用OpenCV进行年龄和性别检测的实现示例

本文主要介绍了用OpenCV进行年龄和性别检测的实现示例，分享给大家，具体如下：

在本文中，我将带您完成用 Python 进行机器学习的年龄和性别检测的任务。年龄和性别检测属于计算机视觉的范畴，因此我将在Python中使用OpenCV库。

在开始使用Python进行年龄和性别检测任务之前，我将首先带您了解该概念的含义以及如何处理年龄和性别检测问题。理解这个概念很重要，以便将来您不仅可以使用python，还可以使用任何编程语言轻松地执行年龄和性别检测任务。

年龄和性别检测简介

检测年龄和性别的任务是一个固有的难题，比许多其他计算机视觉任务更为困难。造成这种困难的主要原因在于训练这些类型的系统所需的数据。

尽管一般的对象检测任务通常可以访问成千上万甚至数百万张图像进行训练，但是带有年龄或性别标签的数据集却要小得多，通常只有几千个，或者最好是几万个。

原因是要为此类图像添加标签，我们需要访问图像中主题的个人信息。即，我们将需要他们的出生日期和性别，尤其出生日期是很难获取的信息。

因此必须解决这个问题的本质，我们正在用适应网络体系结构和算法方法来解决这些局限性。

用Python进行年龄和性别检测

按年龄和性别分类的领域已经研究了数十年。多年来，已经采取了各种方法来解决该问题，并且取得了不同程度的成功。现在，我们开始使用 Python 来检测年龄和性别。

我将把性别检测问题作为分类问题，将年龄检测问题作为回归问题。但是，使用回归准确估计年龄是困难的。甚至人类也无法通过注视一个人来准确预测年龄。但是，我们确实知道他们是30多岁还是40多岁。这也是我要使用Python进行的操作。

现在，让我们开始使用 Python 语言进行年龄和性别检测任务。首先，我将开始编写用于检测面部的代码，因为如果没有面部检测，我们将无法继续进行年龄和性别预测任务。

您可以从此处下载在年龄和性别检测任务中所需的必要的OpenCV预训练模型。现在，在您的python文件中导入OpenCV模块后，即可开始使用以下代码。

用于人脸检测的Python代码：

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

现在，下一步是预测图像中人的性别。在这里，我将把性别网络加载到内存中，并通过网络将检测到的面部发送给性别检测任务。

性别检测的Python代码：

genderProto = "gender_deploy.prototxt"
genderModel = "gender_net.caffemodel"
ageNet = cv.dnn.readNet(ageModel, ageProto)

genderList = ['Male', 'Female']

blob = cv.dnn.blobFromImage(face, 1, (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 : {}".format(gender))

现在的下一个任务是预测图像中人的年龄。在这里，我将使用前向传递来获取输出。由于网络架构类似于性别网络，因此我们可以充分利用所有输出，以获取预期的年龄组，来完成任务以检测年龄。

用于年龄检测的Python代码：

ageProto = "age_deploy.prototxt"
ageModel = "age_net.caffemodel"
ageNet = cv.dnn.readNet(ageModel, ageProto)

ageList = ['(0 - 2)', '(4 - 6)', '(8 - 12)', '(15 - 20)', '(25 - 32)', '(38 - 43)', '(48 - 53)', '(60 - 100)']

ageNet.setInput(blob)
agePreds = ageNet.forward()
age = ageList[agePreds[0].argmax()]
print("Gender Output : {}".format(agePreds))
print("Gender : {}".format(age))

我们需要编写的最后代码是显示输出：

label = "{}, {}".format(gender, age)
cv.putText(frameFace, label, (bbox[0], bbox[1]-20), cv.FONT_HERSHEY_SIMPLEX, 0.8, (255, 0, 0), 3, cv.LINE_AA)
cv.imshow("Age Gender Demo", frameFace)

因此，从输出中可以看到，我们能够高度准确地预测性别和年龄。

来源：https://blog.csdn.net/BF02jgtRS00XKtCx/article/details/111570089