【前沿】见人识面，TensorFlow实现人脸性别/年龄识别

会员服务 ·

【前沿】见人识面，TensorFlow实现人脸性别/年龄识别

2017 年 12 月 16 日 专知专知内容组（编）

【导读】近期，浙江大学学生Boyuan Jiang使用TensorFlow实现了一个人脸年龄和性别识别的工具，首先使用dlib来检测和对齐图片中的人脸，然后使用CNN深度网络来估计年龄和性别。代码已经在Github上开源，让我们来看下。

TensorFlow实现的人脸性别/年龄识别

这是一个人脸年龄和性别识别的TensorFlow工具，首先使用dlib来检测和对齐图片中的人脸，然后使用CNN深度网络来估计年龄和性别。如下所示，该项目可以同时估计一张照片中的多个人脸。

安装python依赖包

本项目需要以下依赖包，已经在CenotOS7系统上的Python2.7.14环境中测试过。

tensorflow==1.4
dlib==19.7.99
cv2
matplotlib==2.1.0
imutils==0.4.3
numpy==1.13.3
pandas==0.20.3

使用方法

编译 tfrecords

为了训练你自己的模型，你首先需要下载IMDB和wiki 两个数据集，下载地址分别为https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/static/imdb_crop.tar和\ https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/static/wiki_crop.tar\ 。然后将下载好的打包文件解压到data目录中。解压后images目录应该如下所示：

/path/to/project/data/imdb_crop/00/somepictures
/path/to/project/data/imdb_crop/01/somepictures
….
/path/to/project/data/imdb_crop/99/somepictures

然后你可以运行

> python convert_to_records_multiCPU.py --imdb --nworks 8

来将图片转化成tfrecords格式. —imdb 使用imdb数据集,—nworks 8 表示8核心的cpu并行转换数据。因为我们首先需要进行非常耗时的人脸检测和对齐步棸，所以我们建议使用尽可能多的核心数。Intel E5-2667 v4 带有 32 个核心运行完需要大概50分钟。

模型训练

一旦完成图片到tfrecords的转换，你应该会得到以下的目录：

/path/to/project/data/train/train-000.tfrecords
……
/path/to/project/data/test/test-000.tfrecords
……

我们的CNN深度网络采用基于inception-resnet-v1的FaceNet架构来提取特征，为了加快训练速度，我们使用预训练好的模型权重（https://github.com/davidsandberg/facenet ），并已经微调权重来适应我们的模型，你可以下载这个预训练的facenet权重文件（https://mega.nz/#!4G4yxbAL!D9QG48yzCeFegCFhZfpCgOyLYbfDdU6lt2k2kK9n23gmodels**目录。），并解压到**

/path/to/project/models/checkpoint
/path/to/project/models/model.ckpt-0.data-00000-of-00001
/path/to/project/models/model.ckpt-0.index
/path/to/project/models/model.ckpt-0.meta

注意: 这一步是可选的，你可以从头开始训练自己的模型，运行以下命令来开始训练。

> python train.py --lr 1e-3 --weight_decay 1e-5 --epoch 6 --batch_size 128 --keep_prob 0.8 --cuda

NOTE: 使用 --cuda 将在GPU上训练模型.

使用 tensorboard 来可视化训练

> tensorboard --logdir=./train_log

测试模型

你可以通过以下命令在测试数据集上来检查训练好的模型

> python test.py --images "./data/test" --model_path "./models" --batch_size 128 --choose_best --cuda

--cuda 表示使用GPU来测试；—choose_best 表示测试所有的训练模型并选出最好的一个；如果你只想测试最新的一个训练模型就不用加这个参数。

> python test.py --images "./data/test" --model_path "./models" --batch_size 128 --cuda

One picture demo

如果你想在自己的图片上测试模拟

> python eval.py --I "./demo/demo.jpg" --M "./models/" --font_scale 1 --thickness 1

--I表示图片位置；如果图像上的文本太大或者太小，你可以使用不同的 --font_scale 1 和 --thickness 1 值来调整文本大小和粗细。我们提供一个预训练的模型，你可以从（https://mega.nz/#!BfglkI7A!YBvFyxgKhvUnnNRu9FL-ACjdo18SmOZ-YSz9QghQRzE）或者（https://pan.baidu.com/s/1bpllJg7models**）下载，并解压到** 路径中.

从摄像头获取的图片

首先从（https://mega.nz/#!BfglkI7A!YBvFyxgKhvUnnNRu9FL-ACjdo18SmOZ-YSz9QghQRzE）或者（https://pan.baidu.com/s/1bpllJg7models**）下载，并解压到** 路径中。从摄像头中获得图片运行以下命令时出现问题，你需要卸载你的cv2并从源码重新安装（https://www.scivision.co/anaconda-python-opencv3/）

> python demo.py

待办

x 项目版本一
x 代码检查
x 增加readme
尝试使用其他轻量级的 CNN网络
x 增加从摄像头获取图片的演示

引用和声明

这个项目是我在浙大机器学习课程上的课程作业，以下是论文和代码引用说明

Rothe R, Timofte R, Van Gool L. Dex: Deep expectation of apparent age from a single imageC//Proceedings of the IEEE International Conference on Computer Vision Workshops. 2015: 10-15.
Rothe R, Timofte R, Van Gool L. Deep expectation of real and apparent age from a single image without facial landmarksJ. International Journal of Computer Vision, 2016: 1-14.
IMDB-WIKI – 500k+ face images with age and gender labels(https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/)
yu4u/age-gender-estimation(https://github.com/yu4u/age-gender-estimation)
davidsandberg/facenet(https://github.com/davidsandberg/facenet)
Face Alignment with OpenCV and Python(https://www.pyimagesearch.com/2017/05/22/face-alignment-with-opencv-and-python/)