人工智能opencv使用深度学习对人脸进行实时视频的性别检测
抖音的美颜功能强大到能把男人变成伪娘，甚至还有年轻小伙刷礼物，疯狂追求，殊不知，你追求的大美女在生活中却是一个油腻大叔。本期文章带你如何使用人工智能技术打假抖音伪娘
人脸年龄的检测步骤
0、打开摄像头，获取图片数据
1、对图片进行人脸的检测，需要人脸检测模型
2、把检测到的人脸数据给性别检测模型去检测，需要性别检测模型
3、把检测结果实时呈现到图片上
import numpy as np
import time
import cv2
import os
def predict_gender(frame, faceNet, ageNet):
genderList = ['Male', 'Female']
results = []
(h, w) = frame.shape[:2]
blob = cv2.dnn.blobFromImage(frame, 1.0, (300, 300), (104.0, 177.0, 123.0))
faceNet.setInput(blob)
detections = faceNet.forward()
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 = frame[startY:endY, startX:endX]
if face.shape[0] < 20 or face.shape[1] < 20:
continue
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]
d = { "loc": (startX, startY, endX, endY), "gender": (gender, genderConfidence)}
results.append(d)
return results首先导入需要的第三方库，主要使用opencv 与性别检测模型
传入从摄像头中读取的图片
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，进行人脸的预测
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把性别的每个概率进行对比，并提取最大概率的性别的index
gender = genderList[i]获取性别
genderConfidence = preds[0][i]获取性别概率
最后把检测到的数据呈现到图片上并显示图片
通过以上我们建立了性别检测的函数，接下来需要传入函数需要的模型与图片
加载模型
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)分别加载人脸检测模型与人脸性别检测模型
打开摄像头进行图片读取与检测
capture = cv2.VideoCapture(0)
time.sleep(2.0)
while True:
ret, frame = capture.read()
#frame = cv2.resize(frame, (600,400))
results = predict_gender(frame, faceNet, genderNet)
for r in results:
text = "{}: {:.2f}%".format(r["gender"][0], r["gender"][1] * 100)
(startX, startY, endX, endY) = r["loc"]
y = startY - 10 if startY - 10 > 10 else startY + 10
cv2.rectangle(frame, (startX, startY), (endX, endY),(0, 0, 255), 2)
cv2.putText(frame, text, (startX, y),cv2.FONT_HERSHEY_SIMPLEX, 0.45, (0, 0, 255), 2)
cv2.imshow("Frame", frame)
key = cv2.waitKey(1) & 0xFF
if key == ord("q"):
break
cv2.stop()
cv2.destroyAllWindows()capture = cv2.VideoCapture(0)打开默认的笔记本摄像头
time.sleep(2.0)延时为了摄像头的热启动
使用capture.read()来读取每个视频帧中的图片，然后传入性别检测模型，当获取检测结果后，实时显示到视频上。
