人臉實踐篇：基於 Caffe 的年齡 & 性別識別

摘要： 人臉檢測及對應屬性的識別是現在比較流行的一個技術之一。今天我們“計算機視覺戰隊”就和大家說說該技術的一些詳細細節。 隨著社會的發展，快速有效的自動身份驗證在安防領域變的越來越迫切。 由於生物特性是人的內在屬性，具有很強的自身穩定性和個體差異性，是...

人臉檢測及對應屬性的識別是現在比較流行的一個技術之一。今天我們“計算機視覺戰隊”就和大家說說該技術的一些詳細細節。

隨著社會的發展，快速有效的自動身份驗證在安防領域變的越來越迫切。

由於生物特性是人的內在屬性，具有很強的自身穩定性和個體差異性，是身份驗證的最理想依據。利用人臉屬性進行身份驗證又是最自然最直接的手段，相比其它人類生物特性，它具有直接、方便的特點，更容易被使用者所接受且不易察覺。

近幾年也是有很多相關的Paper及技術得到了實現，如：

• 2015年的一篇文章就簡單得到了實現，只要你懂得Alexnet，實現這篇文獻的演算法，會比較容易。最後的實驗結果，Gender accuracy 在86.8%，Age預測精準的值準確率在50.7%，預測年齡段準確率在 84.7%，使用的資料集是Adience；

• 基於傳統方法也有，比如基於LBP，亮度、形狀直方圖的多尺度特徵融合的性別識別，在性別識別中融入資訊理論概念，對PCA、LDA等經典識別演算法進行簡化，在簡化過程中根據資訊熵、互資訊量等指標提出一套特徵選擇理論。最後結果，Gender accuracy基於畫素增強為87.85%，基於shape features可以達到91.59%，基於LBP紋理特徵也可以到達93.46%，利用三種特徵可以得到95.33%，都是在常用的FERET資料集中。

• 基於形狀特徵和深度神經網路的現實人臉性別分類，先對人臉進行對齊操作，用深度網路的方法進行分類，在LFW資料庫的非正向人臉樣本部分做實驗，識別率可達到89.3%。

性別識別

性別識別是利用計算機視覺來辨別影象中的人臉性別屬性。 多年來，人臉性別因為實際場景的需求，如 在身份認證、人機介面、視訊檢索以及機器人視覺中的潛在應用而備受關注。

性別識別是一個複雜的大規模二分類問題，分類器將資料錄入並劃分男女性別。目前性別識別方法主要有：基於特徵臉的性別識別演算法（等傳統方法）及基於深度學習方法。

基於特徵臉的性別識別演算法 

基於特徵臉的性別識別演算法主要是使用PCA。在計算過程中通過消除資料中的相關性，將高維影象降低到低維空間，而訓練集中的樣本則被對映成低維空間中的一點。當需要判斷測試圖片性別時，就需要先將測試圖片對映到低維空間中，然後計算離測試圖片最近樣本點是哪一個，將最近樣本點的性別賦值給測試圖片即可。

下面我們主要講深度學習方法，那我們開始吧！

年齡及性別識別

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'

然後我們讀取均值檔案：

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]


讀取之前訓練好的模型檔案：

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))


讀取Label檔案：

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


讀取預測影象及預測結果：

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()])


特徵視覺化

做這個的原因，是想通過學習特徵過程，其重點學習的特徵到底是什麼樣子的，好讓我們有一個空間想象力。

COV1第一層卷積濾波器學習特徵的視覺化結果，該層主要學習顏色、紋理、邊緣等特徵，屬於較低層特徵。

COV1第一層卷積後的視覺化結果：

END