【CV】使用 OpenCV 進(jìn)行圖像中的性別預(yù)測(cè)和年齡檢測(cè)
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各種問題，包括更好的客戶廣告定位、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)祟悂碚f，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。
在監(jiān)控計(jì)算機(jī)視覺中，經(jīng)常使用年齡和性別預(yù)測(cè)。計(jì)算機(jī)視覺的進(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
還有很多。
現(xiàn)在讓我們學(xué)習(xí)如何使用 Python 中的 OpenCV 庫通過相機(jī)或圖片輸入來確定年齡和性別。
使用的框架是 Caffe，用于使用原型文件創(chuàng)建模型。
讓我們開始吧，如果我們還沒有安裝 OpenCV，請(qǐng)確保已經(jīng)安裝了它。
pip install opencv-python numpy第 1 步：導(dǎo)入庫
# Import required modulesimport cv2 as cvimport mathimport timefrom google.colab.patches import cv2_imshow
第 2 步：在框架中查找邊界框坐標(biāo)
使用下面的用戶定義函數(shù)，我們可以獲得邊界框的坐標(biāo)，也可以說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)y1, x2, y2])(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。這就是我們將用來執(zhí)行經(jīng)過訓(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：年齡和性別類別列表
設(shè)置模型的平均值以及要從中進(jìn)行分類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 networkageNet = 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)
下面的用戶定義函數(shù)是 pipline 或者我們可以說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 framet = 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 filesuploaded = 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)。
往期精彩回顧 本站qq群955171419，加入微信群請(qǐng)掃碼：