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。
代码语言：javascript复制$ pip install opencv-python numpy第 1 步：导入库
代码语言：javascript复制# 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。
代码语言：javascript复制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。
代码语言：javascript复制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。
代码语言：javascript复制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。
代码语言：javascript复制# 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。
代码语言：javascript复制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
代码语言：javascript复制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。
