机器学习实战:用网络摄像头预测年龄和性别
你有没有猜过一个人的年龄? 下面这个简单的神经网络模型可以帮你做这件事。
本文的演示将从网络摄像头中获取实时视频流,并自动标注其中出现人脸的年龄和性别。 在家门口放一个这样的摄像头就可以了解访客的年龄和性别,你可以想象一下这有多酷!
我是在Windows PC使用Python 3.5运行这个模型。 你也可以使用其他操作系统,或者直接使用汇智网的Python机器学习在线运行环境。
工作原理
让我们先概述一下系统的工作原理:
首先,使用cv2模块从网络摄像头的实时视频流中截取一张照片:
# 0 means the default video capture device in OS
video_capture = cv2.VideoCapture(0)
# infinite loop, break by key ESC
while True:if not video_capture.isOpened():sleep(5)# Capture frame-by-frameret, frame = video_capture.read()
然后,我们将图像转换为灰度图,使用cv2模块的CascadeClassifier类来检测图像中的人脸:
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray,scaleFactor=1.2,minNeighbors=10,minSize=(self.face_size, self.face_size)
)
detectMultiScale()方法返回的变量face是一个列表,其成员为检测到的人脸位置和尺寸:[x,y,w,h]。
在获取了人脸坐标之后,我们需要在输入神经网络模型之前,先裁剪这些人脸区域,并在面部区域增加40%的边距,以便可以包含整个头部:
# placeholder for cropped faces
face_imgs = np.empty((len(faces), self.face_size, self.face_size, 3))
for i, face in enumerate(faces):face_img, cropped = self.crop_face(frame, face, margin=40, size=self.face_size)(x, y, w, h) = croppedcv2.rectangle(frame, (x, y), (x + w, y + h), (255, 200, 0), 2)face_imgs[i,:,:,:] = face_img
然后,将这些裁剪过的人脸区域输入模型,很简单,只需要调用一下predict()方法。
对于年龄预测,模型的输出是101个值(年龄范围从0到100)的概率分布,并且所有这101个值的概率加起来为1(softmax)。 因此,我们将每个年龄值与其概率相乘,然后累加起来得出最终的预测年龄:
if len(face_imgs) > 0:# predict ages and genders of the detected facesresults = self.model.predict(face_imgs)predicted_genders = results[0]ages = np.arange(0, 101).reshape(101, 1)predicted_ages = results[1].dot(ages).flatten()
最后,绘制结果并渲染图像。
性别预测是二分类任务,模型的输出值在0〜1之间,值越高,模型认为脸部是男性的信心越强:
# draw results
for i, face in enumerate(faces):label = "{}, {}".format(int(predicted_ages[i]),"F" if predicted_genders[i][0] > 0.5 else "M")self.draw_label(frame, (face[0], face[1]), label)
cv2.imshow('Keras Faces', frame)
if cv2.waitKey(5) == 27: # ESC key pressbreak
这个练习的完整源代码和训练好的都放在了我的GitHub仓库 。
进一步深入
如果你对演示效果不满意,并希望更多的了解如何建立和训练模型,这部分内容是特意为你写的。
数据集来自IMDB-WIKI — 50多万张标注了年龄和性别的人脸图像集 。 在把图像数据输入模型之前,我们进行与前述预处理相同的步骤,即检测人脸区域并添加边距。
神经网络的特征提取部分使用宽残差网络(Wide Residual Networks), 它利用卷积神经网络来学习脸部特征,从边、角等基础特征到眼睛、嘴巴等更为抽象的特征。
宽残差网络的特别之处在于,它减少了原始版本的残差网络的深度并增加了网络的宽度,因此训练速度提高了几倍。 宽残差网络的论文链接在这里。
扩展阅读
这个模型的可能性是无限的,实际上其用途取决于你输入的数据。 例如,使用标注了魅力值的照片,你就可以预测网络摄像头的另一端是不是一个辣妹。
如果你想继续探索,下面列出了相关的项目和数据集:
- 用Tensorflow实现年龄和性别检测
- IMDB-WIKI - 50万标注了年龄和性别的人脸图像集
- 用于性别和年龄分类的未过滤人脸数据
- Github: keras-vggface
- Selfai:给美女自拍照打分
如果你喜欢这篇文章,请关注我的头条号:新缸中之脑!
原文:Easy Real time gender age prediction from webcam video with Keras
机器学习实战:用网络摄像头预测年龄和性别相关推荐
- 机器学习实战(八)——预测数值型数据:回归
机器学习实战(八)--预测数值型数据:回归 一.用线性回归找到最佳拟合曲线 1.线性回归与非线性回归 线性回归:具体是可以将输入项分别乘上一些常量,然后再进行求和得到输出 非线性回归:输入项之间不只是 ...
- 基于图机器学习的微生物网络关系预测算法研究
龙亚辉预答辩公告 浏览次数:410日期:2021-03-19编辑:院研究生秘书 预答辩公告 论文题目 基于图机器学习的微生物网络关系预测算法研究 答辩人 龙亚辉 指导教师 骆嘉伟 答辩委员会 主席 王 ...
- 使用Python+OpenCV预测年龄与性别
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 本文转自:深度学习与计算机视觉 现在越来越多的应用程序与年龄和性别 ...
- 使用Keras和OpenCV实时预测年龄、性别和情绪 (详细步骤+源码)
来源 | https://towardsdatascience.com/real-time-age-gender-and-emotion-prediction-from-webcam-with-ker ...
- 使用卷积神经网络和openCV预测年龄和性别
作者|Nagesh Singh Chauhan 编译|Flin 来源|towardsdatascience 越来越多的应用程序与年龄和性别的自动分类相关,特别是自从社交平台和社交媒体兴起以来.尽管如此 ...
- 机器学习实战——kaggle 泰坦尼克号生存预测——六种算法模型实现与比较
一.初识 kaggle kaggle是一个非常适合初学者去实操实战技能的一个网站,它可以根据你做的项目来评估你的得分和排名.让你对自己的能力有更清楚的了解,当然,在这个网站上,也有很多项目的教程,可以 ...
- 机器学习实战(八)预测数值型数据:回归
文章目录 第八章 预测数值型数据:回归 8.1 用线性回归找到最佳拟合直线 8.1.1 线性回归 8.1.2数据可视化 8.1.3 求回归系数向量,并根据系数绘制回归曲线 8.2 局部加权线性回归(L ...
- 机器学习实战第8章预测数值型数据:回归2
1. Shrinkage(缩减) Methods 当特征比样本点还多时(n>m),输入的数据矩阵X不是满秩矩阵,在求解(XTX)-1时会出现错误.接下来主要介绍岭回归(ridge regress ...
- 机器学习实战ch03: 使用决策树预测隐形眼镜类型
决策树的一般流程 1.收集数据 2.准备数据:树构造算法只适用标称型数据,因此数据值型数据必须离散化 3.分析数据 4.训练算法 5.测试数据 6.使用算法 决策树的优点 1.数据形式非常容易理解 2 ...
最新文章
- 技术新进展!谷歌AI部门宣布发现新技术以加速AI神经网络训练
- 浅谈通信编程(二)--如何分离通信物理接口和应用程序
- Spring 3 MVC and XML example
- Case Study. Technical and Commercial understating. Internal use only.
- 网络之DNS协议图解
- 浅谈“==”、equals和hashcode,以及map的遍历方法(可用作上一篇k-means博文参考)
- js delete删除对象属性,delete删除不了变量及原型链中的变量
- 人脸关键点:DAN-Deep Alignment Network: A convolutional neural network for robust face alignment
- ECS弹性网卡+弹性公网IP配置最佳实践之策略路由
- 个人计算机主板的组成部分,简述计算机主板的基本组成部分
- php 模拟登录qq空间,PHP模拟QQ登录的方法
- 手电筒安卓_开号以来安卓软件汇总!
- 寂寞的季节C调吉他谱 - 陶喆
- STM32小项目之ds18b20测温在oled上显示
- Python 与量化分析
- 7. 成功解决:io.netty.util.IllegalReferenceCountException: refCnt: 0, decrement: 1
- MicroStation里CASS地形数据生成三维地形模型
- 关于学习如何组装基于F4V3S飞控的竞速穿越机
- java去除水印_Java添加、删除Word水印
- PTA平台,jmu-python-字符串-统计不同字符个数