完整 | 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

在本教程的第一部分中，您將學(xué)習(xí)年齡識(shí)別，這包括從圖片或視頻中自動(dòng)預(yù)測(cè)人的年齡需要的步驟（以及為什么應(yīng)該將年齡識(shí)別當(dāng)做分類(lèi)問(wèn)題而不是回歸問(wèn)題）。

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)如何使用這兩種模型：

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

然后，我們將分析我們所做的年齡預(yù)測(cè)工作的結(jié)果。

什么是年齡識(shí)別？

圖1：在本教程中，我們使用OpenCV和預(yù)先訓(xùn)練的深度學(xué)習(xí)模型來(lái)預(yù)測(cè)給定人臉的年齡。

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(guò)程

通常，您會(huì)看到年齡識(shí)別可分為兩個(gè)階段進(jìn)行實(shí)現(xiàn)：

1.階段1：檢測(cè)輸入圖像/視頻中的人臉

2.階段2：提取人的面部（感興趣區(qū)域，ROI），并通過(guò)年齡檢測(cè)器的算法去預(yù)測(cè)人物的年齡

對(duì)于階段1，能夠?yàn)閳D片中的人臉生成邊框的人臉檢測(cè)器都是可用的，這些檢測(cè)器包括但不限于Haar cascades，HOG+線性SVM，單桿檢測(cè)器（SSD）等。

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，存在的問(wèn)題是它們的準(zhǔn)確度較低并且極易出現(xiàn)假陽(yáng)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(jiàn)）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。

在為您的應(yīng)用選擇人臉檢測(cè)器時(shí)，請(qǐng)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？我還建議對(duì)每個(gè)面部檢測(cè)器進(jìn)行一些試驗(yàn)，以便讓這些結(jié)果來(lái)指導(dǎo)您做決定。

一旦您的面部檢測(cè)器在圖像/視頻中生成了人臉的邊界框坐標(biāo)，您就可以進(jìn)入第2階段——識(shí)別人的年齡。

確定了臉部的邊界框坐標(biāo)（x，y）后，您首先提取面部ROI，而忽略圖像（幀）的其余部分。這樣做可以使年齡檢測(cè)器僅將注意力放在人臉上，而不是圖像中其他不相關(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，我們將使用這種基于深度學(xué)習(xí)的年齡檢測(cè)器。

我們基于深度學(xué)習(xí)的年齡檢測(cè)器模型

圖2：用深度學(xué)習(xí)進(jìn)行年齡識(shí)別是一個(gè)活躍的研究領(lǐng)域。在本教程中，我們使用由Levi和Hassner在其2015年論文中構(gòu)建和訓(xùn)練的模型

我們?cè)谶@里使用的深度學(xué)習(xí)年齡檢測(cè)器模型是Levi和Hassner在其2015年發(fā)表的《使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行年齡和性別分類(lèi)》（https://talhassner.github.io/home/publication/2015_CVPR）中構(gòu)建和訓(xùn)練的。

在這篇論文里，作者提出了一個(gè)類(lèi)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 0-22 4-63 8-124 15-205 25-326 38-437 48-538 60-100

您可能會(huì)注意到這些年齡段是不連續(xù)的——這是有意而為的，因?yàn)橛糜谟?xùn)練模型的Adience數(shù)據(jù)集(https://talhassner.github.io/home/projects/Adience/Adience-data.html#agegender)定義了年齡段（我們將在下一節(jié)中介紹為什么這樣做）。

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。但是如果您有興趣學(xué)習(xí)如何從頭開(kāi)始訓(xùn)練它，請(qǐng)務(wù)必閱讀《用Python進(jìn)行計(jì)算機(jī)視覺(jué)深度學(xué)習(xí)》(https://www.pyimagesearch.com/deep-learning-computer-vision-python-book/)，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(wèn)題？

圖3：用深度學(xué)習(xí)進(jìn)行年齡預(yù)測(cè)可以被歸類(lèi)為回歸或分類(lèi)問(wèn)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(lèi)問(wèn)題——為什么不將它看做回歸問(wèn)題（我們?cè)诜績(jī)r(jià)預(yù)測(cè)教程中所使用的方法：https://www.pyimagesearch.com/2019/01/28/keras-regression-and-cnns/）？

從技術(shù)上講，沒(méi)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(guò)回歸來(lái)實(shí)現(xiàn)。

問(wèn)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)五十多歲的人一生中從未吸煙，出門(mén)總是擦防曬霜，而且每天都要護(hù)理皮膚。而一個(gè)三十多歲的人一天要抽很多煙，不擦防曬霜去從事體力勞動(dòng)，并且沒(méi)有適當(dāng)?shù)钠つw護(hù)理。這個(gè)五十歲的人很可能看起來(lái)比這個(gè)三十歲的人年輕。

而且不要忘記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：

圖4：許多名人和行業(yè)領(lǐng)袖努力使自己看起來(lái)更年輕。這對(duì)使用OpenCV深度學(xué)習(xí)進(jìn)行年齡檢測(cè)提出了挑戰(zhàn)。

您能猜出Matthew Perry（50歲）實(shí)際上比Jennifer Aniston（51歲）小一歲嗎？

除非您事先了解了關(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？

我愿意打賭您可能有這個(gè)能力。

雖然人類(lèi)天生不擅長(zhǎng)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)——人們有意掩飾自己的年齡。

而且，如果人類(lèi)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。

一旦你將年齡預(yù)測(cè)看做回歸問(wèn)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。

但是，如果您將其視為分類(lèi)問(wèn)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(lèi)問(wèn)題可以極大地“緩解”問(wèn)題，使其更容易解決——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)

請(qǐng)確保從本文的“下載”部分中獲取代碼，模型和圖片。提取文件后，您的項(xiàng)目將如下所示：

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。

我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)行我們的OpenCV圖像年齡檢測(cè)器

讓我們開(kāi)始在靜態(tài)圖像中使用OpenCV進(jìn)行年齡檢測(cè)。

在您的目錄中打開(kāi)detect_age.py文件，讓我們開(kāi)始工作：

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（https://www.pyimagesearch.com/2018/09/19/pip-install-opencv/）來(lái)配置您的系統(tǒng)。

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

最后，我們導(dǎo)入argparse來(lái)解析命令行參數(shù)（https://www.pyimagesearch.com/2018/03/12/python-argparse-command-line-arguments/）。

我們的腳本需要四個(gè)命令行參數(shù)：

·--圖片：提供為年齡檢測(cè)輸入圖像的路徑

·--人臉：為預(yù)先訓(xùn)練的面部檢測(cè)器模型提供路徑

·--年齡：預(yù)先訓(xùn)練的年齡探測(cè)器模型

·--置信度：最小概率閾值，以便篩除低置信檢測(cè)

如上所述，我們的年齡檢測(cè)器是一種分類(lèi)器，可以根據(jù)預(yù)定義的年齡分段，通過(guò)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(wèn)題?，F(xiàn)在讓我們定義這些年齡段的bucket：

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(lèi)別標(biāo)簽）中定義的。我們將使用此列表和相關(guān)的索引來(lái)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：

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(lèi)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。我在PyImageSearch Gurus課程（https://www.pyimagesearch.com/pyimagesearch-gurus/）中介紹了如何訓(xùn)練Caffe分類(lèi)器。

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

37-40行加載并預(yù)處理了我們輸入的圖像。我們使用OpenCV的blobFromImage方法——請(qǐng)?jiān)谖业慕坛蹋╤ttps://www.pyimagesearch.com/2017/11/06/deep-learning-opencvs-blobfromimage-works/）中閱讀有關(guān)blobFromImage的更多信息。

為了檢測(cè)圖片中的人臉，我們通過(guò)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)：

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(mǎn)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）。現(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：

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(lái)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(kāi)一個(gè)終端，然后執(zhí)行以下命令：

圖5：在我30歲時(shí)的照片中，該OpenCV年齡檢測(cè)器正確識(shí)別了我的年齡。

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：

圖6：使用OpenCV進(jìn)行年齡預(yù)測(cè)時(shí)，可以很確定地認(rèn)為拍攝這張照片時(shí)的Neil Patrick Harris是8-12歲。

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

讓我們嘗試另一張圖片；這張圖是Samuel L. Jackson，他是我最喜歡的演員之一：

圖7：使用OpenCV通過(guò)深度學(xué)習(xí)進(jìn)行年齡預(yù)測(cè)并不總是準(zhǔn)確的，正如Samuel L. Jackson的照片所證明的那樣。年齡預(yù)測(cè)只是一個(gè)軟件，對(duì)人類(lèi)來(lái)說(shuō)是主觀的。

這里我們的OpenCV年齡檢測(cè)器出錯(cuò)了——Samuel L. Jackson大約71歲，這使我們的年齡預(yù)測(cè)大約有了18歲的偏差。

也就是說(shuō)，僅僅看照片——Jackson先生看上去像71歲嗎？

我的猜測(cè)應(yīng)該是50到60歲左右。至少對(duì)我來(lái)說(shuō)，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(jué)進(jìn)行年齡預(yù)測(cè)的過(guò)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，您不能依賴(lài)人的實(shí)際年齡去評(píng)價(jià)。相反，您需要衡量預(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？

我們可以這樣做嗎？

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，因此請(qǐng)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(lái)看看detect_age_video.py。

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(lái)獲取幀，定位面部并預(yù)測(cè)年齡。函數(shù)通過(guò)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：

我們的 detect_and_predict_age 輔助函數(shù)接受以下參數(shù)：

• frame：視頻通過(guò)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(lèi)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(lái)保存面部定位和年齡檢測(cè)的結(jié)果。

第20-26行進(jìn)行面部檢測(cè)。

接下來(lái)，我們將處理每個(gè)detections：

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(yáng)性面部。

·其次，年齡分類(lèi)結(jié)果對(duì)于遠(yuǎn)離相機(jī)的臉（即臉部很?。﹣?lái)說(shuō)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：

在這里，我們預(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)：

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：

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(lèi)來(lái)初始化webcam（第99和100行）。

webcam準(zhǔn)備好后，我們將開(kāi)始處理幀：

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(guò)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(pán)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(kāi)一個(gè)終端，然后輸入以下命令：

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(xiě)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(wèn)題之一是，它嚴(yán)重偏向25-32歲年齡組，如他們?cè)及姹荆╤ttps://talhassner.github.io/home/projects/cnn_agegender/CVPR2015_CNN_AgeGenderEstimation.pdf）中的這個(gè)混淆矩陣表所示：

圖8：Levi和Hassner的深度學(xué)習(xí)年齡檢測(cè)模型嚴(yán)重偏向25-32歲年齡段。為了在您的模型中解決此問(wèn)題，請(qǐng)考慮收集更多的訓(xùn)練數(shù)據(jù)，使用類(lèi)權(quán)重、數(shù)據(jù)擴(kuò)充和正則化技術(shù)。（圖片來(lái)源https://talhassner.github.io/home/projects/cnn_agegender/CVPR2015_CNN_AgeGenderEstimation.pdf）

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——我在分析本教程的結(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(guò)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(lèi)權(quán)重來(lái)處理類(lèi)失衡的問(wèn)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(guò)使用人臉對(duì)齊（https://www.pyimagesearch.com/2017/05/22/face-alignment-with-opencv-and-python/）來(lái)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(jiàn)，我們?cè)诒窘坛讨袥](méi)有使用人臉對(duì)齊功能，但是您可以按照這個(gè)教程（https://www.pyimagesearch.com/2017/05/22/face-alignment-with-opencv-and-python/）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(jué)和深度學(xué)習(xí)來(lái)識(shí)別一個(gè)人的性別似乎是一個(gè)有趣的分類(lèi)問(wèn)題，但實(shí)際上這是一個(gè)道德問(wèn)題。

某人在視覺(jué)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(lèi)的軟件只會(huì)把我們束縛在對(duì)于性別的過(guò)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(jiàn)的應(yīng)用程序（例如根據(jù)感知到的性別去定義用戶(hù)體驗(yàn)）。

性別識(shí)別幾乎沒(méi)有價(jià)值，而且它引起的問(wèn)題比它解決的問(wèn)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(guò)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(lèi)》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(wèn)題。

有很多因素可以決定一個(gè)人的視覺(jué)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(lèi)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，您必須根據(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(jué)項(xiàng)目中進(jìn)行年齡識(shí)別時(shí)，請(qǐng)記住這一點(diǎn)。