本文主要介紹了用OpenCV進(jìn)行年齡和性別檢測(cè)的實(shí)現(xiàn)示例，分享給大家，具體如下：

在本文中，我將帶您完成用 Python 進(jìn)行機(jī)器學(xué)習(xí)的年齡和性別檢測(cè)的任務(wù)。年齡和性別檢測(cè)屬于計(jì)算機(jī)視覺的范疇，因此我將在Python中使用OpenCV庫(kù)。

在開始使用Python進(jìn)行年齡和性別檢測(cè)任務(wù)之前，我將首先帶您了解該概念的含義以及如何處理年齡和性別檢測(cè)問題。理解這個(gè)概念很重要，以便將來您不僅可以使用python，還可以使用任何編程語言輕松地執(zhí)行年齡和性別檢測(cè)任務(wù)。

年齡和性別檢測(cè)簡(jiǎn)介

檢測(cè)年齡和性別的任務(wù)是一個(gè)固有的難題，比許多其他計(jì)算機(jī)視覺任務(wù)更為困難。造成這種困難的主要原因在于訓(xùn)練這些類型的系統(tǒng)所需的數(shù)據(jù)。

盡管一般的對(duì)象檢測(cè)任務(wù)通常可以訪問成千上萬甚至數(shù)百萬張圖像進(jìn)行訓(xùn)練，但是帶有年齡或性別標(biāo)簽的數(shù)據(jù)集卻要小得多，通常只有幾千個(gè)，或者最好是幾萬個(gè)。

原因是要為此類圖像添加標(biāo)簽，我們需要訪問圖像中主題的個(gè)人信息。即，我們將需要他們的出生日期和性別，尤其出生日期是很難獲取的信息。

因此必須解決這個(gè)問題的本質(zhì)，我們正在用適應(yīng)網(wǎng)絡(luò)體系結(jié)構(gòu)和算法方法來解決這些局限性。

用Python進(jìn)行年齡和性別檢測(cè)

按年齡和性別分類的領(lǐng)域已經(jīng)研究了數(shù)十年。多年來，已經(jīng)采取了各種方法來解決該問題，并且取得了不同程度的成功。現(xiàn)在，我們開始使用 Python 來檢測(cè)年齡和性別。

我將把性別檢測(cè)問題作為分類問題，將年齡檢測(cè)問題作為回歸問題。但是，使用回歸準(zhǔn)確估計(jì)年齡是困難的。甚至人類也無法通過注視一個(gè)人來準(zhǔn)確預(yù)測(cè)年齡。但是，我們確實(shí)知道他們是30多歲還是40多歲。這也是我要使用Python進(jìn)行的操作。

現(xiàn)在，讓我們開始使用 Python 語言進(jìn)行年齡和性別檢測(cè)任務(wù)。首先，我將開始編寫用于檢測(cè)面部的代碼，因?yàn)槿绻麤]有面部檢測(cè)，我們將無法繼續(xù)進(jìn)行年齡和性別預(yù)測(cè)任務(wù)。

您可以從此處下載在年齡和性別檢測(cè)任務(wù)中所需的必要的OpenCV預(yù)訓(xùn)練模型?，F(xiàn)在，在您的python文件中導(dǎo)入OpenCV模塊后，即可開始使用以下代碼。

用于人臉檢測(cè)的Python代碼：

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

現(xiàn)在，下一步是預(yù)測(cè)圖像中人的性別。在這里，我將把性別網(wǎng)絡(luò)加載到內(nèi)存中，并通過網(wǎng)絡(luò)將檢測(cè)到的面部發(fā)送給性別檢測(cè)任務(wù)。

性別檢測(cè)的Python代碼：

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))

現(xiàn)在的下一個(gè)任務(wù)是預(yù)測(cè)圖像中人的年齡。在這里，我將使用前向傳遞來獲取輸出。由于網(wǎng)絡(luò)架構(gòu)類似于性別網(wǎng)絡(luò)，因此我們可以充分利用所有輸出，以獲取預(yù)期的年齡組，來完成任務(wù)以檢測(cè)年齡。

用于年齡檢測(cè)的Python代碼：

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))

我們需要編寫的最后代碼是顯示輸出：

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，從輸出中可以看到，我們能夠高度準(zhǔn)確地預(yù)測(cè)性別和年齡。

到此這篇關(guān)于用OpenCV進(jìn)行年齡和性別檢測(cè)的實(shí)現(xiàn)示例的文章就介紹到這了,更多相關(guān)OpenCV 年齡和性別檢測(cè)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！