人脸实践篇 | 基于Caffe的年龄&性别识别

人脸检测及对应属性的识别是现在比较流行的一个技术之一。今天我们“计算机视觉战队”就和大家说说该技术的一些详细细节。

随着社会的发展，快速有效的自动身份验证在安防领域变的越来越迫切。

由于生物特性是人的内在属性，具有很强的自身稳定性和个体差异性，是身份验证的最理想依据。利用人脸属性进行身份验证又是最自然最直接的手段，相比其它人类生物特性，它具有直接、方便的特点，更容易被用户所接受且不易察觉。

近几年也是有很多相关的Paper及技术得到了实现，如：

• 2015年的一篇文章就简单得到了实现，只要你懂得Alexnet，实现这篇文献的算法，会比较容易。最后的实验结果，Gender accuracy 在86.8%，Age预测精准的值准确率在50.7%，预测年龄段准确率在 84.7%，使用的数据集是Adience；
• 基于传统方法也有，比如基于LBP，亮度、形状直方图的多尺度特征融合的性别识别，在性别识别中融入信息论概念，对PCA、LDA等经典识别算法进行简化，在简化过程中根据信息熵、互信息量等指标提出一套特征选择理论。最后结果，Gender accuracy基于像素增强为87.85%，基于shape features可以达到91.59%，基于LBP纹理特征也可以到达93.46%，利用三种特征可以得到95.33%，都是在常用的FERET数据集中。
• 基于形状特征和深度神经网络的现实人脸性别分类，先对人脸进行对齐操作，用深度网络的方法进行分类，在LFW数据库的非正向人脸样本部分做实验，识别率可达到89.3%。

性别识别

性别识别是利用计算机视觉来辨别图像中的人脸性别属性。多年来，人脸性别因为实际场景的需求，如在身份认证、人机接口、视频检索以及机器人视觉中的潜在应用而备受关注。

性别识别是一个复杂的大规模二分类问题，分类器将数据录入并划分男女性别。目前性别识别方法主要有：基于特征脸的性别识别算法（等传统方法）及基于深度学习方法。

基于特征脸的性别识别算法

基于特征脸的性别识别算法主要是使用PCA。在计算过程中通过消除数据中的相关性，将高维图像降低到低维空间，而训练集中的样本则被映射成低维空间中的一点。当需要判断测试图片性别时，就需要先将测试图片映射到低维空间中，然后计算离测试图片最近样本点是哪一个，将最近样本点的性别赋值给测试图片即可。

下面我们主要讲深度学习方法，那我们开始吧！

年龄及性别识别

import os import numpy as np import matplotlib.pyplot as plt import sys import caffe %matplotlib inline caffe_root = './caffe/' sys.path.insert(0, caffe_root + 'python') plt.rcParams['figure.figsize'] = (10, 10) plt.rcParams['image.interpolation'] = 'nearest' plt.rcParams['image.cmap'] = 'gray'

然后我们读取均值文件：

mean_filename='./mean_file/mean.binaryproto' proto_data = open(mean_filename, "rb").read() temp = caffe.io.caffe_pb2.BlobProto.FromString(proto_data) mean = caffe.io.blobproto_to_array(temp)[0]

读取之前训练好的模型文件：

age_net_pretrained='./models/age_net.caffemodel' age_net_model_file='./deploy_age.prototxt' age_net = caffe.Classifier(age_net_model_file, age_net_pretrained,mean=mean,channel_swap=(2,1,0),raw_scale=255,image_dims=(256, 256))

读取Label文件：

age_list=['(0, 2)','(4, 6)','(8, 12)','(15, 20)','(25, 32)','(38, 43)','(48, 53)','(60, 100)'] gender_list=['Male','Female']

读取预测图像及预测结果：

example_image = './example_image.jpg' input_image = caffe.io.load_image(example_image) _=plt.imshow(input_image)

prediction = age_net.predict([input_image]) print('predicted age:', age_list[prediction[0].argmax()])

prediction = gender_net.predict([input_image]) print('predicted gender:', gender_list[prediction[0].argmax()])

特征可视化

做这个的原因，是想通过学习特征过程，其重点学习的特征到底是什么样子的，好让我们有一个空间想象力。

COV1第一层卷积滤波器学习特征的可视化结果，该层主要学习颜色、纹理、边缘等特征，属于较低层特征。

COV1第一层卷积后的可视化结果：

END