根据指纹图像预测性别，太强了！

在进入神经网络世界之前，让我们先谈一谈指纹？众所周知，没有两个人具有相同的指纹，但是我们可以建立一个CNN模型来从指纹图像中预测性别吗？让我们看看……

在本文中，我们将创建一个可以根据指纹预测性别的卷积神经网络（CNN）模型。

实现步骤

• 了解数据集

• 重新构造数据集（以便使用keras 的Flow_from_directory函数）

• 定义一个简单的函数提取所需的特定标签

• 定义一个简单的函数读取图像、调整图像大小。

• 预处理训练和测试数据

• 从头开始构建简单的CNN模型

• 训练和测试模型

注：

如果你是CNN的新手？查看这篇文章以对它有一个很好的理解：

https://www.freecodecamp.org/news/an-intuitive-guide-to-convolutional-neural-networks-260c2de0a050/

•这篇文章假定您具有卷积神经网络（CNN）的知识。

•该代码是在kaggle内核中执行的。它提供免费的GPU和RAM，不足之处是空间有限，但您可以轻松删除不需要的变量。

数据集描述

来自Kaggle的数据集,包含约55,000张人类指纹图像：

https://www.kaggle.com/ruizgara/socofing

关于数据集的介绍：

• 它有两个主目录-Real目录和Altered目录

• Real目录包含真实人类指纹（无任何变化）

• Altered目录包含经过综合更改的指纹图像，包括用于遮盖、中央旋转和Z形切割的三种不同级别的更改。

• Altered目录进一步分为：Altered_Easy、Altered_hard和Altered_Medium目录

• Real图像的标签如下所示：“ 100__M_Left_thumb_finger.BMP”

• Altered图像的标签遵循以下格式：“ 100__M_Left_thumb_finger_CR.BMP”

格式化数据集

如果我们的数据集如上图所示那样构造，我们可以使用keras中的flow_from_directory()函数来加载数据集，这是从目录加载数据的一种非常简单的方法，它以目录名称作为类别。

话虽如此，数据中目录的名称并不是我们想要的类，因此我们将无法使用flow_from_directory函数。

另外，我们将不得不走更长的路来加载我们的数据——将图像转换为像素值，同时仅提取我们需要的标签“ F”和“ M”。然后我们才能使用数据进行训练、验证和测试。

请记住，Altered图像的格式应类似于：

“ 100__M_Left_thumb_finger_CR.BMP”

而Real图像的格式应类似于：

“ 100__M_Left_thumb_finger.BMP”

我们将基于“ M”和“ F”的性别进行分类。

第一步：从图像标签中提取性别。定义一个简单的函数来完成此任务：

#import necessary librariesimport numpy as npimport pandas as pdimport seaborn as snsimport tensorflow as tfimport osimport cv2import matplotlib.pyplot as plt#Function to extract labels for both real and altered imagesdef extract_label(img_path,train = True):  filename, _ = os.path.splitext(os.path.basename(img_path))  subject_id, etc = filename.split('__')  #For Altered folder  if train:      gender, lr, finger, _, _ = etc.split('_')  #For Real folder  else:      gender, lr, finger, _ = etc.split('_')    gender = 0 if gender == 'M' else 1  lr = 0 if lr == 'Left' else 1  if finger == 'thumb':      finger = 0  elif finger == 'index':      finger = 1  elif finger == 'middle':      finger = 2  elif finger == 'ring':      finger = 3  elif finger == 'little':      finger = 4  return np.array([gender], dtype=np.uint16)

有了上面函数就可以帮助我们提取标签。此函数遍历分配给它的图像路径（img_path）内的图像标签，拆分图像标签以获得F和M，然后将0分配给M，将1分配给F，返回一个0和1的数组（0代表M，1代表F）。将上述函数应用到Real目录中的图像，设置train = False，同时对于Altered目录中的图像设置train= True。

第二步：加载数据。创建另一个简单的函数来帮助您：

img_size = 96#Function to iterate through all the imagesdef loading_data(path,train):    print("loading data from: ",path)    data = []    for img in os.listdir(path):        try:            img_array = cv2.imread(os.path.join(path, img), cv2.IMREAD_GRAYSCALE)            img_resize = cv2.resize(img_array, (img_size, img_size))            label = extract_label(os.path.join(path, img),train)            data.append([label[0], img_resize ])        except Exception as e:            pass    data    return data

• 首先设定预期的图像尺寸 img_size = 96。

• 迭代：对路径（path）中的所有图像进行操作——读取图像并将它们转换为灰度图像（即黑白），然后将这些图像的像素值数组返回到img_array。

• img_resize包含已基于img_size调整大小的数组值。因此所有图像将具有相同的大小（96x96）。

• 调用extract_labels函数来获取标签，label中包含标签值。

• 所有标签和调整大小的图像数组添加到data列表 。

• 使用try, except块，传递异常

最后一步：分配各种目录，并在每个目录上使用loading_data 函数

Real_path = "../input/socofing/SOCOFing/Real"Easy_path = "../input/socofing/SOCOFing/Altered/Altered-Easy"Medium_path = "../input/socofing/SOCOFing/Altered/Altered-Medium"Hard_path = "../input/socofing/SOCOFing/Altered/Altered-Hard"
Easy_data = loading_data(Easy_path, train = True)Medium_data = loading_data(Medium_path, train = True)Hard_data = loading_data(Hard_path, train = True)test = loading_data(Real_path, train = False)
data = np.concatenate([Easy_data, Medium_data, Hard_data], axis=0)
del Easy_data, Medium_data, Hard_data

训练集data: Easy_data包含了loading_data函数作用在Altered_Easy文件夹的结果，Medium_data、Hard_data分别对应了loading_data函数作用于Altered_Medium和Altered_hard文件夹的结果，注意函数设置设置train = True，将这些结果连接（串联）在一起，以便所有Altered图像都在单个变量data中。

测试集test：test包含loading_data函数作用于Real文件夹的结果，需要设定train = False。

注意：由于kaggle内核上的内存有限，不需要的变量将不断被删除。Easy_data，Medium_data和Hard_data被删除以创建空间。

数据预处理

必须先打乱我们的数据，然后再继续，这是为什么呢？因为在训练我们的模型时，如果神经网络不断看到1类型，它将很快假设所有数据是1类型。当它看到0时将很难学习，并且使用测试数据进行测试时会表现糟糕。因此需要将数据随机化（打乱）。

（1）随机化训练数据data和测试数据test数组。并查看data的格式

import randomrandom.shuffle(data)random.shuffle(test)

上图显示了data 包含的内容。对于第一个数组，标签值为0，然后是图像的像素值数组（像素值的范围是0到255）。

（2）分离图像数组和标签

img, labels = [], []for label, feature in data:    labels.append(label)    img.append(feature)train_data = np.array(img).reshape(-1, img_size, img_size, 1)train_data = train_data / 255.0from keras.utils.np_utils import to_categoricaltrain_labels = to_categorical(labels, num_classes = 2)del data

• 使用for循环，将图像数组和标签分成单独的列表

• img包含图像数组，labels包含标签值

• img和 labels是列表

• img中的值在重新调整之前再次转换为数组

• 图像的像素值的范围是0到255，通过除以255.0，像素值将按比例缩小到0到1，变为train_data。

• 标签也从列表转换为分类值，我们有两个类F和M类，分配给train_labels

让我们看看处理后的训练图像train_data和训练图像标签train_labels最后的样子

（3）最后一步，使用训练、验证和测试数据集来训练模型。已经有了训练和测试数据，我们仍然需要验证数据（test），因此我们可以使用来自sklearn库的train_test_splitfrom或使用keras的validation_split设置验证数据。

总而言之，我们将在Altered指纹图像（train_data，train_labels）上训练和验证模型然后在Real指纹图像（test）上测试模型。

建立CNN模型

（1）构建模型网络结构

• 使用tensorflow来构建我们的模型

• 从头开始构建一个简单的CNN模型，在每层都有两个卷积层之后将通过relu激活函数添加一个max pooling层

• 之后添加一个flatten层、一个隐藏密集层，然后是一个输出层。

• input_shape = [96,96,1]（1是我们的灰度图像的结果）

• 类别数量是2

#Import necessary librariesfrom tensorflow.keras import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Dense, Flattenfrom tensorflow.keras import layersfrom tensorflow.keras import optimizers
model = Sequential([                    Conv2D(32, 3, padding='same', activation='relu',kernel_initializer='he_uniform', input_shape = [96, 96, 1]),                    MaxPooling2D(2),                    Conv2D(32, 3, padding='same', kernel_initializer='he_uniform', activation='relu'),                    MaxPooling2D(2),                    Flatten(),                    Dense(128, kernel_initializer='he_uniform',activation = 'relu'),                    Dense(2, activation = 'softmax'),                    ])

•  每个卷积层（Conv2D）包含32个大小为3（即3 x 3）的过滤器，仅在第一层中设置输入形状

•  Max pooling（MaxPooling2D）的池化大小为2

•  只有一个具有128个神经单元的隐藏层（Dense），激活函数是relu

•  分类：将使用Dense大小为2（类编号）的输出层和softmax激活来结束网络。

下图是“FrançoisChollet（keras的作者）的python深度学习”一书中的图片，详细说明了如何选择正确的最后一层激活和损失函数。

模型结构总结如下：

model.compile(optimizer = optimizers.Adam(1e-3), loss = 'categorical_crossentropy', metrics = ['accuracy'])early_stopping_cb = tf.keras.callbacks.EarlyStopping(monitor='val_loss', patience=10)

（2）编译模型：

使用Adam、学习率为0.001的优化器，categorical_crossentropy作为损失函数，准确性为metrics。使用early_stopping_call回调以防止过拟合。它会监视“val_loss”,如果10个epoch内“val_loss”没有增加，停止训练模型。

（3）拟合模型：

history = model.fit(train_data, train_labels, batch_size = 128, epochs = 30,          validation_split = 0.2, callbacks = [early_stopping_cb], verbose = 1)

训练模型30个epoch（如果愿意，您可以训练更长的时间），我们设定validation_split = 0.2告诉模型将训练数据的20％用于验证。

如上图所示的图像表明我们的模型正在训练中，它给出了训练损失和准确度的值，以及每个时期的验证损失和准确度的值。我们成功地训练了模型，训练准确度为99％，val准确度为98 ％。还不错！

（4）绘制训练和验证数据的准确性和损失曲线：

import pandas as pdimport matplotlib.pyplot as pltpd.DataFrame(history.history).plot(figsize = (8,5))plt.grid(True)plt.gca().set_ylim(0,1)

从上图可以看出，一切进展顺利。在我们的模型训练过程中没有重大的过拟合，两条损失曲线都随着精度的提高而逐渐减小。

测试模型

训练完模型后，想在以前未见过的数据上对其进行测试，以查看其性能如何。如前所述，在Real指纹图像上测试模型，我们已经有了 test数据。

就像我们对训练数据所做的一样，我们将标签和图像阵列分开，整形并除以255.0

test_images, test_labels = [], []
for label, feature in test:    test_images.append(feature)    test_labels.append(label)    test_images = np.array(test_images).reshape(-1, img_size, img_size, 1)test_images = test_images / 255.0del testtest_labels  = to_categorical(test_labels, num_classes = 2)

我们得到了与训练数据（train_data，train_labels）类似的结果

最后，我们通过对模型进行测试来评估测试数据，并给出准确性和损失值：

model.evaluate(test_images, test_labels)

验证集的准确度为99.72％，损失值为0.0126。太好了，您刚刚成功建立了指纹性别分类模型！

结论

总而言之，我们从头开始构建一个简单的CNN，基于指纹图像来预测性别。我们提取了特定标签，将图像转换为数组，预处理了我们的数据集，还预留了训练数据供我们的模型进行训练。在测试数据上测试了我们的模型，并达到了99％的准确性。

最后说明

只要您有足够的图像来训练，使用CNN就能对几乎所有图像进行分类只是神经网络的众多奇迹之一。有很多东西需要学习和探索，我们只是不准备好迎接令人惊奇的事情。

参考

https://www.kaggle.com/abolarinbukola/fingerprint-gender-classification-cnn

觉得不错，请点个在看呀