本文是对age-gender-estimation项目的详细讲解，它给出了使用keras进行性别和年龄识别的完整流程。
数据
采用的数据集为imdb-wiki，这是一个包含 20,284名人的460,723张以及维基百科上imdb的 62,328张共计523,051 张人脸图像的数据集，是目前开源的数据集中量级最大的，它给出了图像中人物的性别和出生时间、照片的拍摄时间等信息。原始的图片很大，分成了9个部分共计100多G，而裁剪出人脸的图片比较小，只有3G多，因此大家使用的基本都是wiki.tar.gz，不需要注册，直接就可以下载，这点很良心，省去了很多下载话费的时间。
解压后的目录为100个子文件夹，每个子文件夹再存储图片文件。
不过由于是采用matlab的mat格式文件存储的，实际用起来还要做一些转化。里面还含有一些噪声，比如性别标记为NAN,年龄算出来不对等，我写了一些代码来对这些信息进行过滤和统计
-
import os
-
import numpy
as np
-
from scipy.io
import loadmat
-
from datetime
import datetime
-
from tqdm
import tqdm
-
import matplotlib.pyplot
as plt
-
-
def calc_age(taken, dob):
-
birth = datetime.fromordinal(max(int(dob) -
366,
1))
-
-
# assume the photo was taken in the middle of the year
-
if birth.month <
7:
-
return taken - birth.year
-
else:
-
return taken - birth.year -
1
-
-
def get_meta(mat_path, db):
-
meta = loadmat(mat_path)
-
full_path = meta[db][
0,
0][
"full_path"][
0]
-
dob = meta[db][
0,
0][
"dob"][
0]
# Matlab serial date number
-
gender = meta[db][
0,
0][
"gender"][
0]
-
photo_taken = meta[db][
0,
0][
"photo_taken"][
0]
# year
-
face_score = meta[db][
0,
0][
"face_score"][
0]
-
second_face_score = meta[db][
0,
0][
"second_face_score"][
0]
-
age = [calc_age(photo_taken[i], dob[i])
for i
in range(len(dob))]
-
-
return full_path, dob, gender, photo_taken, face_score, second_face_score, age
-
-
def load_data(mat_path):
-
d = loadmat(mat_path)
-
-
return d[
"image"], d[
"gender"][
0], d[
"age"][
0], d[
"db"][
0], d[
"img_size"][
0,
0], d[
"min_score"][
0,
0]
-
-
def convert2txt(mat_path="imdb.mat",db="imdb"):
-
lines=[]
-
min_score=
1.0
-
full_path, dob, gender, photo_taken, face_score, second_face_score, age = get_meta(mat_path,db)
-
genders=[
0,
0]
-
ages=[]
-
for i
in range(
101):
-
ages.append(
0)
-
for i
in tqdm(range(len(full_path))):
-
#if face_score[i] < min_score:
-
#continue
-
#if (~np.isnan(second_face_score[i])) and second_face_score[i] > 0.0:
-
#continue
-
if ~(
0 <= age[i] <=
100):
-
continue
-
if np.isnan(gender[i]):
-
continue
-
g=int(gender[i])
-
genders[g]+=
1
-
ag=int(age[i])
-
ages[ag]+=
1
-
#print(i,gender[i],age[i])
-
line=full_path[i][
0]+
" "+str(g)+
" "+str(ag)
-
lines.append(line)
-
with open(
"gt.txt",
"w")
as f:
-
for line
in lines:
-
f.write(line+
"\n")
-
print(
"genders",genders[
0],genders[
1])
-
print(
"age:")
-
for i
in range(
101):
-
print(i,ages[i])
-
plt.plot(np.linspace(
0,
101,
101),ages)
-
plt.savefig(
"plot.png")
-
plt.show()
-
-
if __name__==
"__main__":
-
convert2txt()
结果如下:
性别比(男:女)=188746:262834
年龄分布:
画成图如下:
不难看出30-50岁之间的图片最多 ，这也是主流的分布。
具体到age-gender-estimation项目，可以简单的通过
./download.sh
下载，然后使用
python3 create_db.py --output data/imdb_db.mat --db imdb --img_size 64
将数据集转换为需要的格式，这个格式主要是清理无效标签，省的每次都再重复做，代码和我上面给出的差不多，不再赘述。
模型
使用的模型为WiderResnet
通过Netron可视化出来是
可以看出是由6个残差模型拼起来的，不过输出部分有两个输出，一个是性别的2，另一个是年龄的101
训练
训练部分也比较简单，生成了数据文件后直接使用
python3 train.py --input data/imdb_db.mat
就可以了，如果还想使用数据增强，可以加上--aug
python3 train.py --input data/imdb_db.mat --aug
demo
想看训练好的效果可以运行
python3 demo.py
3793
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
