【手把手教学】基于OPenCV与深度学习实现人物年龄检测【附完整源码】
【手把手教学】基于OPenCV与深度学习实现人物年龄检测【附完整源码】
《博主简介》
小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
👍感谢小伙伴们点赞、关注！
《------往期经典推荐------》
二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~
《------正文------》
目录
引言
在当今社会，人工智能技术在各个领域都发挥着越来越重要的作用。其中，人脸识别技术作为计算机视觉领域的热点，已经广泛应用于安全监控、智能交互等多个场景。本文将带领大家深入了解如何使用OpenCV库进行人物的年龄预测。通过这个项目，我们将学习如何将先进的人工智能技术应用于实际生活中，实现对人物年龄的智能识别。
在本教程中，我们将看到使用OpenCV创建年龄预测器项目的整个过程。实现效果如下：
年龄检测
我们的目标是创建一个程序，使用图像预测人的年龄。但是预测年龄可能不像你想象的那么简单，为什么？你可能认为年龄预测是一个回归问题，对吗？你这么想是对的。然而，当研究人员将其视为回归问题时，他们面临着许多不确定性，如相机质量，亮度，气候条件，背景等。
解决办法是什么？
这个问题的解决方案很简单，我们可以不是预测一个精确的年龄数值，而是将年龄分类到一个特定的范围，如0- 6，18 -25等，这就是研究人员所做的，发现结果是惊人的，准确性在现实世界的场景中上升了很多。
现在我们已经清楚了我们的问题，让我们继续并开始创建我们的程序。
工作流程
下载所需文件
我们将使用预先训练的模型进行年龄预测，因为我们的主要重点是如何使用OpenCV实现年龄预测器。
您可以在这里下载所需的所有文件，下载地址：https://drive.google.com/file/d/1yy_poZSFAPKi0y2e2yj9XDe1N8xXYuKB/view【注：我已经将需要的文件都下载打包好了，需要的小伙伴也可以在文末获取。】
构建主程序
我把主程序分解成5个步骤，使其更容易理解，然后在最后我写了整个程序的代码，你可以尝试和运行自己。
步骤1：创建镜像实例
在这里，我们将使用OpenCV包来实例化输入图像的对象，如果你不明白这一点，那么你应该首先阅读如何在OpenCV中读取/捕获视频。
现在我们有了输入图像，下一步是实例化我们的模型。
import cv2
import dlib
import numpy as np
img = cv2.imread('assets/kid1.jpg')
img = cv2.resize(img, (720, 640))
frame = img.copy()
步骤2：使用模型创建DNN
在OpenCV中，我们创建一个DNN深度神经网络来加载预训练的模型并将其传递到模型文件。
我们首先创建变量来存储模型文件的文件路径，然后定义模型变量-这些变量因模型而异，我已经为我们使用的Caffe模型取了这些值。
# ------------ Model for Age detection --------#
age_weights = "Models/age_deploy.prototxt"
age_config = "Models/age_net.caffemodel"
age_Net = cv2.dnn.readNet(age_config, age_weights)
# Model requirements for image
ageList = ['(0-2)', '(4-6)', '(8-12)', '(15-20)',
'(25-32)', '(38-43)', '(48-53)', '(60-100)']
model_mean = (78.4263377603, 87.7689143744, 114.895847746)
注意：这是使用OpenCV将预训练模型用于计算机视觉所需遵循的过程/步骤。
现在我们有了模型，让我们尝试在图像/视频中检测人脸。
步骤3：人脸检测
在这个程序中，为了简单起见，我使用了***dlib.get_frontal_face_detector（）***方法进行人脸检测，但你绝对可以尝试使用自定义模型或预训练模型。
有很多注释，使您更容易理解代码的每一行。
# ------------- Model for face detection---------#
face_detector = dlib.get_frontal_face_detector()
# converting to grayscale
img_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# -------------detecting the faces--------------#
faces = face_detector(img_gray)
# If no faces our detected
if not faces:
mssg = 'No face detected'
cv2.putText(img, f'{mssg}', (40, 40),
cv2.FONT_HERSHEY_SIMPLEX, 2, (200), 2)
cv2.imshow('Age detected', img)
cv2.waitKey(0)
步骤4.年龄检测
在我们传递图像作为输入之前，我们必须根据模型的输入层将其更改为所需的尺寸，对吗？这是通过OpenCV中***的blobFromImage（）***函数完成的。
然后，将此blob作为输入传递到年龄检测器模型。
for box in Boxes:
face = frame[box[1]:box[3], box[0]:box[2]]
# ----- Image preprocessing --------#
blob = cv2.dnn.blobFromImage(
face, 1.0, (227, 227), model_mean, swapRB=False)
# -------Age Prediction---------#
age_Net.setInput(blob)
age_preds = age_Net.forward()
age = ageList[age_preds[0].argmax()]
步骤5：显示检测结果图像
现在我们有了预测，我们将把它们作为文本，并在最终的输出图像中显示它们。
cv2.putText(frame, f'{mssg}:{age}', (box[0],
box[1] - 10),
cv2.FONT_HERSHEY_SIMPLEX, 0.8,
(0, 255, 255), 2, cv2.LINE_AA)
cv2.imshow("Detecting Age", frame)
cv2.waitKey(0)
完整源码
这是最终的程序代码，结合了所有5个步骤，您可以直接在计算机上运行。
import cv2
import dlib
import numpy as np
img = cv2.imread('assets/kid1.jpg')
img = cv2.resize(img, (720, 640))
frame = img.copy()
# ------------ Model for Age detection --------#
age_weights = "Models/age_deploy.prototxt"
age_config = "Models/age_net.caffemodel"
age_Net = cv2.dnn.readNet(age_config, age_weights)
# Model requirements for image
ageList = ['(0-2)', '(4-6)', '(8-12)', '(15-20)',
'(25-32)', '(38-43)', '(48-53)', '(60-100)']
model_mean = (78.4263377603, 87.7689143744, 114.895847746)
# storing the image dimensions
fH = img.shape[0]
fW = img.shape[1]
Boxes = [] # to store the face co-ordinates
mssg = 'Face Detected' # to display on image
# ------------- Model for face detection---------#
face_detector = dlib.get_frontal_face_detector()
# converting to grayscale
img_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# -------------detecting the faces--------------#
faces = face_detector(img_gray)
# If no faces our detected
if not faces:
mssg = 'No face detected'
cv2.putText(img, f'{mssg}', (40, 40),
cv2.FONT_HERSHEY_SIMPLEX, 2, (200), 2)
cv2.imshow('Age detected', img)
cv2.waitKey(0)
else:
# --------- Bounding Face ---------#
for face in faces:
x = face.left() # extracting the face coordinates
y = face.top()
x2 = face.right()
y2 = face.bottom()
# rescaling those coordinates for our image
box = [x, y, x2, y2]
Boxes.append(box)
cv2.rectangle(frame, (x, y), (x2, y2),
(00, 200, 200), 2)
for box in Boxes:
face = frame[box[1]:box[3], box[0]:box[2]]
# ----- Image preprocessing --------#
blob = cv2.dnn.blobFromImage(
face, 1.0, (227, 227), model_mean, swapRB=False)
# -------Age Prediction---------#
age_Net.setInput(blob)
age_preds = age_Net.forward()
age = ageList[age_preds[0].argmax()]
cv2.putText(frame, f'{mssg}:{age}', (box[0],
box[1] - 10),
cv2.FONT_HERSHEY_SIMPLEX, 0.8,
(0, 255, 255), 2, cv2.LINE_AA)
cv2.imshow("Detecting Age", frame)
cv2.waitKey(0)
输出：
可自行尝试内容：
- 尝试摄像头实时检测的代码
- 尝试使用另一个预先训练的模型，如YOLO或创建自己的模型
- 您还可以添加另一个模型来检测人的活力/情绪。
好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！
脑启社区是一个专注类脑智能领域的开发者社区。欢迎加入社区，共建类脑智能生态。社区为开发者提供了丰富的开源类脑工具软件、类脑算法模型及数据集、类脑知识库、类脑技术培训课程以及类脑应用案例等资源。
更多推荐
17
0- 0
已为社区贡献46条内容
所有评论(0)