實時人臉性別與年齡識別：基于OpenCV與深度學習模型的實現

在當今數字化時代，計算機視覺技術正以前所未有的速度改變著我們的生活與工作方式。其中，人臉檢測與分析作為計算機視覺領域的重要分支，已廣泛應用于安防監控、智能交互、社交媒體等多個場景。本文將詳細介紹如何利用OpenCV庫結合深度學習模型，實現一個實時人臉性別與年齡識別的項目，旨在幫助讀者快速掌握相關技術，并激發大家在實際應用中進一步探索的靈感。

一、項目背景與意義

人臉作為人類最顯著的生物特征之一，蘊含著豐富的信息，如性別、年齡、表情等。能夠實時準確地識別這些信息，對于提升人機交互體驗、優化社會服務管理等方面具有重大意義。例如，在商業領域，商家可通過分析顧客的性別與年齡分布，精準定位目標客戶群體，實現個性化營銷；在安防領域，實時人臉分析有助于快速識別可疑人員，提高公共安全防范能力。本項目正是基于這樣的背景，致力于搭建一個簡單高效的人臉性別與年齡識別系統，為相關應用提供技術支持。

二、技術選型與環境搭建

（一）技術選型

1. OpenCV：OpenCV（Open Source Computer Vision Library）是一個開源的計算機視覺與機器學習軟件庫，提供了大量的圖像與視頻處理功能。其簡單易用的API接口、高效的性能以及強大的社區支持，使其成為計算機視覺項目中常用的工具庫。在本項目中，我們將利用OpenCV進行視頻幀的讀取、圖像預處理、人臉檢測框繪制等操作。
2. 深度學習模型：為了實現性別與年齡的識別功能，我們采用了預訓練的深度學習模型。這些模型基于大量的標注數據訓練而成，能夠自動學習人臉圖像中的特征，從而準確地判斷性別與年齡。具體來說，我們使用了基于Caffe框架訓練的性別識別模型與年齡識別模型，以及用于人臉檢測的OpenCV自帶的深度學習模型。這些模型在實際應用中表現出較高的準確率與魯棒性，能夠滿足我們項目的需求。
3. Python：Python語言以其簡潔明了的語法、豐富的庫資源以及強大的跨平臺能力，成為計算機視覺與深度學習領域廣泛使用的編程語言。本項目基于Python進行開發，便于快速實現功能并進行調試。

三、項目實現步驟

（一）人臉檢測模塊

人臉檢測是整個項目的基礎，其目的是從輸入的圖像或視頻幀中準確地定位出人臉區域，以便后續進行性別與年齡的識別。在本項目中，我們使用了OpenCV提供的深度學習人臉檢測模型，其基于SSD（Single Shot MultiBox Detector）架構，能夠快速準確地檢測出人臉位置。

1. 模型加載：通過cv2.dnn.readNet函數加載人臉檢測模型文件，代碼如下：

   faceProto = "model1/opencv_face_detector.pbtxt"
   faceModel = "model1/opencv_face_detector_uint8.pb"
   faceNet = cv2.dnn.readNet(faceModel, faceProto)
   

2. 檢測框獲取：將輸入的視頻幀轉換為模型所需的輸入格式（通過cv2.dnn.blobFromImage函數），然后將數據輸入到模型中，獲取檢測結果。根據檢測結果中的置信度（confidence）篩選出置信度大于0.7的人臉檢測框，并將其坐標記錄下來，代碼如下：

   def getBoxes(net, frame):frameHeight, frameWidth = frame.shape[:2]blob = cv2.dnn.blobFromImage(frame, 1.0, (300,300),[104, 117, 123], True, False)net.setInput(blob)detections = net.forward()faceBoxes = []for i in range(detections.shape[2]):confidence = detections[0, 0, i, 2]if confidence > 0.7:x1 = int(detections[0, 0, i, 3] * frameWidth)y1 = int(detections[0, 0, i, 4] * frameHeight)x2 = int(detections[0, 0, i, 5] * frameWidth)y2 = int(detections[0, 0, i, 6] * frameHeight)faceBoxes.append([x1, y1, x2, y2])cv2.rectangle(frame, (x1, y1), (x2, y2),(0, 255,0),int(round(frameHeight / 150)), 6)return frame, faceBoxes
   

（二）性別與年齡識別模塊

在獲取到人臉檢測框后，我們對每個檢測到的人臉區域分別進行性別與年齡的識別。

1. 性別識別：

   • 模型加載：使用cv2.dnn.readNet函數加載性別識別模型文件，代碼如下：

     genderProto = "model1/deploy_gender.prototxt"
     genderModel = "model1/gender_net.caffemodel"
     genderNet = cv2.dnn.readNet(genderModel, genderProto)
     

   • 識別過程：將人臉區域圖像轉換為模型所需的輸入格式（通過cv2.dnn.blobFromImage函數），然后將數據輸入到性別識別模型中，獲取模型輸出的性別預測結果。根據輸出結果中概率最大的類別確定性別，代碼如下：

     blob = cv2.dnn.blobFromImage(face,1.0,(227,227),mean)
     genderNet.setInput(blob)
     genderOuts = genderNet.forward()
     gender = genderList[genderOuts[0].argmax()]
     

2. 年齡識別：

   • 模型加載：使用cv2.dnn.readNet函數加載年齡識別模型文件，代碼如下：

     ageProto = "model1/deploy_age.prototxt"
     ageModel = "model1/age_net.caffemodel"
     ageNet = cv2.dnn.readNet(ageModel, ageProto)
     

   • 識別過程：與性別識別類似，將人臉區域圖像轉換為模型所需的輸入格式后，輸入到年齡識別模型中，獲取模型輸出的年齡預測結果。根據輸出結果中概率最大的類別確定年齡范圍，代碼如下：

     ageNet.setInput(blob)
     age0uts = ageNet.forward()
     age = ageList[age0uts[0].argmax()]
     

（三）結果展示模塊

為了將識別結果直觀地展示給用戶，我們采用了在視頻幀上繪制中文文本的方式。由于OpenCV本身不支持直接繪制中文字符，因此我們借助Pillow庫實現了這一功能。

1. 文本繪制函數實現：定義一個cv2AddChineseText函數，將輸入的OpenCV圖像轉換為Pillow圖像，然后使用Pillow的ImageDraw模塊在圖像上繪制中文文本，最后將圖像轉換回OpenCV格式，代碼如下：

   def cv2AddChineseText(img, text, position, textColor=(0, 255, 0), textSize=30):""" 向圖片中添加中文 """if (isinstance(img, np.ndarray)):  # 判斷是否OpenCV圖片類型img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))  # 實現array到image的轉換draw = ImageDraw.Draw(img)  # 在img圖片上創建一個繪圖的對象# 字體的格式fontStyle = ImageFont.truetype("simsun.ttc", textSize, encoding="utf-8")draw.text(position, text, textColor, font=fontStyle)  # 繪制文本return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR)  # 轉換回OpenCV格式
   

2. 結果展示：在主循環中，對于每個檢測到的人臉區域，將性別與年齡的識別結果組合成字符串，然后調用cv2AddChineseText函數
   將其繪制在人臉檢測框上方，代碼如下：

   result = "{},{}".format(gender,age)
   frame = cv2AddChineseText(frame, result, (x1,y1-30))
   

（四）實時視頻處理與交互

1. 攝像頭視頻流讀取：通過cv2.VideoCapture函數打開攝像頭設備，獲取實時視頻流。在主循環中，逐幀讀取視頻幀，并將其傳遞給人臉檢測與性別年齡識別模塊進行處理，代碼如下：

   cap = cv2.VideoCapture(0)
   while True:_, frame = cap.read()frame = cv2.flip(frame, 1)frame, faceBoxes = getBoxes(faceNet, frame)if not faceBoxes:print("當前鏡頭中沒人")continuefor faceBox in faceBoxes:# 性別與年齡識別過程cv2.imshow("result",frame)if cv2.waitKey(1) == 27:break
   cv2.destroyAllWindows()
   cap.release()
   

2. 用戶交互：在視頻窗口中，用戶可以通過按下Esc鍵退出程序，實現簡單的用戶交互功能。

五、總結

通過本項目的實現，我們成功搭建了一個基于OpenCV與深度學習模型的實時人臉性別與年齡識別系統。在項目過程中，我們詳細介紹了人臉檢測、性別與年齡識別以及結果展示等關鍵模塊的實現原理與代碼實現，并探討了項目優化與改進的方向。希望本文能夠為對計算機視覺與深度學習感興趣的讀者提供一定的參考與啟發，大家可以在實際項目中根據具體需求對代碼進行修改與拓展，探索更多有趣的應用場景。未來，隨著技術的不斷發展，相信人臉分析技術將在更多領域發揮更大的作用，為我們的生活帶來更多便利與創新。