OpenCV之CNN年龄性别预测

于 2023-09-14 16:08:35 发布
阅读量314 收藏 3
点赞数
分类专栏： # OpenCV 文章标签： opencv cnn 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_53144843/article/details/132875422
版权
  • 💂 个人主页:风间琉璃
  • 🤟 版权: 本文由【风间琉璃】原创、在CSDN首发、需要转载请联系博主
  • 💬 如果文章对你有帮助、欢迎关注、点赞、收藏(一键三连)和订阅专栏哦

目录

前言

一、预处理

二、模型加载

三、执行推理

四、解析输出

前言

在当今数字时代，计算机视觉技术正在不断发展，并在多个领域产生影响。其中之一是年龄和性别识别。这项技术对于广告定向、人脸解锁和安全访问控制等领域至关重要。

卷积神经网络是一种深度学习模型，它在计算机视觉中表现出色。CNN的核心思想是通过多层卷积和池化操作，从图像中学习特征。这些特征可以用于各种任务，包括图像分类、对象检测和人脸识别。对于年龄和性别识别，CNN可以通过学习人脸的视觉特征来实现高精度。

参考链接：Age and Gender Classification Using Convolutional Neural Networks - Tal Hassner

一、预处理

一般图片都需要进行尺寸大小，维度以及RGB通道的变换。图片尺寸大小要求可以在配置文件的输入网络中查看，年龄的配置文件输入层如下:

//图像预处理
Mat blob = blobFromImage(image, 1.0, Size(227, 227));

其次，需要将网络模型的标签文件读取到内存中，如果标签类别较小也可以直接定义一个数组。

//获取年龄的区间
vector<String> ageLabels() 
{
	vector<String> ages;
	ages.push_back("0-2");
	ages.push_back("4-6");
	ages.push_back("8-13");
	ages.push_back("15-20");
	ages.push_back("25-32");
	ages.push_back("38-43");
	ages.push_back("48-53");
	ages.push_back("60-");
	return ages;
}

二、模型加载

数据准备后，就可以从模型文件和配置文件中加载网络模型。

//年龄预测网络模型
String age_model = "F:/data/CQU/VS/CNN_Age_Gender/age_net.caffemodel";
//年龄预测配置文件
String age_config = "F:/data/CQU/VS/CNN_Age_Gender/deploy_age.prototxt";

//性别预测网络模型
String gender_model = "F:/data/CQU/VS/CNN_Age_Gender/gender_net.caffemodel";
//性别预测配置文件
String gender_config = "F:/data/CQU/VS/CNN_Age_Gender/deploy_gender.prototxt";

//加载网络
Net age_net = readNetFromCaffe(age_config, age_model);
Net gender_net = readNetFromCaffe(gender_config, gender_model);

三、执行推理

然后就可以进行图像的预测，这里为了预测提高预测的准确度，所先要从图像中找到人脸部分，在送入给网络预测。

人脸检测：

//人脸检测文件
String haar_file = "F:/data/CQU/VS/CNN_Age_Gender/haarcascade_frontalface_alt_tree.xml";

//人脸检测
CascadeClassifier detector;
detector.load(haar_file);
vector<Rect> faces;
Mat gray;
cvtColor(src, gray, COLOR_BGR2GRAY);
detector.detectMultiScale(gray, faces, 1.02, 1, 0, Size(40, 40), Size(500, 500));

预测：

// 预测分类
Mat prob = net.forward("prob");

四、解析输出

推理之后就获取到了预测的结果，我们需要对预测结果进行解析，并显示。

//预测年龄 
string predict_age(Net& net, Mat& image)
{
	//图像预处理
	Mat blob = blobFromImage(image, 1.0, Size(227, 227));
	net.setInput(blob, "data");
	//预测分类
	Mat prob = net.forward("prob");
	//打平成一维
	Mat probMat = prob.reshape(1, 1);

	Point classNum;
	double classProb;
	vector<String> ages = ageLabels();
	//提取最大概率的编号和概率值
	minMaxLoc(probMat, NULL, &classProb, NULL, &classNum);
	int classidx = classNum.x;
	return ages.at(classidx);
}


//预测性别
String predict_gender(Net& net, Mat& image)
{
	//图片预处理
	Mat blob = blobFromImage(image, 1.0, Size(227, 227));
	net.setInput(blob, "data");
	// 预测分类
	Mat prob = net.forward("prob");
	Mat probMat = prob.reshape(1, 1);
	//比较大小，得到预测结果
	String res = (probMat.at<float>(0, 0) > probMat.at<float>(0, 1) ? "Man" : "Female");
	return res;
}

//对检测到的人脸进行预测，所以只有在检测到人脸时才会进行预测
String age,gender;
for(size_t t = 0; t < faces.size(); t++) 
{
	rectangle(src, faces[t], Scalar(30, 255, 30), 2, 8, 0);
	//年龄、性别预测
	Mat face = src(faces[t]);
	age = predict_age(age_net, face);
	gender = predict_gender(age_net, face);

	putText(src, format("age:%s", age.c_str()), Point(20, 20), FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 255, 0), 1);
	putText(src, format("gender:%s", gender.c_str()),Point(20, 40), FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 255, 0), 1);
}
imshow("age-gende", src);

运行结果：

程序源码：下载：OpenCV年龄和性别预测资源-CSDN文库

// CNN_Age_Gender.cpp : 此文件包含 "main" 函数。程序执行将在此处开始并结束。
//

#include <iostream>
#include <opencv2/opencv.hpp>
#include <opencv2/dnn.hpp>
#include <vector>
#include <opencv2/highgui/highgui_c.h>

using namespace cv;
using namespace cv::dnn;
using namespace std;

//人脸检测文件
String haar_file = "F:/data/CQU/VS/CNN_Age_Gender/haarcascade_frontalface_alt_tree.xml";

//年龄预测网络模型
String age_model = "F:/data/CQU/VS/CNN_Age_Gender/age_net.caffemodel";
//年龄预测配置文件
String age_config = "F:/data/CQU/VS/CNN_Age_Gender/deploy_age.prototxt";

//性别预测网络模型
String gender_model = "F:/data/CQU/VS/CNN_Age_Gender/gender_net.caffemodel";
//性别预测配置文件
String gender_config = "F:/data/CQU/VS/CNN_Age_Gender/deploy_gender.prototxt";


//获取年龄的区间
vector<String> ageLabels() 
{
	vector<String> ages;
	ages.push_back("0-2");
	ages.push_back("4-6");
	ages.push_back("8-13");
	ages.push_back("15-20");
	ages.push_back("25-32");
	ages.push_back("38-43");
	ages.push_back("48-53");
	ages.push_back("60-");
	return ages;
}


//预测年龄 
string predict_age(Net& net, Mat& image)
{
	//图像预处理
	Mat blob = blobFromImage(image, 1.0, Size(227, 227));
	net.setInput(blob, "data");
	//预测分类
	Mat prob = net.forward("prob");
	//打平成一维
	Mat probMat = prob.reshape(1, 1);

	Point classNum;
	double classProb;
	vector<String> ages = ageLabels();
	//提取最大概率的编号和概率值
	minMaxLoc(probMat, NULL, &classProb, NULL, &classNum);
	int classidx = classNum.x;
	return ages.at(classidx);
}


//预测性别
String predict_gender(Net& net, Mat& image)
{
	//图片预处理
	Mat blob = blobFromImage(image, 1.0, Size(227, 227));
	net.setInput(blob, "data");
	// 预测分类
	Mat prob = net.forward("prob");
	Mat probMat = prob.reshape(1, 1);
	//比较大小，得到预测结果
	String res = (probMat.at<float>(0, 0) > probMat.at<float>(0, 1) ? "Man" : "Female");
	return res;
}


int main()
{
	Mat src = imread("5.jpg");
	if(src.empty()) 
	{
		printf("could not load image...\n");
		return -1;
	}
	namedWindow("src", CV_WINDOW_AUTOSIZE);
	imshow("src", src);

	//人脸检测
	CascadeClassifier detector;
	detector.load(haar_file);
	vector<Rect> faces;
	Mat gray;
	cvtColor(src, gray, COLOR_BGR2GRAY);
	detector.detectMultiScale(gray, faces, 1.02, 1, 0, Size(40, 40), Size(500, 500));
	//加载网络
	Net age_net = readNetFromCaffe(age_config, age_model);
	Net gender_net = readNetFromCaffe(gender_config, gender_model);

	//对检测到的人脸进行预测，所以只有在检测到人脸时才会进行预测
	String age,gender;
	for(size_t t = 0; t < faces.size(); t++) 
	{
		rectangle(src, faces[t], Scalar(30, 255, 30), 2, 8, 0);
		//年龄、性别预测
		Mat face = src(faces[t]);
		age = predict_age(age_net, face);
		gender = predict_gender(age_net, face);

		putText(src, format("age:%s", age.c_str()), Point(20, 20), FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 255, 0), 1);
		putText(src, format("gender:%s", gender.c_str()),Point(20, 40), FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 255, 0), 1);
	}
	imshow("age-gende", src);
	waitKey(0);
	return 0;
}

结束语
感谢你观看我的文章呐~本次航班到这里就结束啦 🛬

希望本篇文章有对你带来帮助 🎉，有学习到一点知识~

躲起来的星星🍥也在努力发光，你也要努力加油（让我们一起努力叭）。

最后，博主要一下你们的三连呀（点赞、评论、收藏），不要钱的还是可以搞一搞的嘛~

不知道评论啥的，即使扣个666也是对博主的鼓舞吖 💞 感谢 💐

Super.Bear
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
OpenCV 年龄和性别预测
09-14
OpenCV DNN部署 CNN预测年龄和性别 。资源包含了年龄和性别网络的模型文件age_net.caffemodel和gender_net.caffemodel、配置文件deploy_age.prototxt和deploy_gender.prototxt以及包含人脸检测haarcascade_frontalface_alt_tree.xml文件，下载之后可以直接运行哦！
retinaface年龄性别预测gender-age.zip
03-25
retinaface人脸识别的年龄性别预测，包含模型 可直接运行 注意 如果缺少mxnet等类库 自行使用pip安装
基于CNN实现对摄像头捕捉的人脸进行性别和年龄的预测
datayx的文章
04-22 860
向AI转型的程序员都关注了这个号????????????机器学习AI算法工程 公众号：datayx实现思路数据处理原始数据来源于https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/static/wiki_crop.tar原始数据集包含的图片数量很多，我从中筛选了大约10000张图片（筛选条件为：由OpenCV识别出的face数目为1...
CNN_年龄_性别预测模型文件
02-23
基于CNN训练的年龄和性别预测的二进制模型、描述文件、标签文件。
利用卷积神经网络进行性别和年龄识别
05-12
利用卷积神经网络进行性别和年龄识别，收录于cvpr2015
根据人脸做年龄预测
Eric_summer的博客
12-27 5050
根据人脸做年龄预测说明环境配置mtcnn库检测人脸MTCNN模型实现PNetRNetONet数据准备运行PNet运行RNet运行ONet年龄预测 说明 做一个针对人脸做不同的年龄预测，需要用到MTCNN模型和SSR-Net模型，MTCNN模型用于做人脸检测和人脸对齐，在MTCNN中，使用深度学习方法结合NMS和边界框回归，将人脸区域坐标和关键点坐标进行识别，相比较机器学习方法，MTCNN能更好地识...
基于VGG-Face的年龄估计（论文总结与代码解释）
qq_59572329的博客
12-10 4790
1.本文改进 本文主要是使用VGG-Face模型（卷积层不变，改变全连接层和参数）在Adience数据库上进行年龄估计。 在深度神经网络中，由于深度神经网络有数百万个参数，由于它们有若干层和数千个节点，因此过拟合问题变得更加严重。所有用于年龄分类和预测的数据库都相对较小。它们在大小上无法与其他用于人脸识别和图像分类任务的数据库相提并论。为了克服过度拟合的问题，我们通过使用在一个非常大的数据库上训练的人脸识别深度CNN模型来构建我们提出的用于年龄估计的深度CNN。 2.模型结构 ...
轻量级年龄估计模型--C3AE（旷视研究院）
专注人工智能，主攻CV
10-27 872
轻量级年龄估计模型--C3AE（旷视研究院）
深度学习之人物年龄预测
y459541195的博客
04-19 7146
1.年龄检测 论文地址：《Age and Gender Classification using Convolutional Neural Networks》 论文作者提出了一个简单的类似AlexNet的网络结构，该网络总共学习了8个年龄段： 0-2 4-6 8-12 15-20 25-32 38-43 48-53 60-100 注意：这些年龄段不是连续的 首先，要搞懂检测年龄适合用回归还...
使用卷积神经网络和设定距离的年龄不变性人脸识别
06-03
基于面部特征的生物特征安全系统由于对象的人内面部外观的变化可追溯到诸如姿势，照明，表情和衰老等因素，因此面临着艰巨的任务。 本文提出了一种深度学习和基于集合的方法来应对衰老的人脸识别。 在不同时间拍摄的每个对象的图像被视为单个集合，然后将其与属于其他对象的图像集进行比较。 使用深度学习的卷积神经网络特征提取面部特征。 我们的实验结果表明，无论是人脸识别还是人脸验证，基于集合的识别方法都比基于单例的方法要好。 我们还发现，通过使用基于集合的识别，比从年龄较大的对象识别年龄较小的对象更容易。
论文研究-基于改进卷积神经网络的年龄和性别识别研究 .pdf
08-15
基于改进卷积神经网络的年龄和性别识别研究，艾心，罗群，近年来随着计算机技术的发展，人脸年龄和性别识别在身份认证等领域有了越来越多的应用，然而基于图像的年龄和性别识别在真实场景
基于卷积神经网络的年龄估计
03-28
近年来，面部识别技术已经成为模式识别领域中的热门话题。 人脸是人类最重要的生物特征之一，其中包含许多重要信息，例如身份，性别，年龄，表情，种族等。 年龄是身份歧视的重要参考，年龄估计可以潜在地应用于人机交互，计算机视觉和商业智能。 本文解决了准确估计人类年龄的问题。 年龄估计系统通常由年龄特征提取和特征分类组成。 在特征提取部分，Gabor小波和局部二值模式（LBP）等众所周知的纹理描述符已用于特征提取。 在我们的方法中，我们使用卷积神经网络（CNN）提取面部特征。 通过建立基于丰富训练数据的多级CNN模型来获得卷积激活特征。在特征分类部分，将不同年龄划分为13个组，并使用支持向量机（SVM）分类器进行分类。 实验结果表明，在使用我们的老化数据库时，该方法的性能优于以前的方法。
基于代价敏感卷积神经网络的人脸年龄识别方法
04-30
当年龄识别被看做分类问题时，基于卷积神经网络（CNN）的方法通常直接采用一般图像分类的CNN进行年龄识别，常常忽略了进行人脸年龄识别时需要考虑的误分类代价问题。基于上述观察，提出一种基于代价敏感卷积神经网络（CS-CNN）的人脸年龄估计方法。具体来讲，基于期望类最大原则（desired class maximum principle，DCMP）提出了一种能够使CNN学习到鲁棒人脸特征的代价敏感交叉熵损失函数（CS-CE），最后通过理论与实验的方法进行验证。相较之前的人脸年龄识别方法，该算法提升的效果是显著的。
亚洲人脸年龄预估数据集
09-19
亚洲人脸年龄预估数据集，其中训练集40000张，测试集3950张，年龄范围在0-69岁
性别_年龄_预测_CNN
02-16
性别和年龄预测 描述 卷积神经网络被大量用于图像分类任务。 在这里，我们使用VGG-16进行性别分类。 依存关系： 我们正在创建一个virtualenv并加载必要的库文件。 Tensorflow == 2.3.0 opencv-python> = 4.2.0.34...
基于opencv+cnn的身份证识别.zip
06-26
基于opencv+cnn的身份证识别.zip
python+opencv识别性别和年龄
04-23
python+opencv识别性别和年龄
CNN模型预测性别与年龄资料整理分享.txt
08-23
包含age_net.caffemodel、deploy_age.prototxt、deploy_gender.prototxt、gender_net.caffemodel、haarcascade_frontalface_alt_tree.xml文件和...具体实现效果见CSDN博客“DNN系列6_CNN模型预测性别与年龄”查看效果
测试开源C#人脸识别模块ViewFaceCore（4：口罩检测、性别预测、年龄预测）
最新发布
gc_2299的博客
07-27 997
测试开源C#人脸识别模块ViewFaceCore中口罩检测、性别预测、年龄预测的基本用法
python opencv预测人脸性别年龄代码
05-30
以下是使用Python OpenCV库进行人脸性别年龄预测的代码示例： ```python import cv2 import math # 加载人脸检测器和性别年龄分类器 face_detector = cv2.CascadeClassifier("haarcascade_frontalface_default.xml") gender_age_detector = cv2.dnn.readNetFromCaffe("deploy_gender.prototxt", "gender_net.caffemodel") # 定义性别和年龄标签 gender_labels = ["Male", "Female"] age_labels = ["0-2", "4-6", "8-12", "15-20", "25-32", "38-43", "48-53", "60-"] # 加载输入图像 img = cv2.imread("image.jpg") # 转换为灰度图像 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 检测人脸 faces = face_detector.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=5, minSize=(30, 30)) # 对每个检测到的人脸进行处理 for (x,y,w,h) in faces: # 提取人脸区域 face_img = img[y:y+h, x:x+w].copy() # 将人脸区域转换为blob格式 blob = cv2.dnn.blobFromImage(face_img, 1, (227, 227), (78.4263377603, 87.7689143744, 114.895847746), swapRB=False) # 输入blob到性别年龄分类器 gender_age_detector.setInput(blob) predictions = gender_age_detector.forward() # 解析预测结果 gender_prediction = gender_labels[predictions[0].argmax()] age_prediction = age_labels[int(math.floor(predictions[1].argmax() / 3.0))] # 打印预测结果 print("Gender prediction: {}".format(gender_prediction)) print("Age prediction: {}".format(age_prediction)) ``` 注意，在运行此代码之前，你需要下载并提供以下文件： - haarcascade_frontalface_default.xml：OpenCV的人脸检测器 - deploy_gender.prototxt：性别年龄分类器的网络架构文件 - gender_net.caffemodel：性别年龄分类器的预训练权重文件

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Super.Bear

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值