使用 OpenCV 進行圖像中的性別預測和年齡檢測

作者 | 小白

來源 | 小白學視覺

一、介紹

照片中的面部分析引起了人們的廣泛關注，因為它可以幫助我們解決各種問題，包括更好的客戶廣告定位、更好的內容推薦系統(tǒng)、安全監(jiān)控和其他領域。

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

即使對我們人類來說，從圖像中檢測性別和年齡也很困難，因為它完全基于外表，有時很難預測，同齡人的外表可能與我們預期的截然不同。

應用

在監(jiān)控計算機視覺中，經(jīng)常使用年齡和性別預測。計算機視覺的進步使這一預測變得更加實用，更容易為公眾所接受。由于其在智能現(xiàn)實世界應用中的實用性，該研究課題取得了重大進展。

一個人的身份、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特征，在各種實際應用中特別有用，包括

安全和視頻監(jiān)控

人機交互

生物識別技術

娛樂

還有很多。

實施

現(xiàn)在讓我們學習如何使用 Python 中的 OpenCV 庫通過相機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，請確保已經(jīng)安裝了它。

$ pip install opencv-python numpy

第 1 步：導入庫

# 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

使用下面的用戶定義函數(shù)，我們可以獲得邊界框的坐標，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)
            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：加載模型和權重文件

項目目錄中必須包含以下文件：

gender_net.caffemodel：用于性別檢測的預訓練模型權重。
deploy_gender.prototxt：性別檢測模型的模型架構。
age_net.caffemodel：用于年齡檢測的預訓練模型權重。
deploy_age.prototxt：年齡檢測模型的模型架構。
res10_300x300_ssd_iter_140000_fp16.caffemodel：用于人臉檢測的預訓練模型權重。
deploy.prototxt.txt：人臉檢測模型的模型架構。

我們有一個用于人臉檢測的 .pb 文件，它是一個 protobuf 文件（協(xié)議緩沖區(qū)），其中包含模型的圖形定義和訓練權重。這就是我們將用來執(zhí)行經(jīng)過訓練模型的內容。雖然.pb 文件包含二進制格式的 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)絡配置，而 .caffemodel 文件定義了圖層參數(shù)的內部狀態(tài)。

然后，對于人臉、年齡和性別檢測模型，定義權重和結構變量。

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

設置模型的平均值以及要從中進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

要加載網(wǎng)絡，請使用 readNet() 方法。第一個參數(shù)用于存儲訓練權重，第二個參數(shù)用于保存網(wǎng)絡配置。

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

第 6 步：預測性別和年齡的函數(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現(xiàn)，在該工作流程中，圖像進入函數(shù)以獲取位置，并進一步預測年齡范圍和性別。

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：預測

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測的置信度為 1（100%），而年齡預測的置信度則要低一些，因為它很難確準。

在這篇文章中，我們學習了如何創(chuàng)建一個年齡預測器，它也可以檢測你的臉并用邊框突出顯示。