人工智能opencv 使用深度学习进行人脸性别的检测

发布于 作者:

前期的文章我们分享了人脸的识别以及如何进行人脸数据的训练，本期文章我们结合人脸识别的

模型进行人脸性别的检测

人脸性别的检测步骤

1、首先需要进行人脸的检测

2、把检测到的人脸数据给性别检测模型去检测

3、把检测结果呈现到图片上

import numpy as np
import cv2
import os
genderList = ['Male', 'Female']
prototxtFacePath =  "model/deploy.prototxt"
weightsFacePath = "model/res10_300x300_ssd_iter_140000.caffemodel"
faceNet = cv2.dnn.readNet(prototxtFacePath, weightsFacePath)
prototxtGenderPath = "model/deploy_gender.prototxt"
weightsGenderPath = "model/gender_net.caffemodel"
genderNet = cv2.dnn.readNet(prototxtGenderPath, weightsGenderPath)

初始化模型性别，当然你也可以使用大量的数据，进行更准确的模型训练

然后cv2.dnn.readNet加载人脸识别的模型,可参考往期文章

顺便在这里介绍一下由人工智能研究所出品的专栏，人工智能目标检测与目标追踪

最后cv2.dnn.readNet加载人脸年龄的模型

image = cv2.imread("image/img.jpg")
(h, w) = image.shape[:2]
blob = cv2.dnn.blobFromImage(image, 1.0, (300, 300),
	(104.0, 177.0, 123.0))
faceNet.setInput(blob)
detections = faceNet.forward()

使用cv2.imread来读取要检测的图片

image.shape来获取图片的尺寸

cv2.dnn.blobFromImage来计算图片的blob值

blob = cv2.dnn.blobFromImage(image, scalefactor=1.0, size, mean, swapRB=True，crop=False,ddepth = CV_32F )

1.image，这是传入的，需要进行处理的图像。

2.scalefactor，执行完减均值后，需要缩放图像，默认是1，需要注意，scalefactor = 1 / \sigma,这是真正乘上的值。

3.size,这是神经网络，真正支持输入的值。

4.mean,这是我们要减去的均值，可以是R,G,B均值三元组，或者是一个值，每个通道都减这值。如果执行减均值，通道顺序是R、G、B。 如果，输入图像通道顺序是B、G、R，那么请确保swapRB = True，交换通道。

5.swapRB，OpenCV认为图像 通道顺序是B、G、R，而减均值时顺序是R、G、B，为了解决这个矛盾，设置swapRB=True即可。

6.crop,如果crop裁剪为真，则调整输入图像的大小，使调整大小后的一侧等于相应的尺寸，另一侧等于或大于。然后，从中心进行裁剪。如果“裁剪”为“假”，则直接调整大小而不进行裁剪并保留纵横比。

7.ddepth, 输出blob的深度，选择CV_32F or CV_8U

cv2.dnn.blobFromImage这个函数执行：

1.减均值

2.缩放

3.通道交换

等工作，主要对图片进行预处理，以便神经网络的学习分类

最后把图片的blob值放入神经网络，进行人脸性别的预测

for i in range(0, detections.shape[2]):
	confidence = detections[0, 0, i, 2]
	if confidence > 0.5:
		box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
		(startX, startY, endX, endY) = box.astype("int")
		face = image[startY:endY, startX:endX]
		faceBlob = cv2.dnn.blobFromImage(face, 1.0, (227, 227),(78.4263377603, 87.7689143744, 114.895847746),swapRB=False)
		genderNet.setInput(faceBlob)
		preds = genderNet.forward()
		i = preds[0].argmax()
		gender = genderList[i]
		genderConfidence = preds[0][i]
		text = "{}: {:.2f}%".format(gender, genderConfidence * 100)
		y = startY - 10 if startY - 10 > 10 else startY + 10
		cv2.rectangle(image, (startX, startY), (endX, endY),(0, 0, 255), 2)
		cv2.putText(image, text, (startX, y),cv2.FONT_HERSHEY_SIMPLEX, 0.45, (0, 0, 255), 2)

detections.shape[2]来存放神经网络检测到的人脸，通过遍历这个list

来获取每个人脸的置信度，当置信度大于0.5时，我们认为是一个合格的人脸

startX, startY, endX, endY来获取人脸在图片中的坐标

有了人脸的坐标就可以把人脸这部分单独提出来来计算人脸图片的blob值

把人脸blob值放入性别检测模型中进行人脸性别的检测preds

preds[0].argmax把性别每个概率进行对比，并提取最大概率的性别的index

gender = genderList[i]便可以得到我们检测的人脸性别

genderConfidence = preds[0][i] 人脸性别的检测置信度

最后把检测到的数据呈现到图片上并显示图片

cv2.imshow("Image", image)
cv2.waitKey(0)