【CV】使用 OpenCV 进行图像中的性别预测和年龄检测

一、介绍

照片中的面部分析引起了人们的广泛关注，因为它可以帮助我们解决各种问题，包括更好的客户广告定位、更好的内容推荐系统、安全监控和其他领域。

年龄和性别是面部特征的重要方面，确定它们是此类活动的先决条件。许多企业出于各种原因使用这些技术，包括更轻松地与客户合作、更好地适应他们的需求以及提供良好的体验。人们的性别和年龄使得识别和预测他们的需求变得更加容易。

即使对我们人类来说，从图像中检测性别和年龄也很困难，因为它完全基于外表，有时很难预测，同龄人的外表可能与我们预期的截然不同。

应用

在监控计算机视觉中，经常使用年龄和性别预测。计算机视觉的进步使这一预测变得更加实用，更容易为公众所接受。由于其在智能现实世界应用中的实用性，该研究课题取得了重大进展。

一个人的身份、年龄、性别、情绪和种族都是由他们脸上的特征决定的。年龄和性别分类是其中的两个特征，在各种实际应用中特别有用，包括

1. 安全和视频监控

2. 人机交互

3. 生物识别技术

4. 娱乐

还有很多。

实施

现在让我们学习如何使用 Python 中的 OpenCV 库通过相机或图片输入来确定年龄和性别。

使用的框架是 Caffe，用于使用原型文件创建模型。

让我们开始吧，如果我们还没有安装 OpenCV，请确保已经安装了它。

$ pip install opencv-python numpy

第 1 步：导入库

# Import required modules
import cv2 as cv
import math
import time
from google.colab.patches import cv2_imshow

第 2 步：在框架中查找边界框坐标

使用下面的用户定义函数，我们可以获得边界框的坐标，也可以说人脸在图像中的位置。

def getFaceBox(net, frame, conf_threshold=0.7):
    frameOpencvDnn = frame.copy()
    frameHeight = frameOpencvDnn.shape[0]
    frameWidth = frameOpencvDnn.shape[1]
    blob = cv.dnn.blobFromImage(frameOpencvDnn, 1.0, (300, 300), [104, 117, 123], True, False)    net.setInput(blob)
    detections = net.forward()
    bboxes = []
    for i in range(detections.shape[2]):
        confidence = detections[0, 0, i, 2]
        if confidence > conf_threshold:
            x1 = int(detections[0, 0, i, 3] * frameWidth)
            y1 = int(detections[0, 0, i, 4] * frameHeight)
            x2 = int(detections[0, 0, i, 5] * frameWidth)
            y2 = int(detections[0, 0, i, 6] * frameHeight)
            bboxes.append([x1, y1, x2, y2])
            cv.rectangle(frameOpencvDnn, (x1, y1), (x2, y2), (0, 255, 0), int(round(frameHeight/150)), 8)
    return frameOpencvDnn, bboxes

第 3 步：加载模型和权重文件

项目目录中必须包含以下文件：

• gender_net.caffemodel：用于性别检测的预训练模型权重。

• deploy_gender.prototxt：性别检测模型的模型架构。

• age_net.caffemodel：用于年龄检测的预训练模型权重。

• deploy_age.prototxt：年龄检测模型的模型架构。

• res10_300x300_ssd_iter_140000_fp16.caffemodel：用于人脸检测的预训练模型权重。

• deploy.prototxt.txt：人脸检测模型的模型架构。

我们有一个用于人脸检测的 .pb 文件，它是一个 protobuf 文件（协议缓冲区），其中包含模型的图形定义和训练权重。这就是我们将用来执行经过训练模型的内容。虽然.pb 文件包含二进制格式的 protobuf，但.pbtxt 文件包含文本格式的 protobuf。包含 TensorFlow 文件。.prototxt 文件提供了年龄和性别的网络配置，而 .caffemodel 文件定义了图层参数的内部状态。

然后，对于人脸、年龄和性别检测模型，定义权重和结构变量。

faceProto = "/content/opencv_face_detector.pbtxt"
faceModel = "/content/opencv_face_detector_uint8.pb"
ageProto = "/content/age_deploy.prototxt"
ageModel = "/content/age_net.caffemodel"
genderProto = "/content/gender_deploy.prototxt"
genderModel = "/content/gender_net.caffemodel"

第 4 步：年龄和性别类别列表

设置模型的平均值以及要从中进行分类的年龄组和性别列表。

MODEL_MEAN_VALUES = (78.4263377603, 87.7689143744, 114.895847746)
ageList = ['(0-2)', '(4-6)', '(8-12)', '(15-20)', '(25-32)', '(38-43)', '(48-53)', '(60-100)']
genderList = ['Male', 'Female']

第 5 步：加载网络

要加载网络，请使用 readNet() 方法。第一个参数用于存储训练权重，第二个参数用于保存网络配置。

# Load network
ageNet = cv.dnn.readNet(ageModel, ageProto)
genderNet = cv.dnn.readNet(genderModel, genderProto)
faceNet = cv.dnn.readNet(faceModel, faceProto)

第 6 步：预测性别和年龄的函数

下面的用户定义函数是 pipline 或者我们可以说是主要工作流程的实现，在该工作流程中，图像进入函数以获取位置，并进一步预测年龄范围和性别。

def age_gender_detector(frame):
# Read frame
t = time.time()
frameFace, bboxes = getFaceBox(faceNet, frame)
for bbox in bboxes:
# print(bbox)
face = frame[max(0,bbox[1]-padding):min(bbox[3]+padding,frame.shape[0]-1),max(0,bbox[0]-padding):min(bbox[2]+padding, frame.shape[1]-1)]blob = cv.dnn.blobFromImage(face, 1.0, (227, 227), MODEL_MEAN_VALUES, swapRB=False)
 genderNet.setInput(blob)
 genderPreds = genderNet.forward()
 gender = genderList[genderPreds[0].argmax()]
 # print("Gender Output : {}".format(genderPreds))
 print("Gender : {}, conf = {:.3f}".format(gender, genderPreds[0].max()))ageNet.setInput(blob)
agePreds = ageNet.forward()
age = ageList[agePreds[0].argmax()]
print("Age Output : {}".format(agePreds))
print("Age : {}, conf = {:.3f}".format(age, agePreds[0].max()))label = "{},{}".format(gender, age)
cv.putText(frameFace, label, (bbox[0], bbox[1]-10), cv.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 255), 2, cv.LINE_AA)
    return frameFace

第 7 步：预测

from google.colab import files
uploaded = files.upload()
input = cv.imread("2.jpg")
output = age_gender_detector(input)
cv2_imshow(output)

在这里，我们可以看到性别预测的置信度为 1（100%），而年龄预测的置信度则要低一些，因为它很难确准。

在这篇文章中，我们学习了如何创建一个年龄预测器，它也可以检测你的脸并用边框突出显示。

往期精彩回顾




适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载黄海广老师《机器学习课程》视频课黄海广老师《机器学习课程》711页完整版课件

本站qq群955171419，加入微信群请扫码：