使用 OpenCV 进行图像中的性别预测和年龄检测

作者 | 小白

来源 | 小白学视觉

一、介绍

照片中的面部分析引起了人们的广泛关注，因为它可以帮助我们解决各种问题，包括更好的客户广告定位、更好的内容推荐系统、安全监控和其他领域。

年龄和性别是面部特征的重要方面，确定它们是此类活动的先决条件。许多企业出于各种原因使用这些技术，包括更轻松地与客户合作、更好地适应他们的需求以及提供良好的体验。人们的性别和年龄使得识别和预测他们的需求变得更加容易。

即使对我们人类来说，从图像中检测性别和年龄也很困难，因为它完全基于外表，有时很难预测，同龄人的外表可能与我们预期的截然不同。

应用

在监控计算机视觉中，经常使用年龄和性别预测。计算机视觉的进步使这一预测变得更加实用，更容易为公众所接受。由于其在智能现实世界应用中的实用性，该研究课题取得了重大进展。

一个人的身份、年龄、性别、情绪和种族都是由他们脸上的特征决定的。年龄和性别分类是其中的两个特征，在各种实际应用中特别有用，包括

安全和视频监控

人机交互

生物识别技术

娱乐

还有很多。

实施

现在让我们学习如何使用 Python 中的 OpenCV 库通过相机或图片输入来确定年龄和性别。

使用的框架是 Caffe，用于使用原型文件创建模型。

让我们开始吧，如果我们还没有安装 OpenCV，请确保已经安装了它。

$ pip install opencv-python numpy

第 1 步：导入库

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

第 2 步：在框架中查找边界框坐标

使用下面的用户定义函数，我们可以获得边界框的坐标，也可以说人脸在图像中的位置。

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：加载模型和权重文件

项目目录中必须包含以下文件：

gender_net.caffemodel：用于性别检测的预训练模型权重。
deploy_gender.prototxt：性别检测模型的模型架构。
age_net.caffemodel：用于年龄检测的预训练模型权重。
deploy_age.prototxt：年龄检测模型的模型架构。
res10_300x300_ssd_iter_140000_fp16.caffemodel：用于人脸检测的预训练模型权重。
deploy.prototxt.txt：人脸检测模型的模型架构。

我们有一个用于人脸检测的 .pb 文件，它是一个 protobuf 文件（协议缓冲区），其中包含模型的图形定义和训练权重。这就是我们将用来执行经过训练模型的内容。虽然.pb 文件包含二进制格式的 protobuf，但.pbtxt 文件包含文本格式的 protobuf。包含 TensorFlow 文件。.prototxt 文件提供了年龄和性别的网络配置，而 .caffemodel 文件定义了图层参数的内部状态。

然后，对于人脸、年龄和性别检测模型，定义权重和结构变量。

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：年龄和性别类别列表

设置模型的平均值以及要从中进行分类的年龄组和性别列表。

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：加载网络

要加载网络，请使用 readNet() 方法。第一个参数用于存储训练权重，第二个参数用于保存网络配置。

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

第 6 步：预测性别和年龄的函数

下面的用户定义函数是 pipline 或者我们可以说是主要工作流程的实现，在该工作流程中，图像进入函数以获取位置，并进一步预测年龄范围和性别。

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：预测

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

在这里，我们可以看到性别预测的置信度为 1（100%），而年龄预测的置信度则要低一些，因为它很难确准。

在这篇文章中，我们学习了如何创建一个年龄预测器，它也可以检测你的脸并用边框突出显示。