作者 | 小白

來(lái)源 | 小白學(xué)視覺(jué)

一、介紹

照片中的面部分析引起了人們的廣泛關(guān)注，因?yàn)樗梢詭椭覀兘鉀Q各種問(wèn)題，包括更好的客戶(hù)廣告定位、更好的內(nèi)容推薦系統(tǒng)、安全監(jiān)控和其他領(lǐng)域。

年齡和性別是面部特征的重要方面，確定它們是此類(lèi)活動(dòng)的先決條件。許多企業(yè)出于各種原因使用這些技術(shù)，包括更輕松地與客戶(hù)合作、更好地適應(yīng)他們的需求以及提供良好的體驗(yàn)。人們的性別和年齡使得識(shí)別和預(yù)測(cè)他們的需求變得更加容易。

即使對(duì)我們?nèi)祟?lèi)來(lái)說(shuō)，從圖像中檢測(cè)性別和年齡也很困難，因?yàn)樗耆谕獗?，有時(shí)很難預(yù)測(cè)，同齡人的外表可能與我們預(yù)期的截然不同。

應(yīng)用

在監(jiān)控計(jì)算機(jī)視覺(jué)中，經(jīng)常使用年齡和性別預(yù)測(cè)。計(jì)算機(jī)視覺(jué)的進(jìn)步使這一預(yù)測(cè)變得更加實(shí)用，更容易為公眾所接受。由于其在智能現(xiàn)實(shí)世界應(yīng)用中的實(shí)用性，該研究課題取得了重大進(jìn)展。

一個(gè)人的身份、年齡、性別、情緒和種族都是由他們臉上的特征決定的。年齡和性別分類(lèi)是其中的兩個(gè)特征，在各種實(shí)際應(yīng)用中特別有用，包括

安全和視頻監(jiān)控

人機(jī)交互

生物識(shí)別技術(shù)

娛樂(lè)

還有很多。

實(shí)施

現(xiàn)在讓我們學(xué)習(xí)如何使用 Python 中的 OpenCV 庫(kù)通過(guò)相機(jī)或圖片輸入來(lái)確定年齡和性別。

使用的框架是 Caffe，用于使用原型文件創(chuàng)建模型。

讓我們開(kāi)始吧，如果我們還沒(méi)有安裝 OpenCV，請(qǐng)確保已經(jīng)安裝了它。

$ pip install opencv-python numpy

第 1 步：導(dǎo)入庫(kù)

# Import required modules
import cv2 as cv
import math
import time
from google.colab.patches import cv2_imshow

第 2 步：在框架中查找邊界框坐標(biāo)

使用下面的用戶(hù)定義函數(shù)，我們可以獲得邊界框的坐標(biāo)，也可以說(shuō)人臉在圖像中的位置。

def getFaceBox(net, frame, conf_threshold=0.7):
    frameOpencvDnn = frame.copy()
    frameHeight = frameOpencvDnn.shape[0]
    frameWidth = frameOpencvDnn.shape[1]
    blob = cv.dnn.blobFromImage(frameOpencvDnn, 1.0, (300, 300), [104, 117, 123], True, False)    net.setInput(blob)
    detections = net.forward()
    bboxes = []
    for i in range(detections.shape[2]):
        confidence = detections[0, 0, i, 2]
        if confidence > conf_threshold:
            x1 = int(detections[0, 0, i, 3] * frameWidth)
            y1 = int(detections[0, 0, i, 4] * frameHeight)
            x2 = int(detections[0, 0, i, 5] * frameWidth)
            y2 = int(detections[0, 0, i, 6] * frameHeight)
            bboxes.append([x1, y1, x2, y2])
            cv.rectangle(frameOpencvDnn, (x1, y1), (x2, y2), (0, 255, 0), int(round(frameHeight/150)), 8)
    return frameOpencvDnn, bboxes

第 3 步：加載模型和權(quán)重文件

項(xiàng)目目錄中必須包含以下文件：

gender_net.caffemodel：用于性別檢測(cè)的預(yù)訓(xùn)練模型權(quán)重。
deploy_gender.prototxt：性別檢測(cè)模型的模型架構(gòu)。
age_net.caffemodel：用于年齡檢測(cè)的預(yù)訓(xùn)練模型權(quán)重。
deploy_age.prototxt：年齡檢測(cè)模型的模型架構(gòu)。
res10_300x300_ssd_iter_140000_fp16.caffemodel：用于人臉檢測(cè)的預(yù)訓(xùn)練模型權(quán)重。
deploy.prototxt.txt：人臉檢測(cè)模型的模型架構(gòu)。

我們有一個(gè)用于人臉檢測(cè)的 .pb 文件，它是一個(gè) protobuf 文件（協(xié)議緩沖區(qū)），其中包含模型的圖形定義和訓(xùn)練權(quán)重。這就是我們將用來(lái)執(zhí)行經(jīng)過(guò)訓(xùn)練模型的內(nèi)容。雖然.pb 文件包含二進(jìn)制格式的 protobuf，但.pbtxt 文件包含文本格式的 protobuf。包含 TensorFlow 文件。.prototxt 文件提供了年齡和性別的網(wǎng)絡(luò)配置，而 .caffemodel 文件定義了圖層參數(shù)的內(nèi)部狀態(tài)。

然后，對(duì)于人臉、年齡和性別檢測(cè)模型，定義權(quán)重和結(jié)構(gòu)變量。

faceProto = "/content/opencv_face_detector.pbtxt"
faceModel = "/content/opencv_face_detector_uint8.pb"
ageProto = "/content/age_deploy.prototxt"
ageModel = "/content/age_net.caffemodel"
genderProto = "/content/gender_deploy.prototxt"
genderModel = "/content/gender_net.caffemodel"

第 4 步：年齡和性別類(lèi)別列表

設(shè)置模型的平均值以及要從中進(jìn)行分類(lèi)的年齡組和性別列表。

MODEL_MEAN_VALUES = (78.4263377603, 87.7689143744, 114.895847746)
ageList = ['(0-2)', '(4-6)', '(8-12)', '(15-20)', '(25-32)', '(38-43)', '(48-53)', '(60-100)']
genderList = ['Male', 'Female']

第 5 步：加載網(wǎng)絡(luò)

要加載網(wǎng)絡(luò)，請(qǐng)使用 readNet() 方法。第一個(gè)參數(shù)用于存儲(chǔ)訓(xùn)練權(quán)重，第二個(gè)參數(shù)用于保存網(wǎng)絡(luò)配置。

# Load network
ageNet = cv.dnn.readNet(ageModel, ageProto)
genderNet = cv.dnn.readNet(genderModel, genderProto)
faceNet = cv.dnn.readNet(faceModel, faceProto)

第 6 步：預(yù)測(cè)性別和年齡的函數(shù)

下面的用戶(hù)定義函數(shù)是 pipline 或者我們可以說(shuō)是主要工作流程的實(shí)現(xiàn)，在該工作流程中，圖像進(jìn)入函數(shù)以獲取位置，并進(jìn)一步預(yù)測(cè)年齡范圍和性別。

def age_gender_detector(frame):
# Read frame
t = time.time()
frameFace, bboxes = getFaceBox(faceNet, frame)
for bbox in bboxes:
# print(bbox)
face = frame[max(0,bbox[1]-padding):min(bbox[3]+padding,frame.shape[0]-1),max(0,bbox[0]-padding):min(bbox[2]+padding, frame.shape[1]-1)]blob = cv.dnn.blobFromImage(face, 1.0, (227, 227), MODEL_MEAN_VALUES, swapRB=False)
 genderNet.setInput(blob)
 genderPreds = genderNet.forward()
 gender = genderList[genderPreds[0].argmax()]
 # print("Gender Output : {}".format(genderPreds))
 print("Gender : {}, conf = {:.3f}".format(gender, genderPreds[0].max()))ageNet.setInput(blob)
agePreds = ageNet.forward()
age = ageList[agePreds[0].argmax()]
print("Age Output : {}".format(agePreds))
print("Age : {}, conf = {:.3f}".format(age, agePreds[0].max()))label = "{},{}".format(gender, age)
cv.putText(frameFace, label, (bbox[0], bbox[1]-10), cv.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 255), 2, cv.LINE_AA)
    return frameFace

第 7 步：預(yù)測(cè)

from google.colab import files
uploaded = files.upload()
input = cv.imread("2.jpg")
output = age_gender_detector(input)
cv2_imshow(output)

在這里，我們可以看到性別預(yù)測(cè)的置信度為 1（100%），而年齡預(yù)測(cè)的置信度則要低一些，因?yàn)樗茈y確準(zhǔn)。

在這篇文章中，我們學(xué)習(xí)了如何創(chuàng)建一個(gè)年齡預(yù)測(cè)器，它也可以檢測(cè)你的臉并用邊框突出顯示。