人脸年龄识别

人脸识别背景

现今生活中主要采用号码、磁卡、口令等识别方法，这些都存在着易丢失、易伪造、易遗忘等诸多问题。随着技术的不断发展，传统的身份识别方法已经受到越来越多的挑战，可靠性大为降低，势必出现新的信息识别和检测技术。人们逐渐的把目光转向了生物体征，这些都是人类遗传的DNA所决定的，并且每个人都拥有自己独一无二的生物体征。生物识别技术大致可以分为两大类，一类是物体体征，例如指纹、虹膜、人脸、体味等。另一类是行为体征，例如书写、步频、惯性动作等，这些都可以通过现在的计算机图像处理技术进行识别。与其他人类的生理特征相比，人脸存在易采集、非接触、静态等优点，比较容易被大众所接受。 据调查，人与人接触时，90%的人是通过观察一个人的脸部特征来了解对方，获取对方的基本信息，这就是所谓的第一印象。虽然外部条件例如年龄、表情、光照等发生巨大变化，是一个人的面部特征发生巨大变化，但是人类仍然可以识别，这一现象说明人的脸部存有大量特征信息，通过提出人脸部的特征信息，就可以判断一个人。

人脸识别研究概况

2014年是我国人脸识别技术的转折点，使人脸识别技术从理论走向了应用，2018年则是人脸识别技术全面应用的重要节点，"刷脸"时代正式到来。
目前，从我国人脸识别技术应用来看，主要集中在三大领域：考勤门禁、安防以及金融。从具体应用来看，主要包含了公共安全领域的刑侦追逃、罪犯识别以及边防安全等;信息安全领域的政府职能领域的电子政务、户籍管理、社会福利和保险;商业企业领域的电子商务、电子货币和支付、考勤、市场营销;场所进出领域的军事机要部门、金融机构的门禁控制和进出管理等。

人脸识别算法分类

整体来看，人脸识别算法分为三类：

1. 人脸检测（Face Detection） ，重点处理人脸定位问题，定位图像中的人脸；
2. 人脸对齐（Face Alignment） ，重点处理人脸变换问题，得到同一角度与姿态的人脸；
3. 人脸特征表征（Feature Representation） ，重点对人脸细节进行识别和处理，比如本文的人脸年龄检测；

人脸识别的意义

人脸识别的目标是确定一张人脸图像的身份，这是机器学习和模式识别中的分类问题。它不但可以用在身份识别和身份验证中，帮助找寻失踪人口、追踪嫌疑人、智能交互身份识别等场景；而且在证件查询、出入考勤查验、身份验证解锁、支付等场景中，也有广泛的应用，并为我们的生活带来极大的便利。

一张有趣的人脸年龄识别结果图

究竟是什么，让原本只有一岁之差的两个人被 AI 误会为「形同父子」？是 AI 的「良知泯灭」，还是人类的「自食其果」？

本文目的

通过训练模型推测人脸年龄

数据集

1到70岁人脸面部图像，数量不等
数据集下载地址: https://static.leiphone.com/face_age_dataset.zip.gz.
代码下载地址：https://www.leiphone.com/uploads/new/aihub/matchCode/zip/5e539045aa017.zip

dataloader.py

from PIL import Image
from torch.utils.data.dataset import Dataset
from torchvision import transforms

#定义人脸数据集类
class FADataset(Dataset):
    def __init__(self, filelist, isTrain=False):
       	self.images = [item.strip().split(' ')[0] for item in open(filelist, 'r').readlines()]
        self.labels = [int(item.strip().split(' ')[1]) for item in open(filelist, 'r').readlines()]
	#对训练集进行水平翻转及规范化操作
        if isTrain:
            self.transform = transforms.Compose([
                    transforms.RandomHorizontalFlip(),
                    transforms.ToTensor(),
                    transforms.Normalize(mean=[0.5], std=[0.5]),
                ]) 
    #对测试集不需要数据增强操作
        else:
            self.transform = transforms.Compose([
                    transforms.ToTensor(),
                    transforms.Normalize(mean=[0.5], std=[0.5]),
                ])                       
	#返回数据集中图片的个数
    def __len__(self):
        return len(self.images)
        
	#读取图片文件，返回其label
    def __getitem__(self, index):
        # image = Image.open(self.images[index])
        image = Image.open(self.images[index]).convert('L')
        img = self.transform(image)
        label = self.labels[index]
        
        return img, label

generate_train_val_file.py

import os 
#定义训练集路径并列出文件列表
root = '../../data/train/'
A = os.listdir(root)
#为训练集图片加上label
for item in A:
        if len(item) != 3:
                continue
        flag = 0