【计算机视觉40例】案例40：识别性别与年龄

识别年龄和性别是一个有趣的应用，在很多场合我们都可以看到该应用。本文中，我们使用OpenCV自带的人脸检测器及Levi等人设计的卷积神经网络模型识别人脸对应的年龄和性别。

Levi等人在《Age and Gender Classification Using Convolutional Neural Networks》中提出了一种训练数据有限时也具有较好性能的卷积神经网络。其提出的网络模型如图1所示，它包含三个卷积层和两个全连接层。第一个卷积层包含 96 个7×7像素的卷积核，第二个卷积层包含 256 个 5×5 像素的卷积核，第三个卷积层包含 384 个3×3像素的卷积核。卷积层后面的两个全连接层，每个层包含 512 个神经元。最后的输出是每个分类所对应的标签。

 

图1 网络结构

其具体结构如图2所示，在第一个卷积层和第二个卷积层的后面都有ReLU层、最大池化层、局部响应归一化层 (Local Response Normalization，LRN) 。在第三个卷积层的后面仅有ReLU层、最大池化层。全连接层都具有512个神经元，第一个全连接层接收第三个卷积层的输入，第二个全连接层接收第一个全连接层的512个输出作为输入，两个全连接层后面都伴有ReLU层、随机失活（dropout）层。最后的输出是所有年龄、性别所对应的分类标签。

 

图2 具体结构

Levi等针对该论文在github上提供了官方网页，可以下载相应的实现代码和训练好的模型，本节使用的模型即来源于其官方网页。

识别年龄和性别核心代码：

# ========自定义函数，获取人脸包围框===============
 
def getBoxes(net, frame):
 
    frameHeight, frameWidth = frame.shape[:2]  # 获取高度、宽度
 
    # 将图像（帧）处理为DNN可以接收的格式
 
    blob = cv2.dnn.blobFromImage(frame, 1.0, (300, 300),
 
                                 [104, 117, 123], True, False)
 
    # 调用网络模型，检测人脸
 
    net.setInput(blob)
 
    detections = net.forward() 
 
    # faceBoxes存储检测到的人脸
 
    faceBoxes = []
 
    for i in range(detections.shape[2]):
 
        confidence = detections[0, 0, i, 2]
 
        if confidence > 0.7:  #筛选一下，将置信度大于0.7侧保留，其余不要了           
 
            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)
 
            faceBoxes.append([x1, y1, x2, y2])  # 人脸框的坐标
 
            # 绘制人脸框
 
            cv2.rectangle(frame, (x1, y1), (x2, y2),
 
                          (0, 255, 0), int(round(frameHeight / 150)),6) 
 
    # 返回绘制了人脸框的帧frame、人脸包围框faceBoxes
 
    return frame, faceBoxes
 
# ==========循环读取每一帧，并处理=========
 
cap = cv2.VideoCapture(0, cv2.CAP_DSHOW)   #装载摄像头
 
while True:
 
    # 读一帧
 
    _, frame = cap.read()
 
    # 做个镜像处理，左右互换(避免和照镜子一样是反的)
 
    # frame = cv2.flip(frame, 1)
 
    # 调用函数getFaceBox，获取人脸包围框、绘制人脸包围框（可能多个）
 
    frame, faceBoxes = getBoxes(faceNet, frame)
 
    if not faceBoxes:  #没有人脸时检测下一帧，后续循环操作不再继续。
 
        print("当前帧内不存在人脸")
 
        continue
 
    #  遍历每一个人脸包围框
 
    for faceBox in faceBoxes:
 
        # 处理frame，将其处理为符合DNN输入的格式
 
        blob = cv2.dnn.blobFromImage(frame, 1.0, (227, 227),mean)
 
        # 调用模型，预测性别
 
        genderNet.setInput(blob)  
 
        genderOuts = genderNet.forward()  
 
        gender = genderList[genderOuts[0].argmax()]  
 
        # 调用模型，预测年龄
 
        ageNet.setInput(blob)
 
        ageOuts = ageNet.forward()
 
        age = ageList[ageOuts[0].argmax()]
 
        # 格式化文本（年龄、性别）
 
        result = "{},{}".format(gender, age)
 
        # 输出性别和年龄
 
        cv2.putText(frame, result, (faceBox[0], faceBox[1] - 10),
 
                    cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 255), 2,
 
                   cv2.LINE_AA)        
 
        # 显示性别、年龄
 
        cv2.imshow("result", frame)
 
    # 按下Esc键，退出程序
 
    if cv2.waitKey(1) == 27:
 
        break

运行程序，程序运行结果如图3所示。

 

图3  运算结果

在《计算机视觉40例——从入门到深度学习（OpenCV-Python）》第28章《人脸识别应用案例》中详细介绍了人脸表情识别、驾驶员疲劳监测、易容术、识别性别与年龄等案例。

《计算机视觉40例——从入门到深度学习（OpenCV-Python）》在介绍Python基础、OpenCV基础、计算机视觉理论基础、深度学习理论的基础上，介绍了计算机视觉领域内具有代表性的40个典型案例。这些案例中，既有传统的案例（数字识别、答题卡识别、物体计数、缺陷检测、手势识别、隐身术、以图搜图、车牌识别、图像加密、指纹识别等），也有深度学习案例（图像分类、风格迁移、姿势识别、实例分割等），还有人脸识别方面的案例（表情识别、驾驶员疲劳监测、识别性别与年龄等）。