人脸识别用Python来实现究竟有多简单？用我这个一步到位。

​

摘要：人脸性别识别是人脸识别领域的一个热门方向，本文详细介绍基于深度学习的人脸性别识别系统，在介绍算法原理的同时，给出 P y t h o n 的实现代码以及 P y Q t 的UI界面。在界面中可以选择人脸图片、视频进行检测识别，也可通过电脑连接的摄像头设备进行实时识别人脸性别；可对图像中存在的多张人脸进行性别识别，可选择任意一张人脸框选显示结果，检测速度快、识别精度高。博文提供了完整的Python代码和使用教程，适合新入门的朋友参考，完整代码资源文件请转至文末的下载链接。本博文目录如下：

前言

随着科技的发展，人脸识别以及性别检测在日常生活中的应用越来越广泛，由于人脸图像的生物特征识别是非接触的，比较简单快速，还具有一定的娱乐性，在社交网络、视频监控、人机交互等领域具有广阔的应用前景。本文使用OpenCV算法，实现人脸检测以及性别识别，用户可以选择传入图片、视频、或者摄像头实时摄影作为检测的文件。

人脸性别识别，其实是人脸属性识别的一种，即根据图像中的人脸判断其性别属于男性还是女性，该任务本身具有较强的现实意义。前面博主分享有 人脸表情识别系统介绍 的博文，可以认为是检测人脸的表情属性，对性别的识别算是继续人脸识别的小专题。这里博主分享一个性别识别的小项目，供大家参考学习了。

网上的人脸性别识别程序代码很多，大部分都是采用OpenCV算法和face_recognition等识别单张图片中的人脸，虽然后者的算法相较于前者更简单，但是对于大多数Windows用户想要下载这个库是很困难的，所以本博文使用对Windows用户更友好的OpenCV算法来完成。网上的人脸性别识别程序脚本很多，但几乎没有人将其开发成一个可以展示的完整软件，并不方便选择文件和实时检测。对此这里给出博主设计的界面，同款的简约风，功能也可以满足图片、视频和摄像头的识别检测，希望大家可以喜欢，初始界面如下图：

​

检测人脸时的界面截图（点击图片可放大）如下图，可识别画面中存在的多个人脸，也可开启摄像头或视频检测：

​

详细的功能演示效果参见博主的B站视频或下一节的动图演示，觉得不错的朋友敬请点赞、关注加收藏！系统UI界面的设计工作量较大，界面美化更需仔细雕琢，大家有任何建议或意见和可在下方评论交流。

1.效果演示

软件好不好用，颜值很重要，首先我们还是通过动图看一下识别性别的效果，系统主要实现的功能是对图片、视频和摄像头画面中的人脸性别属性进行识别，识别的结果可视化显示在界面和图像中，另外提供多个人脸的显示选择功能，演示效果如下。

（一）选择人脸图片识别

系统允许选择图片文件进行识别，点击图片选择按钮图标选择图片后，显示所有人脸识别的结果，可通过下拉选框查看单个人脸的结果。本功能的界面展示如下图所示：

（二）人脸视频识别效果展示

很多时候我们需要识别一段视频中的人脸属性，这里设计了视频选择功能。点击视频按钮可选择待检测的视频，系统会自动解析视频逐帧识别人脸，并将结果记录在右下角表格中，效果如下图所示：

​

（三）摄像头检测效果展示

在真实场景中，我们往往利用设备摄像头获取实时画面，同时需要对画面中的人脸性别进行识别，因此本文考虑到此项功能。如下图所示，点击摄像头按钮后系统进入准备状态，系统显示实时画面并开始检测画面中的人脸，识别结果展示如下图：

​

2.人脸检测与性别识别

人脸性别识别可看成是通过人脸图像信息自动发掘和分析人脸属性的二分类问题。在广告定向投放、个性化智能推荐、人脸属性分析等方面得到广泛应用。如今人工智能横扫经典算法，因此以卷积神经网络为代表的深度学习方法自然就被广泛用于人脸性别识别研究。本文借助OpenCV算法，实现人脸检测以及性别识别，这里首先对实现原理进行介绍。

本文所使用的模型是由 Gil Levi 和Tal Hassner 发布在CVPR的《 Age and Gender Classification using Convolutional Neural Networks 》论文，论文旨在缩小自动人脸识别能力与年龄性别估计方法之间的差距。论文使用Adience数据集，该数据集包含比LFW数据集的图像更具挑战性，使用一个健壮性更强的系统提升性能，以更好地利用来自大量示例训练集的信息。

​

这里使用的是一种以上论文提出的卷积神经网络架构，类似于 CaffeNet 和 AlexNet。该网络使用 3 个卷积层、2 个全连接层和一个最终输出层。首先原始图像被缩放至 \(256 \times 256\) 的尺寸，对图像进行中心裁剪，得到尺寸为 \(227 \times 227\) 的图像作为网络输入，该网络结构如下图所示：

​

1. 尺寸为 \(96 \times 3 \times 7 \times 7\) 的卷积核，接ReLU层、MaxPooling（ \(3 \times 3, stride=2\) ）、归一化层，输出尺寸： \(96 \times 28 \times 28\) ；
2. 尺寸为 \(96 \times 5 \times 5 \times 256\) 的卷积核，接ReLU层、MaxPooling（ \(3 \times 3, stride=2\) ）、归一化