深度学习之人物年龄预测

最新推荐文章于 2025-09-04 14:43:58 发布

原创

最新推荐文章于 2025-09-04 14:43:58 发布 · 8.3k 阅读

78 ·

CC 4.0 BY-SA版权

文章标签：

#年龄检测 #人脸识别 #深度学习 #OpenCV #预测年龄

在这里插入图片描述

1.年龄检测

在这里插入图片描述
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是用分类来做
举个栗子：

1. 回归
在这里插入图片描述

2. 分类
在这里插入图片描述
年龄预测是基于面部外观，有的人保养的好，显得年轻，实际年龄与测得会有差别。在不结合其它有关信息作推断情况下，网络模型很难预测到实际的真实年龄。若看作是回归问题，模型很难预测到图像中年龄的一个准确值，而看作是分类问题，预测一个年龄段相对来说模型更容易训练，比回归产生更高的准确性。

2.思路方法

自动识别年龄步骤：

1. 检测出输入图像或视频中的人脸
2. 提取面部感兴趣区域（ROI）
3. 用年龄检测器预测人物的年龄
4. 返回结果

对于检测人脸的分类器：

分类器	优缺点
Haar级联	速度快，嵌入式设备上运行，但准确性低
HOG +线性SVM	相比Haar级联精确，但速度慢，对遮挡，面部角度变化时检测效果不好
深度学习检测器	相比以上两者效果最佳，但需消耗更多计算资源

3.代码实现

环境：

win10
pycharm
anaconda3
python3.7
opencv4.2.0

对于OpenCV尽量用最新版本，可参考这篇仅一个命令行简单快速安装：https://blog.csdn.net/y459541195/article/details/104851892

文件结构：

在这里插入图片描述

3.1 单张图像检测代码

import numpy as np
import cv2

"""
#图片年龄预测
执行：
python test_age.py 

"""
# 检测年龄段
AGE_LIST = ["(0-2)","(4-6)","(8-12)","(15-20)","(25-32)","(38-43)","(48-53)","(60-100)"]

# 人脸检测模型路径
prototxtPathF ="./models/face_detector/face_deploy.prototxt"
weightsPathF = "./models/face_detector/res10_300x300_ssd_iter_140000.caffemodel"
# 加载人脸模型
faceNet = cv2.dnn.readNet(prototxtPathF,weightsPathF)

# 年龄检测模型
prototxtPathA ="./models/age_detector/age_deploy.prototxt"
weightsPathA = "./models/age_detector/age_net.caffemodel"
#加载模型
ageNet = cv2.dnn.readNet(prototxtPathA,weightsPathA)

#获取图像
image = cv2.imread("./input/test01.jpg")
src = image.copy()
(h,w)= image.shape[:2]

# 构造blob
blob = cv2.dnn.blobFromImage(image,1.0,(300,300),
                             (104,177,123))
# 送入网络计算
faceNet.setInput(blob)
detect = faceNet.forward()
# 检测
for i in range(0,detect