用OpenCV和深度學(xué)習(xí)進(jìn)行年齡識(shí)別

用OpenCV和深度學(xué)習(xí)進(jìn)行年齡識(shí)別

在本文的第一部分關(guān)于年齡識(shí)別，包括從圖片或視頻中自動(dòng)預(yù)測(cè)人的年齡所需要的步驟（以及為何將年齡識(shí)別當(dāng)做分類問題而不是回歸問題來處理）。

下面我們將介紹這個(gè)基于深度學(xué)習(xí)的年齡識(shí)別模型，然后學(xué)習(xí)如何將該模型應(yīng)用在兩個(gè)方面：

1. 靜態(tài)圖像中的年齡識(shí)別
2. 實(shí)時(shí)視頻中的年齡識(shí)別

什么是年齡識(shí)別？

年齡識(shí)別是僅用人臉的照片去自動(dòng)識(shí)別其年齡的過程，通常，年齡識(shí)別可分為兩個(gè)階段進(jìn)行實(shí)現(xiàn)：

• 階段1. ：檢測(cè)輸入圖像/視頻中的人臉;
• 階段2：提取人的面部區(qū)域（ROI），并通過年齡檢測(cè)算法預(yù)測(cè)人的年齡。

對(duì)于第一階段，可以使用任何能夠?yàn)閳D片中的人臉生成邊框的人臉檢測(cè)器。這些檢測(cè)器包括但不限于Haar cascades，HOG+線性SVM，單鏡頭檢測(cè)器（SSD）等。

具體使用哪種人臉檢測(cè)器取決于您的項(xiàng)目：

• Haar cascades速度很快，并且能夠在嵌入式設(shè)備上實(shí)時(shí)運(yùn)行。缺點(diǎn)是準(zhǔn)確度較低，并且極易出現(xiàn)假陽性檢測(cè)。
• HOG+線性SVM模型比Haar cascades更精確，但速度較慢。它們對(duì)遮擋（即部分面部可見）或視角變化（即面部的不同視圖）的容錯(cuò)性也較低。
• 基于深度學(xué)習(xí)的人臉檢測(cè)器功能最為強(qiáng)大，它提供了最高的準(zhǔn)確度，但比Haar cascades和HOG+線性SVM需要更多的計(jì)算資源。

當(dāng)選擇人臉檢測(cè)器時(shí)，需要花點(diǎn)時(shí)間考慮您的項(xiàng)目需求——速度或準(zhǔn)確性，哪個(gè)對(duì)您更加重要？除此之外，還建議您對(duì)每個(gè)人臉檢測(cè)器進(jìn)行試驗(yàn)，以便從實(shí)驗(yàn)結(jié)果中擇優(yōu)而從。

一旦您的人臉檢測(cè)器在圖像/視頻中生成了人臉的邊界框坐標(biāo)，就可以進(jìn)入第二階段——確定人的年齡。

確定了臉部的邊界框坐標(biāo)（x，y）后，首先提取面部ROI，而忽略圖像/幀的其余部分。以便將年齡檢測(cè)器的注意力放在人臉上，而非圖像中其他不相關(guān)的“噪點(diǎn)”。然后將面部ROI傳遞給模型，從而得到實(shí)際的年齡預(yù)測(cè)。

年齡檢測(cè)器的算法有很多，但是最受歡迎的是基于深度學(xué)習(xí)的年齡檢測(cè)器——在本教程中，將使用這種基于深度學(xué)習(xí)的年齡檢測(cè)器。

基于深度學(xué)習(xí)的年齡檢測(cè)器模型

本文中使用的深度學(xué)習(xí)年齡檢測(cè)器模型是Levi和Hassner發(fā)表的《使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行年齡和性別分類》中構(gòu)建和訓(xùn)練的。該文作者提出了一個(gè)類似AlexNet的簡(jiǎn)單體系，該體系總共學(xué)習(xí)了8個(gè)年齡段：

1. 0-2
2. 4-6
3. 8-12
4. 15-20
5. 25-32
6. 38-43
7. 48-53
8. 60-100

您可能會(huì)注意到這些年齡段是不連續(xù)的，這是有意而為。因?yàn)橛糜谟?xùn)練模型的Adience數(shù)據(jù)集定義了年齡段（下一節(jié)中將介紹為什么這樣做）。

在這篇文章中，我們將使用預(yù)先訓(xùn)練的年齡檢測(cè)器模型。如果您有興趣學(xué)習(xí)如何從頭開始訓(xùn)練它，請(qǐng)務(wù)必閱讀《用Python進(jìn)行計(jì)算機(jī)視覺深度學(xué)習(xí)》，在那里我將向您展示如何訓(xùn)練。

我們?yōu)槭裁床粚⒛挲g預(yù)測(cè)看做回歸問題？

您會(huì)在上面注意到，我們將年齡離散化為"不同的區(qū)間”，從而將年齡預(yù)測(cè)作為分類問題——為什么不將它看做回歸問題？

從技術(shù)上講，沒有理由不能將年齡預(yù)測(cè)看做回歸任務(wù)。甚至有一些模型可以通過回歸來實(shí)現(xiàn)。問題在于年齡預(yù)測(cè)本質(zhì)上是主觀的，并且僅基于容貌。

一個(gè)五十多歲的人，從未吸過煙、出門總是擦防曬霜、每天都要護(hù)理皮膚，相比一個(gè)三十多歲的人一天要抽很多煙、不擦防曬霜、從事體力勞動(dòng)，且沒有適當(dāng)?shù)钠つw護(hù)理的人，五十歲的人很可能看起來比三十歲的人年輕。

而且，基因是衰老最重要的驅(qū)動(dòng)因素。有些人就是比其他人衰老得慢。

例如，看看下面的 Matthew Perry（在電視情景喜劇Friends中扮演Chandler Bing）的圖片，并將它與Jennifer Aniston（扮演Rachel Green）的圖片進(jìn)行比較：

您能猜出 Matthew Perry（50歲）實(shí)際上比 Jennifer Aniston（51歲）小一歲嗎？若非您事先了解了關(guān)于這些演員的情況，否則我不會(huì)相信。

但另一方面，您能猜到這些演員在48-53歲嗎？這個(gè)準(zhǔn)確率恐怕高一些。

雖然人類天生不擅長預(yù)測(cè)年齡的準(zhǔn)確值，但我們實(shí)際上在預(yù)測(cè)年齡段方面還是不錯(cuò)的。當(dāng)然上面只是一個(gè)示例，Jennifer Aniston的基因近乎完美，再加上有非常優(yōu)秀的整形外科醫(yī)生，她似乎青春不老。

但這印證了我的觀點(diǎn)——如果人類準(zhǔn)確地預(yù)測(cè)一個(gè)人的年齡很困難的話，那么機(jī)器肯定也會(huì)同樣困難。

一旦將年齡預(yù)測(cè)看做回歸問題，那么對(duì)于一個(gè)模型，要準(zhǔn)確預(yù)測(cè)人的圖像中的年齡值是極困難的。但如果您將其視為分類問題，為模型定義了年齡段，那么我們的年齡預(yù)測(cè)模型將更容易訓(xùn)練，通常會(huì)比基于回歸的預(yù)測(cè)提供更高的準(zhǔn)確性。

簡(jiǎn)而言之：將年齡預(yù)測(cè)看做分類問題可以極大地"緩解”準(zhǔn)確程度——通常我們不需要一個(gè)人的確切年齡，粗略的估計(jì)就足夠了。

項(xiàng)目結(jié)構(gòu)

您可從本文相關(guān)鏈接中獲取代碼，模型和圖片，提取文件后，您的項(xiàng)目將如下所示：

$ tree --dirsfirst
.
├── age_detector
│   ├── age_deploy.prototxt
│   └── age_net.caffemodel
├── face_detector
│   ├── deploy.prototxt
│   └── res10_300x300_ssd_iter_140000.caffemodel
├── images
│   ├── adrian.png
│   ├── neil_patrick_harris.png
│   └── samuel_l_jackson.png
├── detect_age.py
└── detect_age_video.py
3 directories, 9 files

前兩個(gè)目錄由年齡預(yù)測(cè)器和面部檢測(cè)器組成。這兩個(gè)深度學(xué)習(xí)模型都基于Caffe。

這里提供了三張用于年齡預(yù)測(cè)的測(cè)試圖片，您也可以添加自己的圖片。

在本教程的其余部分，我們將討論這兩個(gè)Python腳本：

• detect\_age.py：圖片年齡預(yù)測(cè)
• detect\_age\_video.py：視頻年齡預(yù)測(cè)

這些腳本都會(huì)檢測(cè)圖片/幀中的人臉，然后使用OpenCV對(duì)它們進(jìn)行年齡預(yù)測(cè)。

運(yùn)行該 OpenCV 圖像年齡檢測(cè)器

首先，開始在靜態(tài)圖像中使用OpenCV進(jìn)行年齡檢測(cè)。在目錄中打開detect\_age.py文件，運(yùn)行工作：

# import the necessary packages
import numpy as np
import argparse
import cv2
import os
# construct the argument parse and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
	help="path to input image")
ap.add_argument("-f", "--face", required=True,
	help="path to face detector model directory")
ap.add_argument("-a", "--age", required=True,
	help="path to age detector model directory")
ap.add_argument("-c", "--confidence", type=float, default=0.5,
	help="minimum probability to filter weak detections")
args = vars(ap.parse_args())

為了啟動(dòng)我們的年齡檢測(cè)器腳本，我們先導(dǎo)入NumPy和OpenCV。我建議查看我的pip install opencv教程來配置您的系統(tǒng)。

此外，需要導(dǎo)入Python內(nèi)置的os模塊，它可以添加模型所需的路徑。

最后，導(dǎo)入argparse來解析命令行參數(shù)。

此處的腳本需要四個(gè)命令行參數(shù)：

• image：提供為年齡檢測(cè)輸入圖像的路徑
• face：為預(yù)先訓(xùn)練的面部檢測(cè)器模型提供路徑
• age：預(yù)先訓(xùn)練的年齡探測(cè)器模型
• confidence：最小概率閾值，以便篩除低置信檢測(cè)

如上所述，本文的年齡檢測(cè)器是一種分類器，可以根據(jù)預(yù)定義的年齡分段，通過人的面部 ROI 預(yù)測(cè)這個(gè)人的年齡——我們不會(huì)將其視為回歸問題?，F(xiàn)在讓我們定義這些年齡段的bucket：

# define the list of age buckets our age detector will predict
AGE_BUCKETS = ["(0-2)", "(4-6)", "(8-12)", "(15-20)", "(25-32)",
	"(38-43)", "(48-53)", "(60-100)"]

我們的年齡是在預(yù)先訓(xùn)練好的年齡檢測(cè)器的bucket（即類別標(biāo)簽）中定義的。我們將使用此列表和相關(guān)的索引來獲取年齡段，從而在輸出的圖像上進(jìn)行注釋。

完成了導(dǎo)入，命令行參數(shù)和年齡段的設(shè)置，我們現(xiàn)在就可以加載兩個(gè)預(yù)先訓(xùn)練的模型：

# load our serialized face detector model from disk
print("[INFO] loading face detector model...")
prototxtPath = os.path.sep.join([args["face"], "deploy.prototxt"])
weightsPath = os.path.sep.join([args["face"],
	"res10_300x300_ssd_iter_140000.caffemodel"])
faceNet = cv2.dnn.readNet(prototxtPath, weightsPath)
# load our serialized age detector model from disk
print("[INFO] loading age detector model...")
prototxtPath = os.path.sep.join([args["age"], "age_deploy.prototxt"])
weightsPath = os.path.sep.join([args["age"], "age_net.caffemodel"])
ageNet = cv2.dnn.readNet(prototxtPath, weightsPath)

在這里，我們加載兩個(gè)模型：

• 我們的人臉檢測(cè)器可以找到并定位圖片中的人臉（第25-28行）
• 年齡分類器確定特定面孔所屬的年齡范圍（第32-34行）

這些模型均使用Caffe框架進(jìn)行了訓(xùn)練。在PyImageSearch Gurus課程中介紹了如何訓(xùn)練Caffe分類器。

現(xiàn)在我們已經(jīng)完成了所有初始化，從磁盤加載圖像并檢測(cè)面部ROI：

# load the input image and construct an input blob for the image
image = cv2.imread(args["image"])
(h, w) = image.shape[:2]
blob = cv2.dnn.blobFromImage(image, 1.0, (300, 300),
	(104.0, 177.0, 123.0))
# pass the blob through the network and obtain the face detections
print("[INFO] computing face detections...")
faceNet.setInput(blob)
detections = faceNet.forward()

我們使用OpenCV的blobFromImage方法——請(qǐng)?jiān)谖业慕坛讨虚喿x有關(guān)blobFromImage的更多信息。

為了檢測(cè)圖片中的人臉，我們通過CNN傳送blob，得到了detections的列表?，F(xiàn)在讓我們循環(huán)面部ROI的檢測(cè)：

# loop over the detections
for i in range(0, detections.shape[2]):
	# extract the confidence (i.e., probability) associated with the
	# prediction
	confidence = detections[0, 0, i, 2]
	# filter out weak detections by ensuring the confidence is
	# greater than the minimum confidence
	if confidence > args["confidence"]:
		# compute the (x, y)-coordinates of the bounding box for the
		# object
		box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
		(startX, startY, endX, endY) = box.astype("int")
		# extract the ROI of the face and then construct a blob from
		# *only* the face ROI
		face = image[startY:endY, startX:endX]
		faceBlob = cv2.dnn.blobFromImage(face, 1.0, (227, 227),
			(78.4263377603, 87.7689143744, 114.895847746),
			swapRB=False)

當(dāng)我們循環(huán)detections時(shí)，我們清除了低置信度的面部（第51-55行）。

對(duì)于滿足了最低置信度標(biāo)準(zhǔn)的面部，我們提取它們的ROI坐標(biāo)（第58-63行）?，F(xiàn)在，我們?cè)趦H包含單個(gè)面部的圖像中有了小小收獲。我們?cè)诘?4-66行根據(jù)此ROI創(chuàng)建一個(gè)blob（即faceBlob）。

現(xiàn)在，我們將進(jìn)行年齡識(shí)別：

		# make predictions on the age and find the age bucket with
		# the largest corresponding probability
		ageNet.setInput(faceBlob)
		preds = ageNet.forward()
		i = preds[0].argmax()
		age = AGE_BUCKETS[i]
		ageConfidence = preds[0][i]
		# display the predicted age to our terminal
		text = "{}: {:.2f}%".format(age, ageConfidence * 100)
		print("[INFO] {}".format(text))
		# draw the bounding box of the face along with the associated
		# predicted age
		y = startY - 10 if startY - 10 > 10 else startY + 10
		cv2.rectangle(image, (startX, startY), (endX, endY),
			(0, 0, 255), 2)
		cv2.putText(image, text, (startX, y),
			cv2.FONT_HERSHEY_SIMPLEX, 0.45, (0, 0, 255), 2)
# display the output image
cv2.imshow("Image", image)
cv2.waitKey(0)

我們使用face blob進(jìn)行年齡預(yù)測(cè)（第70-74行），從而得出年齡段和年齡的置信度。我們使用這些數(shù)據(jù)點(diǎn)以及面部ROI的坐標(biāo)來注釋最初輸入的圖片（第77-86行）并顯示結(jié)果（第89和90行）。

在下一部分中，我們將分析結(jié)果。

OpenCV的年齡識(shí)別結(jié)果

讓我們運(yùn)行OpenCV年齡檢測(cè)器。

首先，從本教程的"下載"部分下載源代碼，預(yù)先訓(xùn)練的年齡檢測(cè)器模型及示例圖像。
從那里打開一個(gè)終端，然后執(zhí)行以下命令：

$ python detect_age.py --image images/adrian.png --face face_detector --age age_detector
[INFO] loading face detector model...
[INFO] loading age detector model...
[INFO] computing face detections...
[INFO] (25-32): 57.51%

在這里，您可以看到我們的OpenCV年齡檢測(cè)器以57.51％的置信度預(yù)測(cè)了我的年齡為25-32歲——實(shí)際上，該年齡檢測(cè)器是正確的（我拍攝這張照片時(shí)是30歲）。

讓我們?cè)倥e一個(gè)例子，這是著名演員Neil Patrick Harris小時(shí)候的照片：

$ python detect_age.py --image images/neil_patrick_harris.png --face face_detector --age age_detector
[INFO] loading face detector model...
[INFO] loading age detector model...
[INFO] computing face detections...
[INFO] (8-12): 85.72%

我們的年齡預(yù)測(cè)是正確的，拍攝這張照片時(shí)，Nat Patrick Harris看起來的確在8-12歲年齡段中的某個(gè)年齡。

嘗試另一張圖片：Samuel L. Jackson，他是我最喜歡的演員之一：

$ python detect_age.py --image images/samuel_l_jackson.png --face face_detector --age age_detector
[INFO] loading face detector model...
[INFO] loading age detector model...
[INFO] computing face detections...
[INFO] (48-53): 69.38%

OpenCV年齡檢測(cè)器針對(duì)Samuel L. Jackson的結(jié)果出錯(cuò)了——Jackson大約71歲，年齡預(yù)測(cè)大約有18歲的偏差。

僅僅看照片Jackson先生看上去像71歲嗎？我猜測(cè)應(yīng)該是50到60歲左右，他不像70歲多一點(diǎn)的男人。但這恰恰印證了我在前文提出的觀點(diǎn)：

用視覺進(jìn)行年齡預(yù)測(cè)的過程很困難，當(dāng)計(jì)算機(jī)或人試圖猜測(cè)某人的年齡時(shí)，我認(rèn)為這是主觀的。

為了評(píng)估年齡檢測(cè)器，不能依賴人的實(shí)際年齡去評(píng)價(jià)。相反，需要衡量預(yù)測(cè)年齡和感知年齡之間的準(zhǔn)確度。

為實(shí)時(shí)視頻運(yùn)行我們的OpenCV年齡檢測(cè)器

現(xiàn)在我們可以在靜態(tài)圖像中實(shí)現(xiàn)年齡檢測(cè)，但實(shí)時(shí)視頻可以嗎？

您應(yīng)該猜我們可以。我們的視頻腳本與圖像腳本非常相似。不同之處在于，我們需要設(shè)置視頻流并在每個(gè)幀上循環(huán)進(jìn)行年齡檢測(cè)。本文將重點(diǎn)介紹視頻功能，可根據(jù)需要參考上面的流程。

要了解如何在視頻中進(jìn)行年齡識(shí)別，那就來看看detect\_age\_video.py。

# import the necessary packages
from imutils.video import VideoStream
import numpy as np
import argparse
import imutils
import time
import cv2
import os

我們需要導(dǎo)入三個(gè)新的模塊：

1. VideoStream
2. imutils
3. time

這些導(dǎo)入允許我們對(duì)視頻進(jìn)行設(shè)置和使用webcam功能。

我決定定義一個(gè)快捷函數(shù)來獲取幀，定位面部并預(yù)測(cè)年齡。函數(shù)通過進(jìn)行檢測(cè)和邏輯預(yù)測(cè)，使我們的幀處理循環(huán)不會(huì)那么龐大（您也可以將此函數(shù)放到單獨(dú)的文件中）?，F(xiàn)在讓我們進(jìn)入這個(gè)程序：

def detect_and_predict_age(frame, faceNet, ageNet, minConf=0.5):
	# define the list of age buckets our age detector will predict
	AGE_BUCKETS = ["(0-2)", "(4-6)", "(8-12)", "(15-20)", "(25-32)",
		"(38-43)", "(48-53)", "(60-100)"]
	# initialize our results list
	results = []
	# grab the dimensions of the frame and then construct a blob
	# from it
	(h, w) = frame.shape[:2]
	blob = cv2.dnn.blobFromImage(frame, 1.0, (300, 300),
		(104.0, 177.0, 123.0))
	# pass the blob through the network and obtain the face detections
	faceNet.setInput(blob)
	detections = faceNet.forward()

我們的 detect\_and\_predict\_age 輔助函數(shù)接受以下參數(shù)：

• frame：視頻通過webcam獲取的單個(gè)幀
• faceNet：初始化的深度學(xué)習(xí)人臉檢測(cè)器
• ageNet：初始化的深度學(xué)習(xí)年齡分類器
• minConf：篩去較差人臉識(shí)別的置信度閾值

這里的參數(shù)和我們的圖片年齡檢測(cè)器腳本的命令行參數(shù)是相似的。
我們的AGE\_BUCKETS再次被定義（第12和13行）。然后我們定義一個(gè)空列表來保存面部定位和年齡檢測(cè)的results。（第20-26行進(jìn)行面部檢測(cè)。）

接下來，我們將處理每個(gè)detections：

	# loop over the detections
	for i in range(0, detections.shape[2]):
		# extract the confidence (i.e., probability) associated with
		# the prediction
		confidence = detections[0, 0, i, 2]
		# filter out weak detections by ensuring the confidence is
		# greater than the minimum confidence
		if confidence > minConf:
			# compute the (x, y)-coordinates of the bounding box for
			# the object
			box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
			(startX, startY, endX, endY) = box.astype("int")
			# extract the ROI of the face
			face = frame[startY:endY, startX:endX]
			# ensure the face ROI is sufficiently large
			if face.shape[0] < 20 or face.shape[1] < 20:
				continue

請(qǐng)看29-43行——它們循環(huán)檢測(cè)，以確保較高的置信度，然后提取出面部ROI。

第46-47行是新的——由于以下兩個(gè)原因，我們要確保視頻中的面部ROI足夠大：

• 首先，我們要篩掉幀中檢測(cè)到的假陽性面部。
• 其次，年齡分類結(jié)果對(duì)于遠(yuǎn)離相機(jī)的臉（即臉部很小）來說并不準(zhǔn)確。

為了完成我們的輔助功能，我們將進(jìn)行年齡識(shí)別并返回結(jié)果：

			# construct a blob from *just* the face ROI
			faceBlob = cv2.dnn.blobFromImage(face, 1.0, (227, 227),
				(78.4263377603, 87.7689143744, 114.895847746),
				swapRB=False)
			# make predictions on the age and find the age bucket with
			# the largest corresponding probability
			ageNet.setInput(faceBlob)
			preds = ageNet.forward()
			i = preds[0].argmax()
			age = AGE_BUCKETS[i]
			ageConfidence = preds[0][i]
			# construct a dictionary consisting of both the face
			# bounding box location along with the age prediction,
			# then update our results list
			d = {
				"loc": (startX, startY, endX, endY),
				"age": (age, ageConfidence)
			}
			results.append(d)
	# return our results to the calling function
	return results

在這里預(yù)測(cè)人臉的年齡并提取出年齡段和年齡置信度（第56-60行）。第65-68行在一個(gè)字典中存儲(chǔ)面部定位和年齡預(yù)測(cè)。循環(huán)檢測(cè)的最后一步是將該字典放到結(jié)果列表中（第69行）。

如果所有檢測(cè)都已經(jīng)完成，并且結(jié)果都得到了，那我們將結(jié)果返回給調(diào)用者。

定義好輔助函數(shù)后，現(xiàn)在我們可以繼續(xù)處理視頻了。但我們需要先定義命令行參數(shù)：

# construct the argument parse and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-f", "--face", required=True,
	help="path to face detector model directory")
ap.add_argument("-a", "--age", required=True,
	help="path to age detector model directory")
ap.add_argument("-c", "--confidence", type=float, default=0.5,
	help="minimum probability to filter weak detections")
args = vars(ap.parse_args())

我們的腳本需要三個(gè)命令行參數(shù)：

• face：預(yù)先訓(xùn)練的面部檢測(cè)器模型的目錄的路徑
• age：預(yù)先訓(xùn)練的年齡檢測(cè)器模型的目錄
• confidence：最小概率閾值，以便篩除低置信檢測(cè)

在這里，我們將加載模型并初始化視頻：

# load our serialized face detector model from disk
print("[INFO] loading face detector model...")
prototxtPath = os.path.sep.join([args["face"], "deploy.prototxt"])
weightsPath = os.path.sep.join([args["face"],
	"res10_300x300_ssd_iter_140000.caffemodel"])
faceNet = cv2.dnn.readNet(prototxtPath, weightsPath)
# load our serialized age detector model from disk
print("[INFO] loading age detector model...")
prototxtPath = os.path.sep.join([args["age"], "age_deploy.prototxt"])
weightsPath = os.path.sep.join([args["age"], "age_net.caffemodel"])
ageNet = cv2.dnn.readNet(prototxtPath, weightsPath)
# initialize the video stream and allow the camera sensor to warm up
print("[INFO] starting video stream...")
vs = VideoStream(src=0).start()
time.sleep(2.0)

第86-89行加載并初始化了我們的面部檢測(cè)器，而第93-95行加載了年齡檢測(cè)器。

然后，我們使用VideoStream類來初始化webcam（第99和100行）。webcam準(zhǔn)備好后，我們將開始處理幀：

# loop over the frames from the video stream
while True:
	# grab the frame from the threaded video stream and resize it
	# to have a maximum width of 400 pixels
	frame = vs.read()
	frame = imutils.resize(frame, width=400)
	# detect faces in the frame, and for each face in the frame,
	# predict the age
	results = detect_and_predict_age(frame, faceNet, ageNet,
		minConf=args["confidence"])
	# loop over the results
	for r in results:
		# draw the bounding box of the face along with the associated
		# predicted age
		text = "{}: {:.2f}%".format(r["age"][0], r["age"][1] * 100)
		(startX, startY, endX, endY) = r["loc"]
		y = startY - 10 if startY - 10 > 10 else startY + 10
		cv2.rectangle(frame, (startX, startY), (endX, endY),
			(0, 0, 255), 2)
		cv2.putText(frame, text, (startX, y),
			cv2.FONT_HERSHEY_SIMPLEX, 0.45, (0, 0, 255), 2)
	# show the output frame
	cv2.imshow("Frame", frame)
	key = cv2.waitKey(1) & 0xFF
	# if the `q` key was pressed, break from the loop
	if key == ord("q"):
		break
# do a bit of cleanup
cv2.destroyAllWindows()
vs.stop()

在上面的循環(huán)中，我們：

• 獲取幀，并將其調(diào)整為已知寬度（第106和107行）
• 通過我們的detect_and_predict_age便捷函數(shù)傳遞幀，以便（1）檢測(cè)面部（2）確定年齡（第111和112行）
• 在幀上注釋結(jié)果（第115-124行）
• 顯示和捕獲鍵盤輸入（第127和128行）
• 如果鍵入q，那么退出并清空（第131-136行）

在下一節(jié)中，我們將啟動(dòng)年齡檢測(cè)器，看看它是否有效！

使用OpenCV進(jìn)行實(shí)時(shí)年齡檢測(cè)的結(jié)果

現(xiàn)在，讓我們將OpenCV年齡檢測(cè)器應(yīng)用于實(shí)時(shí)視頻。
確保您已從本教程的"下載"部分下載源代碼和預(yù)先訓(xùn)練的年齡檢測(cè)器。
從那里打開一個(gè)終端，然后輸入以下命令：

$ python detect_age_video.py --face face_detector --age age_detector
[INFO] loading face detector model...
[INFO] loading age detector model...
[INFO] starting video stream...

在這里，您可以看到OpenCV年齡檢測(cè)器將我的年齡范圍準(zhǔn)確地預(yù)測(cè)為25-32歲（在寫本文時(shí)，我還是31歲）。

如何改善年齡預(yù)測(cè)結(jié)果？

由Levi和Hassner訓(xùn)練的年齡預(yù)測(cè)模型的問題之一是，它嚴(yán)重偏向25-32歲年齡組，如他們?cè)及姹局械倪@個(gè)混淆矩陣表所示：

為了在您的模型中解決此問題，請(qǐng)考慮收集更多的訓(xùn)練數(shù)據(jù)，使用類權(quán)重、數(shù)據(jù)擴(kuò)充和正則化技術(shù)。

不幸的是，這意味著我們的模型預(yù)測(cè)的25-32歲結(jié)果可能實(shí)際上屬于其他的年齡段——在分析本教程的結(jié)果以及我自己的年齡預(yù)測(cè)中也遇到了幾次這樣的情況。

您可以通過以下方法消除這種偏差：

1. 收集其他年齡段的額外訓(xùn)練數(shù)據(jù)以幫助平衡數(shù)據(jù)集；
2. 使用類權(quán)重來處理類失衡的問題；
3. 注意數(shù)據(jù)擴(kuò)充；
4. 訓(xùn)練模型時(shí)使用正則化。

其次，年齡預(yù)測(cè)結(jié)果可以通過使用人臉對(duì)齊來改善。

人臉對(duì)齊功能會(huì)識(shí)別人臉的幾何結(jié)構(gòu)，然后嘗試使用平移，縮放和旋轉(zhuǎn)獲得人臉的規(guī)范化。

在許多情況下（但并非總是如此），人臉對(duì)齊可以改善面部應(yīng)用的效果，包括面部識(shí)別，年齡預(yù)測(cè)等。

為簡(jiǎn)單起見，我們?cè)诒窘坛讨袥]有使用人臉對(duì)齊功能，但您可以按照這個(gè)教程學(xué)習(xí)有關(guān)人臉對(duì)齊的更多信息，然后將其應(yīng)用于自己的年齡預(yù)測(cè)程序中。

性別預(yù)測(cè)呢？

我特意選擇不在本教程中介紹性別預(yù)測(cè)。

使用計(jì)算機(jī)視覺和深度學(xué)習(xí)來識(shí)別一個(gè)人的性別似乎是一個(gè)有趣的分類問題，但實(shí)際上這是一個(gè)道德問題。

某人在視覺上看上去怎樣，穿著什么或如何表現(xiàn)，這些都并不意味著他們可能是某種（或其他）性別。

試圖將性別劃分為兩類的軟件只會(huì)把我們束縛在對(duì)于性別的過時(shí)觀念里。因此，我鼓勵(lì)您盡可能不要在自己的程序中使用性別識(shí)別。

如果必須進(jìn)行性別識(shí)別，請(qǐng)確保對(duì)自己負(fù)責(zé)，并確保您不去創(chuàng)建使他人遵循性別偏見的應(yīng)用程序（例如根據(jù)感知到的性別去定義用戶體驗(yàn))。

性別識(shí)別幾乎沒有價(jià)值，而且它引起的問題比它解決的問題還要多。請(qǐng)盡可能避免它。

總結(jié)

在本教程中，您學(xué)習(xí)了如何使用OpenCV通過深度學(xué)習(xí)進(jìn)行年齡識(shí)別。

為此，我們利用了Levi和Hassner在2015年出版的《使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行年齡和性別分類》中的預(yù)訓(xùn)練模型。該模型使我們能夠以相當(dāng)高的準(zhǔn)確度去預(yù)測(cè)八個(gè)不同的年齡段；但是，我們必須認(rèn)識(shí)到年齡預(yù)測(cè)是一個(gè)很有挑戰(zhàn)性的問題。

有很多因素可以決定一個(gè)人的視覺年齡，包括他們的生活方式，工作，吸煙習(xí)慣，最重要的是基因。其次，請(qǐng)記住，人們?cè)噲D掩飾自己的年齡——如果人類準(zhǔn)確地預(yù)測(cè)某人的年齡有困難的話，那么機(jī)器學(xué)習(xí)模型同樣會(huì)有困難。

因此，您需要根據(jù)感知年齡（而非實(shí)際年齡）去評(píng)估所有的年齡預(yù)測(cè)結(jié)果。在您自己的計(jì)算機(jī)視覺項(xiàng)目中進(jìn)行年齡識(shí)別時(shí)，請(qǐng)記住這一點(diǎn)。

希望您喜歡本教程！

原文鏈接：https://www.pyimagesearch.com/2020/04/13/opencv-age-detection-with-deep-learning

如果覺得有用，就請(qǐng)分享到朋友圈吧！