opencv人工智能深度学习这样实现人脸的年龄检测 _人脸

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
模型进行人脸年龄的检测
人脸年龄的检测步骤
1、首先需要进行人脸的检测
2、把检测到的人脸数据给年龄检测模型去检测
3、把检测结果呈现到图片上
人脸年龄检测
import numpy as npimport cv2import osAGE_LIST = ["(0-2)", "(4-6)", "(8-12)", "(15-20)", "(25-32)", "(38-43)", "(48-53)", "(60-100)"]prototxtFacePath ="model/deploy.prototxt"weightsFacePath = "model/res10_300x300_ssd_iter_140000.caffemodel"faceNet = cv2.dnn.readNet(prototxtFacePath, weightsFacePath)prototxtAgePath = "model/age_deploy.prototxt"weightsAgePath = "model/age_net.caffemodel"ageNet = cv2.dnn.readNet(prototxtAgePath, weightsAgePath)
初始化模型年龄段，由于模型是按照年龄段来进行训练的，当然你也可以使用大量的数据，进行更准确的年龄模型训练
然后cv2.dnn.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
有兴趣的小伙伴们可以一起探讨学习
最后cv2.dnn.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.来读取要检测的图片
image.shape来获取图片的尺寸
cv2.dnn.来计算图片的blob值
blob = cv2.dnn.(image, =1.0, size, mean, =True，crop=False, =)
1.image，这是传入的，需要进行处理的图像。
2.硅谷人工智能实验室，执行完减均值后，需要缩放图像，默认是1，需要注意，= 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 = True ，交换通道。
5.，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=True即可。
6.crop,如果crop裁剪为真，则调整输入图像的大?。?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., 输出blob的深度硅谷人工智能实验室，选择 or CV_8U
cv2.dnn.这个函数执行：
1.减均值

文章插图

文章插图
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

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)ageNet.setInput(faceBlob)preds = ageNet.forward()i = preds[0].argmax()age = AGE_LIST[i]ageConfidence = preds[0][i]text = "{}: {:.2f}%".format(age, ageConfidence * 100)y = startY - 10 if startY - 10 > 10 else startY + 10cv2.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)

.shape[2]来存放神经网络检测到的人脸，通过遍历这个list
【opencv人工智能深度学习这样实现人脸的年龄检测】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
, , 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值放入年龄检测模型中进行人脸年龄的检测preds
preds[0].把年龄段的每个概率进行对比，并提取最大概率的年龄段的index
age = [i] 便可以得到我们检测的人脸年龄
= preds[0][i] 人脸年龄的检测置信度
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)
文章中提供的模型，年龄检测是一个阶段的检测，若想得到更精确的年龄检测，需要大量的数据进行计算训练，当然，小伙伴们也可以使用人工智能研究所出品的：
wx小程序：AI人工智能工具
来进行人脸更多属性的检测
人脸检测
关于人脸性别的检测，我们下期分享！
对感兴趣的小伙伴们可以买本属于自己的书籍进行参考学习
3计算机视觉：语言实现（原书第2版）
￥39.2
购买
【手环数据线】便携数据线手环数据线苹果安卓数据线
￥19.9
购买
本文到此结束，希望对大家有所帮助。