参数。gamma 越大单个样本影响范围越小容易过拟合gamma 越小影响范围越大决策边界越平滑。经验上 gamma 取 1/特征维度 作为起点再网格搜索。2.3 「改进」的三个可落地方向把改进拆成可操作的三个层面你就能对照自己的项目判断该往哪走。第一层是数据预处理改进光照归一化、人脸对齐用眼睛坐标做仿射变换、直方图均衡化。这一步收益最大往往能带来 5 到 15 个百分点的提升而且不挑分类器。第二层是特征提取改进PCA 加权重、PCALDA 串联、或者用 PCA 降维后再做一次类内散度归一化。这一步提升中等但会增加计算量和调参复杂度。第三层是分类器改进从线性 SVM 换到 RBF 核 SVM或者用集成策略比如多个 SVM 投票。这一步提升有限但实现简单适合作为最后微调。下面这张表把三个方向的投入产出做个对比方便你按项目周期取舍。改进方向典型提升实现难度额外计算开销适合场景光照归一化对齐5%~15%低小所有场景优先做PCALDA3%~8%中中每类样本≥5张加权 PCA2%~5%中小样本类别不均衡RBF 核 SVM2%~6%低大类边界非线性多 SVM 集成1%~4%中大对稳定性要求高3. 用 Python 把改进 PCASVM 人脸识别跑通从读图到出准确率3.1 数据准备与光照归一化的最小代码先假设你用 ORL 或自己采集的人脸库目录结构是每类一个文件夹。下面这段代码完成读图、灰度化、尺寸统一、直方图均衡化和 Gamma 校正。import cv2 import numpy as np import os def load_faces(root_dir, img_size(100, 100), gamma1.5): X, y [], [] label 0 for person in sorted(os.listdir(root_dir)): person_dir os.path.join(root_dir, person) if not os.path.isdir(person_dir): continue for fname in os.listdir(person_dir): path os.path.join(person_dir, fname) img cv2.imread(path, cv2.IMREAD_GRAYSCALE) if img is None: continue img cv2.resize(img, img_size) # 直方图均衡化压光照差异 img cv2.equalizeHist(img) # Gamma 校正gamma1 提亮暗部细节 inv_gamma 1.0 / gamma table np.array([((i / 255.0) ** inv_gamma) * 255 for i in np.arange(0, 256)]).astype(uint8) img cv2.LUT(img, table) X.append(img.flatten().astype(np.float32)) y.append(label) label 1 return np.array(X), np.array(y)逻辑说明equalizeHist把灰度分布拉平抵消整体明暗差异Gamma 校正用查找表实现gamma 大于 1 时暗部被提亮适合背光人脸。参数上img_size建议 100x100 起步太小丢细节太大增加 PCA 计算量。gamma在 1.2 到 2.0 之间试1.5 是常用起点。注意读图必须用灰度模式彩色通道对识别没帮助反而引入噪声。3.2 PCA 降维与主成分数怎么定拿到 X 之后做 PCA。不要用 sklearn 的 PCA 直接 fit 原始数据先做零均值化然后看累计方差贡献率。from sklearn.decomposition import PCA from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.3, random_state42, stratifyy) # 先看需要多少主成分能达到 95% 方差 pca_full PCA().fit(X_train) cum_var np.cumsum(pca_full.explained_variance_ratio_) n_95 np.argmax(cum_var 0.95) 1 print(达到95%方差需要主成分数:, n_95) # 实际取 95% 方差对应的维度也可手动指定 pca PCA(n_componentsn_95, whitenTrue) X_train_pca pca.fit_transform(X_train) X_test_pca pca.transform(X_test)逻辑说明whitenTrue让各主成分方差归一化这对后续 SVM 很重要因为 SVM 对特征尺度敏感。n_components不要盲目取很大超过样本数减类别数就没意义了。经验上主成分数取 50 到 150 之间具体看n_95的输出。如果n_95超过 200说明你的图像分辨率太高或者光照没处理好回去检查预处理。3.3 SVM 训练与网格搜索调参接下来训练 SVM用网格搜索找 C 和 gamma。from sklearn.svm import SVC from sklearn.model_selection import GridSearchCV from sklearn.metrics import accuracy_score, classification_report param_grid { C: [1, 10, 50, 100], gamma: [scale, 0.001, 0.01, 0.05], kernel: [rbf, linear] } svm SVC(probabilityTrue) grid GridSearchCV(svm, param_grid, cv5, n_jobs-1, verbose1) grid.fit(X_train_pca, y_train) print(最优参数:, grid.best_params_) best_svm grid.best_estimator_ y_pred best_svm.predict(X_test_pca) print(测试准确率:, accuracy_score(y_test, y_pred)) print(classification_report(y_test, y_pred))逻辑说明cv5做五折交叉验证样本少时改 3。gammascale是 sklearn 默认等于 1/(特征数*方差)通常是个合理起点。如果最优结果是线性核说明你的数据在 PCA 后已经线性可分没必要用 RBF 增加开销。probabilityTrue会慢一些但如果你要做拒识判断是不是库内人就必须开。3.4 改进版PCALDA 串联的代码改动如果你每类样本有 5 张以上可以在 PCA 后加 LDA。注意 LDA 降维后维度最多是类别数减一。from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA n_classes len(np.unique(y_train)) lda LDA(n_componentsmin(n_classes - 1, 50)) X_train_lda lda.fit_transform(X_train_pca, y_train) X_test_lda lda.transform(X_test_pca) grid.fit(X_train_lda, y_train) print(PCALDA 最优参数:, grid.best_params_) print(PCALDA 准确率:, accuracy_score(y_test, grid.predict(X_test_lda)))逻辑说明LDA 是有监督的它利用标签信息找类间差异最大的方向正好补上 PCA 无监督的短板。n_components不能超过类别数减一否则报错。这一步通常能把准确率再拉几个点但如果每类只有一两张样本LDA 估计的类内散度矩阵不可靠反而会掉点所以样本少时跳过。4. 避坑与排查改进 PCASVM 人脸识别最常见的五个翻车点4.1 准确率虚高换一批测试集就崩现象在 ORL 上跑出 98%自己拍几张照片测试却只有一半对。原因训练集和测试集来自同一批人同一环境PCA 的主成分里混入了大量环境信息模型记住的是「拍摄条件」而不是「人脸身份」。解决划分数据时按人划分确保测试集的人不在训练集里或者至少按拍摄批次划分。更严格的做法是留出整个 session 做测试。4.2 PCA 维度取太大导致 SVM 训练极慢且过拟合现象n_components设成 300训练时间暴涨测试准确率反而下降。原因高维空间里样本稀疏SVM 找间隔最大超平面时容易把噪声也当成有效边界。解决用累计方差贡献率卡在 90% 到 95%或者直接网格搜索主成分数把它当成一个超参数。我一般会跑一个循环主成分数从 20 到 200 步长 20看验证集准确率曲线取拐点。4.3 忘记 whiten 导致 RBF 核失效现象RBF 核 SVM 准确率还不如线性核。原因PCA 降维后各主成分方差差异巨大第一主成分方差可能是最后一个的几百倍RBF 核的欧氏距离被大方差维度主导小方差维度几乎不起作用。解决PCA 里加whitenTrue或者手动对降维后特征做标准化。这个坑非常隐蔽因为不加 whiten 也能跑只是效果差很多人以为是核函数选错了。4.4 类别不均衡时 SVM 偏向多数类现象某一类样本特别多测试时几乎所有样本都被判成这一类。原因软间隔 SVM 的惩罚项对多数类更敏感超平面被推向少数类。解决SVC里设class_weightbalanced让惩罚权重与类别频率成反比。如果少数类样本极少还要考虑过采样或数据增强但增强后人脸要保证身份不变翻转和轻微旋转可以大角度变换会改变身份特征。4.5 预测阶段忘记做同样的预处理现象训练时准确率很高部署后调用摄像头实时识别全错。原因训练时做了直方图均衡化和 Gamma 校正预测时直接拿原始帧送进 PCA特征分布完全对不上。解决把预处理封装成一个函数训练和预测都调用同一个函数参数写死不要改。这个坑是工程落地里最常见的血泪经验就是预处理代码一定要复用不要复制粘贴两份。5. 让系统真正可用拒识、增量与部署时的几个技巧前面跑通的是闭集识别也就是假设测试样本一定属于库内某个人。真实系统必须能拒识判断「这个人不在库里」。做法是用 SVM 的predict_proba拿到最大概率如果低于阈值就拒识。阈值怎么定在验证集上画一张拒识率与误识率的曲线取等错误率点作为阈值。我一般会把阈值设在 0.6 到 0.8 之间具体看业务对误拒和误识的容忍度。增量更新是另一个绕不开的问题。新员工入职要加人脸最笨的办法是全量重训 PCA 和 SVM样本多了之后每次重训几分钟不可接受。可行的做法是PCA 部分固定投影矩阵新样本只做投影不更新主成分SVM 部分用增量 SVM 或者只对新增样本做一次局部重训。如果新增类别SVM 必须重训因为多分类策略变了。所以工程上通常按季度做一次全量重训平时只做样本累积。部署时还有一个技巧把 PCA 投影矩阵和 SVM 模型序列化保存预测服务启动时加载不要每次请求都重新 fit。用 joblib 保存即可。另外输入图像的人脸检测和对齐要在预处理之前做用 OpenCV 的 Haar 或 DNN 人脸检测器把脸框出来再按眼睛坐标做仿射对齐这一步能显著提升跨姿态的稳定性。最后说一个我自己的习惯每次调完参数我会把当次的主成分数、C、gamma、准确率记到一个表格里跑够二十组之后回头看往往能发现某些参数组合在特定数据分布下反复出现。这个记录习惯帮我省了很多重复试错的时间。希望帮到你。本文还有配套的精品资源点击获取
