def separateTrainDataByFace(X, y):
# data pre klasifikator pracujuci s detekciou tvare
X_face = []
X_general = []
# data pre vseobecny klasifikator
y_face = []
y_general = []
for i in range(0, len(X)):
# posledny atribut urcuje, ci bola detekovana pri niektorom natoceni obrazka tvar
if X[i][-1] != -1:
X_face.append(X[i])
y_face.append(y[i])
# odstranime data suvisiace s detekciou tvare, aby neskreslovali pri trenovani
# lebo hoci je na fotke tvar, stale su to cenne data pre vseobecny klasifikator
X_general.append(common.stripFaceDetectionData(X[i]))
y_general.append(y[i])
X_face = np.array(X_face)
y_face = np.array(y_face)
X_general = np.array(X_general)
y_general = np.array(y_general)
print "face: " + str(len(X_face)) + " general: " + str(len(X_general))
return [X_face, X_general], [y_face, y_general]
def separateTrainDataByFace(X, y):
# data pre klasifikator pracujuci s detekciou tvare
X_face = []
X_general = []
# data pre vseobecny klasifikator
y_face = []
y_general = []
for i in range(0, len(X)):
# posledny atribut urcuje, ci bola detekovana pri niektorom natoceni obrazka tvar
if (X[i][-1] != -1):
X_face.append(X[i])
y_face.append(y[i])
# odstranime data suvisiace s detekciou tvare, aby neskreslovali pri trenovani
# lebo hoci je na fotke tvar, stale su to cenne data pre vseobecny klasifikator
X_general.append(common.stripFaceDetectionData(X[i]))
y_general.append(y[i])
X_face = np.array(X_face)
y_face = np.array(y_face)
X_general = np.array(X_general)
y_general = np.array(y_general)
print "face: " + str(len(X_face)) + " general: " + str(len(X_general))
return [X_face, X_general], [y_face, y_general]
def predict(x): if hasFace(x): x = [x] feature_selector, data_scaler, clf = loadFaceClassifier() x = data_scaler.transform(feature_selector.transform(x)) return clf.predict(x)[0] else: feature_selector, data_scaler, pca, clf = loadGeneralClassifier() x = common.stripFaceDetectionData(x) x = [x] # selekcia vlastnosti a naskalovanie x = data_scaler.transform(feature_selector.transform(x)) # pca redukcia dimenzii x = pca.transform(x) return clf.predict(x)[0]
