（附代碼）實(shí)戰(zhàn) | 用OpenCV和深度學(xué)習(xí)進(jìn)行年齡識(shí)別
點(diǎn)擊左上方藍(lán)字關(guān)注我們
轉(zhuǎn)載自 | python程序員
用OpenCV和深度學(xué)習(xí)進(jìn)行年齡識(shí)別
在本文的第一部分關(guān)于年齡識(shí)別，包括從圖片或視頻中自動(dòng)預(yù)測人的年齡所需要的步驟（以及為何將年齡識(shí)別當(dāng)做分類問題而不是回歸問題來處理）。
下面我們將介紹這個(gè)基于深度學(xué)習(xí)的年齡識(shí)別模型，然后學(xué)習(xí)如何將該模型應(yīng)用在兩個(gè)方面：
靜態(tài)圖像中的年齡識(shí)別 實(shí)時(shí)視頻中的年齡識(shí)別
什么是年齡識(shí)別？
年齡識(shí)別是僅用人臉的照片去自動(dòng)識(shí)別其年齡的過程，通常，年齡識(shí)別可分為兩個(gè)階段進(jìn)行實(shí)現(xiàn)：
階段1. ：檢測輸入圖像/視頻中的人臉; 階段2：提取人的面部區(qū)域（ROI），并通過年齡檢測算法預(yù)測人的年齡。
對(duì)于第一階段，可以使用任何能夠?yàn)閳D片中的人臉生成邊框的人臉檢測器。這些檢測器包括但不限于Haar cascades，HOG+線性SVM，單鏡頭檢測器（SSD）等。
具體使用哪種人臉檢測器取決于您的項(xiàng)目：
Haar cascades速度很快，并且能夠在嵌入式設(shè)備上實(shí)時(shí)運(yùn)行。缺點(diǎn)是準(zhǔn)確度較低，并且極易出現(xiàn)假陽性檢測。 HOG+線性SVM模型比Haar cascades更精確，但速度較慢。它們對(duì)遮擋（即部分面部可見）或視角變化（即面部的不同視圖）的容錯(cuò)性也較低。 基于深度學(xué)習(xí)的人臉檢測器功能最為強(qiáng)大，它提供了最高的準(zhǔn)確度，但比Haar cascades和HOG+線性SVM需要更多的計(jì)算資源。
當(dāng)選擇人臉檢測器時(shí)，需要花點(diǎn)時(shí)間考慮您的項(xiàng)目需求——速度或準(zhǔn)確性，哪個(gè)對(duì)您更加重要？除此之外，還建議您對(duì)每個(gè)人臉檢測器進(jìn)行試驗(yàn)，以便從實(shí)驗(yàn)結(jié)果中擇優(yōu)而從。
一旦您的人臉檢測器在圖像/視頻中生成了人臉的邊界框坐標(biāo)，就可以進(jìn)入第二階段——確定人的年齡。
確定了臉部的邊界框坐標(biāo)（x，y）后，首先提取面部ROI，而忽略圖像/幀的其余部分。以便將年齡檢測器的注意力放在人臉上，而非圖像中其他不相關(guān)的“噪點(diǎn)”。然后將面部ROI傳遞給模型，從而得到實(shí)際的年齡預(yù)測。
年齡檢測器的算法有很多，但是最受歡迎的是基于深度學(xué)習(xí)的年齡檢測器——在本教程中，將使用這種基于深度學(xué)習(xí)的年齡檢測器。
基于深度學(xué)習(xí)的年齡檢測器模型
本文中使用的深度學(xué)習(xí)年齡檢測器模型是Levi和Hassner發(fā)表的《使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行年齡和性別分類》中構(gòu)建和訓(xùn)練的。該文作者提出了一個(gè)類似AlexNet的簡單體系，該體系總共學(xué)習(xí)了8個(gè)年齡段：
0-2 4-6 8-12 15-20 25-32 38-43 48-53 60-100
您可能會(huì)注意到這些年齡段是不連續(xù)的，這是有意而為。因?yàn)橛糜谟?xùn)練模型的Adience數(shù)據(jù)集定義了年齡段（下一節(jié)中將介紹為什么這樣做）。
在這篇文章中，我們將使用預(yù)先訓(xùn)練的年齡檢測器模型。如果您有興趣學(xué)習(xí)如何從頭開始訓(xùn)練它，請(qǐng)務(wù)必閱讀《用Python進(jìn)行計(jì)算機(jī)視覺深度學(xué)習(xí)》，在那里我將向您展示如何訓(xùn)練。
我們?yōu)槭裁床粚⒛挲g預(yù)測看做回歸問題？
您會(huì)在上面注意到，我們將年齡離散化為"不同的區(qū)間”，從而將年齡預(yù)測作為分類問題——為什么不將它看做回歸問題？
從技術(shù)上講，沒有理由不能將年齡預(yù)測看做回歸任務(wù)。甚至有一些模型可以通過回歸來實(shí)現(xiàn)。問題在于年齡預(yù)測本質(zhì)上是主觀的，并且僅基于容貌。
一個(gè)五十多歲的人，從未吸過煙、出門總是擦防曬霜、每天都要護(hù)理皮膚，相比一個(gè)三十多歲的人一天要抽很多煙、不擦防曬霜、從事體力勞動(dòng)，且沒有適當(dāng)?shù)钠つw護(hù)理的人，五十歲的人很可能看起來比三十歲的人年輕。
而且，基因是衰老最重要的驅(qū)動(dòng)因素。有些人就是比其他人衰老得慢。
例如，看看下面的 Matthew Perry（在電視情景喜劇Friends中扮演Chandler Bing）的圖片，并將它與Jennifer Aniston（扮演Rachel Green）的圖片進(jìn)行比較：
您能猜出 Matthew Perry（50歲）實(shí)際上比 Jennifer Aniston（51歲）小一歲嗎？若非您事先了解了關(guān)于這些演員的情況，否則我不會(huì)相信。
但另一方面，您能猜到這些演員在48-53歲嗎？這個(gè)準(zhǔn)確率恐怕高一些。
雖然人類天生不擅長預(yù)測年齡的準(zhǔn)確值，但我們實(shí)際上在預(yù)測年齡段方面還是不錯(cuò)的。當(dāng)然上面只是一個(gè)示例，Jennifer Aniston的基因近乎完美，再加上有非常優(yōu)秀的整形外科醫(yī)生，她似乎青春不老。
但這印證了我的觀點(diǎn)——如果人類準(zhǔn)確地預(yù)測一個(gè)人的年齡很困難的話，那么機(jī)器肯定也會(huì)同樣困難。
一旦將年齡預(yù)測看做回歸問題，那么對(duì)于一個(gè)模型，要準(zhǔn)確預(yù)測人的圖像中的年齡值是極困難的。但如果您將其視為分類問題，為模型定義了年齡段，那么我們的年齡預(yù)測模型將更容易訓(xùn)練，通常會(huì)比基于回歸的預(yù)測提供更高的準(zhǔn)確性。
簡而言之：將年齡預(yù)測看做分類問題可以極大地"緩解”準(zhǔn)確程度——通常我們不需要一個(gè)人的確切年齡，粗略的估計(jì)就足夠了。
項(xiàng)目結(jié)構(gòu)
您可從本文相關(guān)鏈接中獲取代碼，模型和圖片，提取文件后，您的項(xiàng)目將如下所示：
$ tree --dirsfirst
.
├── age_detector
│ ├── age_deploy.prototxt
│ └── age_net.caffemodel
├── face_detector
│ ├── deploy.prototxt
│ └── res10_300x300_ssd_iter_140000.caffemodel
├── images
│ ├── adrian.png
│ ├── neil_patrick_harris.png
│ └── samuel_l_jackson.png
├── detect_age.py
└── detect_age_video.py
3 directories, 9 files
前兩個(gè)目錄由年齡預(yù)測器和面部檢測器組成。這兩個(gè)深度學(xué)習(xí)模型都基于Caffe。
這里提供了三張用于年齡預(yù)測的測試圖片，您也可以添加自己的圖片。
在本教程的其余部分，我們將討論這兩個(gè)Python腳本：
detect\_age.py：圖片年齡預(yù)測detect\_age\_video.py：視頻年齡預(yù)測
這些腳本都會(huì)檢測圖片/幀中的人臉，然后使用OpenCV對(duì)它們進(jìn)行年齡預(yù)測。
運(yùn)行該 OpenCV 圖像年齡檢測器
首先，開始在靜態(tài)圖像中使用OpenCV進(jìn)行年齡檢測。在目錄中打開detect\_age.py文件，運(yùn)行工作：
# import the necessary packages
import numpy as np
import argparse
import cv2
import os
# construct the argument parse and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
help="path to input image")
ap.add_argument("-f", "--face", required=True,
help="path to face detector model directory")
ap.add_argument("-a", "--age", required=True,
help="path to age detector model directory")
ap.add_argument("-c", "--confidence", type=float, default=0.5,
help="minimum probability to filter weak detections")
args = vars(ap.parse_args())
為了啟動(dòng)我們的年齡檢測器腳本，我們先導(dǎo)入NumPy和OpenCV。我建議查看我的pip install opencv教程來配置您的系統(tǒng)。
此外，需要導(dǎo)入Python內(nèi)置的os模塊，它可以添加模型所需的路徑。
最后，導(dǎo)入argparse來解析命令行參數(shù)。
此處的腳本需要四個(gè)命令行參數(shù)：
image：提供為年齡檢測輸入圖像的路徑face：為預(yù)先訓(xùn)練的面部檢測器模型提供路徑age：預(yù)先訓(xùn)練的年齡探測器模型confidence：最小概率閾值，以便篩除低置信檢測
如上所述，本文的年齡檢測器是一種分類器，可以根據(jù)預(yù)定義的年齡分段，通過人的面部 ROI 預(yù)測這個(gè)人的年齡——我們不會(huì)將其視為回歸問題。現(xiàn)在讓我們定義這些年齡段的bucket：
# define the list of age buckets our age detector will predict
AGE_BUCKETS = ["(0-2)", "(4-6)", "(8-12)", "(15-20)", "(25-32)",
"(38-43)", "(48-53)", "(60-100)"]
我們的年齡是在預(yù)先訓(xùn)練好的年齡檢測器的bucket（即類別標(biāo)簽）中定義的。我們將使用此列表和相關(guān)的索引來獲取年齡段，從而在輸出的圖像上進(jìn)行注釋。
完成了導(dǎo)入，命令行參數(shù)和年齡段的設(shè)置，我們現(xiàn)在就可以加載兩個(gè)預(yù)先訓(xùn)練的模型：
# load our serialized face detector model from disk
print("[INFO] loading face detector model...")
prototxtPath = os.path.sep.join([args["face"], "deploy.prototxt"])
weightsPath = os.path.sep.join([args["face"],
"res10_300x300_ssd_iter_140000.caffemodel"])
faceNet = cv2.dnn.readNet(prototxtPath, weightsPath)
# load our serialized age detector model from disk
print("[INFO] loading age detector model...")
prototxtPath = os.path.sep.join([args["age"], "age_deploy.prototxt"])
weightsPath = os.path.sep.join([args["age"], "age_net.caffemodel"])
ageNet = cv2.dnn.readNet(prototxtPath, weightsPath)
在這里，我們加載兩個(gè)模型：
我們的人臉檢測器可以找到并定位圖片中的人臉（第25-28行） 年齡分類器確定特定面孔所屬的年齡范圍（第32-34行）
這些模型均使用Caffe框架進(jìn)行了訓(xùn)練。在PyImageSearch Gurus課程中介紹了如何訓(xùn)練Caffe分類器。
現(xiàn)在我們已經(jīng)完成了所有初始化，從磁盤加載圖像并檢測面部ROI：
# load the input image and construct an input blob for the image
image = cv2.imread(args["image"])
(h, w) = image.shape[:2]
blob = cv2.dnn.blobFromImage(image, 1.0, (300, 300),
(104.0, 177.0, 123.0))
# pass the blob through the network and obtain the face detections
print("[INFO] computing face detections...")
faceNet.setInput(blob)
detections = faceNet.forward()
我們使用OpenCV的blobFromImage方法——請(qǐng)?jiān)谖业慕坛讨虚喿x有關(guān)blobFromImage的更多信息。
為了檢測圖片中的人臉，我們通過CNN傳送blob，得到了detections的列表?，F(xiàn)在讓我們循環(huán)面部ROI的檢測：
# loop over the detections
for i in range(0, detections.shape[2]):
# extract the confidence (i.e., probability) associated with the
# prediction
confidence = detections[0, 0, i, 2]
# filter out weak detections by ensuring the confidence is
# greater than the minimum confidence
if confidence > args["confidence"]:
# compute the (x, y)-coordinates of the bounding box for the
# object
box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
(startX, startY, endX, endY) = box.astype("int")
# extract the ROI of the face and then construct a blob from
# *only* the face ROI
face = image[startY:endY, startX:endX]
faceBlob = cv2.dnn.blobFromImage(face, 1.0, (227, 227),
(78.4263377603, 87.7689143744, 114.895847746),
swapRB=False)
當(dāng)我們循環(huán)detections時(shí)，我們清除了低置信度的面部（第51-55行）。
對(duì)于滿足了最低置信度標(biāo)準(zhǔn)的面部，我們提取它們的ROI坐標(biāo)（第58-63行）。現(xiàn)在，我們?cè)趦H包含單個(gè)面部的圖像中有了小小收獲。我們?cè)诘?4-66行根據(jù)此ROI創(chuàng)建一個(gè)blob（即faceBlob）。
現(xiàn)在，我們將進(jìn)行年齡識(shí)別：
# make predictions on the age and find the age bucket with
# the largest corresponding probability
ageNet.setInput(faceBlob)
preds = ageNet.forward()
i = preds[0].argmax()
age = AGE_BUCKETS[i]
ageConfidence = preds[0][i]
# display the predicted age to our terminal
text = "{}: {:.2f}%".format(age, ageConfidence * 100)
print("[INFO] {}".format(text))
# draw the bounding box of the face along with the associated
# predicted age
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)
# display the output image
cv2.imshow("Image", image)
cv2.waitKey(0)
我們使用face blob進(jìn)行年齡預(yù)測（第70-74行），從而得出年齡段和年齡的置信度。我們使用這些數(shù)據(jù)點(diǎn)以及面部ROI的坐標(biāo)來注釋最初輸入的圖片（第77-86行）并顯示結(jié)果（第89和90行）。
在下一部分中，我們將分析結(jié)果。
OpenCV的年齡識(shí)別結(jié)果
讓我們運(yùn)行OpenCV年齡檢測器。
首先，從本教程的"下載"部分下載源代碼，預(yù)先訓(xùn)練的年齡檢測器模型及示例圖像。
從那里打開一個(gè)終端，然后執(zhí)行以下命令：
$ python detect_age.py --image images/adrian.png --face face_detector --age age_detector
[INFO] loading face detector model...
[INFO] loading age detector model...
[INFO] computing face detections...
[INFO] (25-32): 57.51%
在這里，您可以看到我們的OpenCV年齡檢測器以57.51％的置信度預(yù)測了我的年齡為25-32歲——實(shí)際上，該年齡檢測器是正確的（我拍攝這張照片時(shí)是30歲）。
讓我們?cè)倥e一個(gè)例子，這是著名演員Neil Patrick Harris小時(shí)候的照片：
$ python detect_age.py --image images/neil_patrick_harris.png --face face_detector --age age_detector
[INFO] loading face detector model...
[INFO] loading age detector model...
[INFO] computing face detections...
[INFO] (8-12): 85.72%
我們的年齡預(yù)測是正確的，拍攝這張照片時(shí)，Nat Patrick Harris看起來的確在8-12歲年齡段中的某個(gè)年齡。
嘗試另一張圖片：Samuel L. Jackson，他是我最喜歡的演員之一：
$ python detect_age.py --image images/samuel_l_jackson.png --face face_detector --age age_detector
[INFO] loading face detector model...
[INFO] loading age detector model...
[INFO] computing face detections...
[INFO] (48-53): 69.38%
OpenCV年齡檢測器針對(duì)Samuel L. Jackson的結(jié)果出錯(cuò)了——Jackson大約71歲，年齡預(yù)測大約有18歲的偏差。
僅僅看照片Jackson先生看上去像71歲嗎？我猜測應(yīng)該是50到60歲左右，他不像70歲多一點(diǎn)的男人。但這恰恰印證了我在前文提出的觀點(diǎn)：
用視覺進(jìn)行年齡預(yù)測的過程很困難，當(dāng)計(jì)算機(jī)或人試圖猜測某人的年齡時(shí)，我認(rèn)為這是主觀的。
為了評(píng)估年齡檢測器，不能依賴人的實(shí)際年齡去評(píng)價(jià)。相反，需要衡量預(yù)測年齡和感知年齡之間的準(zhǔn)確度。
為實(shí)時(shí)視頻運(yùn)行我們的OpenCV年齡檢測器
現(xiàn)在我們可以在靜態(tài)圖像中實(shí)現(xiàn)年齡檢測，但實(shí)時(shí)視頻可以嗎？
您應(yīng)該猜我們可以。我們的視頻腳本與圖像腳本非常相似。不同之處在于，我們需要設(shè)置視頻流并在每個(gè)幀上循環(huán)進(jìn)行年齡檢測。本文將重點(diǎn)介紹視頻功能，可根據(jù)需要參考上面的流程。
要了解如何在視頻中進(jìn)行年齡識(shí)別，那就來看看detect\_age\_video.py。
# import the necessary packages
from imutils.video import VideoStream
import numpy as np
import argparse
import imutils
import time
import cv2
import os
我們需要導(dǎo)入三個(gè)新的模塊：
VideoStreamimutilstime
這些導(dǎo)入允許我們對(duì)視頻進(jìn)行設(shè)置和使用webcam功能。
我決定定義一個(gè)快捷函數(shù)來獲取幀，定位面部并預(yù)測年齡。函數(shù)通過進(jìn)行檢測和邏輯預(yù)測，使我們的幀處理循環(huán)不會(huì)那么龐大（您也可以將此函數(shù)放到單獨(dú)的文件中）?，F(xiàn)在讓我們進(jìn)入這個(gè)程序：
def detect_and_predict_age(frame, faceNet, ageNet, minConf=0.5):
# define the list of age buckets our age detector will predict
AGE_BUCKETS = ["(0-2)", "(4-6)", "(8-12)", "(15-20)", "(25-32)",
"(38-43)", "(48-53)", "(60-100)"]
# initialize our results list
results = []
# grab the dimensions of the frame and then construct a blob
# from it
(h, w) = frame.shape[:2]
blob = cv2.dnn.blobFromImage(frame, 1.0, (300, 300),
(104.0, 177.0, 123.0))
# pass the blob through the network and obtain the face detections
faceNet.setInput(blob)
detections = faceNet.forward()
我們的 detect\_and\_predict\_age 輔助函數(shù)接受以下參數(shù)：
frame：視頻通過webcam獲取的單個(gè)幀faceNet：初始化的深度學(xué)習(xí)人臉檢測器ageNet：初始化的深度學(xué)習(xí)年齡分類器minConf：篩去較差人臉識(shí)別的置信度閾值
這里的參數(shù)和我們的圖片年齡檢測器腳本的命令行參數(shù)是相似的。
我們的AGE\_BUCKETS再次被定義（第12和13行）。然后我們定義一個(gè)空列表來保存面部定位和年齡檢測的results。（第20-26行進(jìn)行面部檢測。）
接下來，我們將處理每個(gè)detections：
# loop over the detections
for i in range(0, detections.shape[2]):
# extract the confidence (i.e., probability) associated with
# the prediction
confidence = detections[0, 0, i, 2]
# filter out weak detections by ensuring the confidence is
# greater than the minimum confidence
if confidence > minConf:
# compute the (x, y)-coordinates of the bounding box for
# the object
box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
(startX, startY, endX, endY) = box.astype("int")
# extract the ROI of the face
face = frame[startY:endY, startX:endX]
# ensure the face ROI is sufficiently large
if face.shape[0] < 20 or face.shape[1] < 20:
continue
請(qǐng)看29-43行——它們循環(huán)檢測，以確保較高的置信度，然后提取出面部ROI。
第46-47行是新的——由于以下兩個(gè)原因，我們要確保視頻中的面部ROI足夠大：
首先，我們要篩掉幀中檢測到的假陽性面部。 其次，年齡分類結(jié)果對(duì)于遠(yuǎn)離相機(jī)的臉（即臉部很?。﹣碚f并不準(zhǔn)確。
為了完成我們的輔助功能，我們將進(jìn)行年齡識(shí)別并返回結(jié)果：
# construct a blob from *just* the face ROI
faceBlob = cv2.dnn.blobFromImage(face, 1.0, (227, 227),
(78.4263377603, 87.7689143744, 114.895847746),
swapRB=False)
# make predictions on the age and find the age bucket with
# the largest corresponding probability
ageNet.setInput(faceBlob)
preds = ageNet.forward()
i = preds[0].argmax()
age = AGE_BUCKETS[i]
ageConfidence = preds[0][i]
# construct a dictionary consisting of both the face
# bounding box location along with the age prediction,
# then update our results list
d = {
"loc": (startX, startY, endX, endY),
"age": (age, ageConfidence)
}
results.append(d)
# return our results to the calling function
return results
在這里預(yù)測人臉的年齡并提取出年齡段和年齡置信度（第56-60行）。第65-68行在一個(gè)字典中存儲(chǔ)面部定位和年齡預(yù)測。循環(huán)檢測的最后一步是將該字典放到結(jié)果列表中（第69行）。
如果所有檢測都已經(jīng)完成，并且結(jié)果都得到了，那我們將結(jié)果返回給調(diào)用者。
定義好輔助函數(shù)后，現(xiàn)在我們可以繼續(xù)處理視頻了。但我們需要先定義命令行參數(shù)：
# construct the argument parse and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-f", "--face", required=True,
help="path to face detector model directory")
ap.add_argument("-a", "--age", required=True,
help="path to age detector model directory")
ap.add_argument("-c", "--confidence", type=float, default=0.5,
help="minimum probability to filter weak detections")
args = vars(ap.parse_args())
我們的腳本需要三個(gè)命令行參數(shù)：
face：預(yù)先訓(xùn)練的面部檢測器模型的目錄的路徑age：預(yù)先訓(xùn)練的年齡檢測器模型的目錄confidence：最小概率閾值，以便篩除低置信檢測
在這里，我們將加載模型并初始化視頻：
# load our serialized face detector model from disk
print("[INFO] loading face detector model...")
prototxtPath = os.path.sep.join([args["face"], "deploy.prototxt"])
weightsPath = os.path.sep.join([args["face"],
"res10_300x300_ssd_iter_140000.caffemodel"])
faceNet = cv2.dnn.readNet(prototxtPath, weightsPath)
# load our serialized age detector model from disk
print("[INFO] loading age detector model...")
prototxtPath = os.path.sep.join([args["age"], "age_deploy.prototxt"])
weightsPath = os.path.sep.join([args["age"], "age_net.caffemodel"])
ageNet = cv2.dnn.readNet(prototxtPath, weightsPath)
# initialize the video stream and allow the camera sensor to warm up
print("[INFO] starting video stream...")
vs = VideoStream(src=0).start()
time.sleep(2.0)
第86-89行加載并初始化了我們的面部檢測器，而第93-95行加載了年齡檢測器。
然后，我們使用VideoStream類來初始化webcam（第99和100行）。webcam準(zhǔn)備好后，我們將開始處理幀：
# loop over the frames from the video stream
while True:
# grab the frame from the threaded video stream and resize it
# to have a maximum width of 400 pixels
frame = vs.read()
frame = imutils.resize(frame, width=400)
# detect faces in the frame, and for each face in the frame,
# predict the age
results = detect_and_predict_age(frame, faceNet, ageNet,
minConf=args["confidence"])
# loop over the results
for r in results:
# draw the bounding box of the face along with the associated
# predicted age
text = "{}: {:.2f}%".format(r["age"][0], r["age"][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)
# show the output frame
cv2.imshow("Frame", frame)
key = cv2.waitKey(1) & 0xFF
# if the `q` key was pressed, break from the loop
if key == ord("q"):
break
# do a bit of cleanup
cv2.destroyAllWindows()
vs.stop()
在上面的循環(huán)中，我們：
獲取幀，并將其調(diào)整為已知寬度（第106和107行） 通過我們的 detect_and_predict_age便捷函數(shù)傳遞幀，以便（1）檢測面部（2）確定年齡（第111和112行）在幀上注釋結(jié)果（第115-124行） 顯示和捕獲鍵盤輸入（第127和128行） 如果鍵入 q，那么退出并清空（第131-136行）
在下一節(jié)中，我們將啟動(dòng)年齡檢測器，看看它是否有效！
使用OpenCV進(jìn)行實(shí)時(shí)年齡檢測的結(jié)果
現(xiàn)在，讓我們將OpenCV年齡檢測器應(yīng)用于實(shí)時(shí)視頻。
確保您已從本教程的"下載"部分下載源代碼和預(yù)先訓(xùn)練的年齡檢測器。
從那里打開一個(gè)終端，然后輸入以下命令：
$ python detect_age_video.py --face face_detector --age age_detector
[INFO] loading face detector model...
[INFO] loading age detector model...
[INFO] starting video stream...
在這里，您可以看到OpenCV年齡檢測器將我的年齡范圍準(zhǔn)確地預(yù)測為25-32歲（在寫本文時(shí)，我還是31歲）。
如何改善年齡預(yù)測結(jié)果？
由Levi和Hassner訓(xùn)練的年齡預(yù)測模型的問題之一是，它嚴(yán)重偏向25-32歲年齡組，如他們?cè)及姹局械倪@個(gè)混淆矩陣表所示：
為了在您的模型中解決此問題，請(qǐng)考慮收集更多的訓(xùn)練數(shù)據(jù)，使用類權(quán)重、數(shù)據(jù)擴(kuò)充和正則化技術(shù)。
不幸的是，這意味著我們的模型預(yù)測的25-32歲結(jié)果可能實(shí)際上屬于其他的年齡段——在分析本教程的結(jié)果以及我自己的年齡預(yù)測中也遇到了幾次這樣的情況。
您可以通過以下方法消除這種偏差：
收集其他年齡段的額外訓(xùn)練數(shù)據(jù)以幫助平衡數(shù)據(jù)集； 使用類權(quán)重來處理類失衡的問題； 注意數(shù)據(jù)擴(kuò)充； 訓(xùn)練模型時(shí)使用正則化。
其次，年齡預(yù)測結(jié)果可以通過使用人臉對(duì)齊來改善。
人臉對(duì)齊功能會(huì)識(shí)別人臉的幾何結(jié)構(gòu)，然后嘗試使用平移，縮放和旋轉(zhuǎn)獲得人臉的規(guī)范化。
在許多情況下（但并非總是如此），人臉對(duì)齊可以改善面部應(yīng)用的效果，包括面部識(shí)別，年齡預(yù)測等。
為簡單起見，我們?cè)诒窘坛讨袥]有使用人臉對(duì)齊功能，但您可以按照這個(gè)教程學(xué)習(xí)有關(guān)人臉對(duì)齊的更多信息，然后將其應(yīng)用于自己的年齡預(yù)測程序中。
性別預(yù)測呢？
我特意選擇不在本教程中介紹性別預(yù)測。
使用計(jì)算機(jī)視覺和深度學(xué)習(xí)來識(shí)別一個(gè)人的性別似乎是一個(gè)有趣的分類問題，但實(shí)際上這是一個(gè)道德問題。
某人在視覺上看上去怎樣，穿著什么或如何表現(xiàn)，這些都并不意味著他們可能是某種（或其他）性別。
試圖將性別劃分為兩類的軟件只會(huì)把我們束縛在對(duì)于性別的過時(shí)觀念里。因此，我鼓勵(lì)您盡可能不要在自己的程序中使用性別識(shí)別。
如果必須進(jìn)行性別識(shí)別，請(qǐng)確保對(duì)自己負(fù)責(zé)，并確保您不去創(chuàng)建使他人遵循性別偏見的應(yīng)用程序（例如根據(jù)感知到的性別去定義用戶體驗(yàn))。
性別識(shí)別幾乎沒有價(jià)值，而且它引起的問題比它解決的問題還要多。請(qǐng)盡可能避免它。
總結(jié)
在本教程中，您學(xué)習(xí)了如何使用OpenCV通過深度學(xué)習(xí)進(jìn)行年齡識(shí)別。
為此，我們利用了Levi和Hassner在2015年出版的《使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行年齡和性別分類》中的預(yù)訓(xùn)練模型。該模型使我們能夠以相當(dāng)高的準(zhǔn)確度去預(yù)測八個(gè)不同的年齡段；但是，我們必須認(rèn)識(shí)到年齡預(yù)測是一個(gè)很有挑戰(zhàn)性的問題。
有很多因素可以決定一個(gè)人的視覺年齡，包括他們的生活方式，工作，吸煙習(xí)慣，最重要的是基因。其次，請(qǐng)記住，人們?cè)噲D掩飾自己的年齡——如果人類準(zhǔn)確地預(yù)測某人的年齡有困難的話，那么機(jī)器學(xué)習(xí)模型同樣會(huì)有困難。
因此，您需要根據(jù)感知年齡（而非實(shí)際年齡）去評(píng)估所有的年齡預(yù)測結(jié)果。在您自己的計(jì)算機(jī)視覺項(xiàng)目中進(jìn)行年齡識(shí)別時(shí)，請(qǐng)記住這一點(diǎn)。
希望您喜歡本教程！
原文鏈接：https://www.pyimagesearch.com/2020/04/13/opencv-age-detection-with-deep-learning
END
整理不易，點(diǎn)贊三連↓