Pycaffemodel来实现年龄和性别识别

　　1 说明
　　=====
　　1.1 效果图
　　图片静态识别有bug
　　视频和摄像头识别，动态可变
　　1.2 源代码来源：https://github.com/spmallick/learnopencv
　　1.3 对源代码进行修改、注释、增加，便于理解。
　　1.4 模型文件来自，或者参考这里的源代码#感谢作者，提供这两个模型：age_net.caffemodel和gender_net.caffemodel https://github.com/Roggu123/Algorithm 解压后 Algorithm-master/Practice/CV/FaceDetection/age_gender 下找到
　　2 准备
　　=====
　　2.1 环境：python3.8+opencv4.4.0+深度deepin-linux操作系统+微软编辑器vscode。
　　2.2 文件结构：
　　3 AgeGender.py代码
　　================
　　3.1 #第1步：导入模块 import cv2 import math
　　3.2 #blob = cv2.dnn.blobFromImage(image, scalefactor=1.0, size, mean, swapRB=True，crop=False,ddepth = CV_32F )
　　#参数
　　＂＂＂
　　1.image，这是传入的，需要进行处理的图像。
　　2.scalefactor，执行完减均值后，需要缩放图像，默认是1。
　　3.size,这是神经网络，真正支持输入的值。
　　4.mean,这是我们要减去的均值，可以是R,G,B均值三元组，或者是一个值，每个通道都减这值。
　　如果执行减均值，通道顺序是R、G、B。 如果，输入图像通道顺序是B、G、R，那么请确保swapRB = True，交换通道。
　　5.swapRB，OpenCV认为图像 通道顺序是B、G、R，而减均值时顺序是R、G、B，
　　为了解决这个矛盾，设置swapRB=True即可。
　　6.crop,如果crop裁剪为真，则调整输入图像的大小，使调整大小后的一侧等于相应的尺寸，另一侧等于或大于。
　　然后，从中心进行裁剪。如果＂裁剪＂为＂假＂，则直接调整大小而不进行裁剪并保留纵横比。
　　＂＂＂#第2步：获取脸部框函数 def getFaceBox(net, frame, conf_threshold=0.7):     frameOpencvDnn = frame.copy()     frameHeight = frameOpencvDnn.shape[0]     frameWidth = frameOpencvDnn.shape[1]     #关键参数     blob = cv2.dnn.blobFromImage(frameOpencvDnn, 1.0, (300, 300), [104, 117, 123], True, False)      net.setInput(blob)     detections = net.forward()     bboxes = []     for i in range(detections.shape[2]):         confidence = detections[0, 0, i, 2]         if confidence > conf_threshold:             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)             bboxes.append([x1, y1, x2, y2])             cv2.rectangle(frameOpencvDnn, (x1, y1), (x2, y2), (0, 255, 0), int(round(frameHeight/150)), 8)     return frameOpencvDnn, bboxes
　　3.3 主要是自己喜欢微软编辑器vscode，点击运行即可。#第3步：路径管理，自己增加的 import os curpath = os.path.realpath(__file__)        # 获取当前AgeGender.py代码的绝对路径 dirpath = os.path.dirname(curpath)          # 获取当前文件的文件夹路径
　　3.4 #第4步：现有的模型加载  faceProto = dirpath+＂/model/opencv_face_detector.pbtxt＂     #√ faceModel = dirpath+＂/model/opencv_face_detector_uint8.pb＂  #√  ageProto = dirpath+＂/model/age_deploy.prototxt＂   #√ ageModel = dirpath+＂/model/age_net.caffemodel＂   #自行下载  genderProto =dirpath+ ＂/model/gender_deploy.prototxt＂  #√ genderModel = dirpath+＂/model/gender_net.caffemodel＂  #自行下载  MODEL_MEAN_VALUES = (78.4263377603, 87.7689143744, 114.895847746) ageList = [＂(0-2)＂, ＂(4-6)＂, ＂(8-12)＂, ＂(15-20)＂, ＂(25-32)＂, ＂(38-43)＂, ＂(48-53)＂, ＂(60-100)＂] genderList = [＂Male＂, ＂Female＂]  # Load network加载网络 ageNet = cv2.dnn.readNet(ageModel, ageProto) #读取预训练模型 genderNet = cv2.dnn.readNet(genderModel, genderProto) faceNet = cv2.dnn.readNet(faceModel, faceProto)  padding = 20
　　3.5 #第5步：加载图片或者视频识别 #视频类 #cap = cv2.VideoCapture(0)  #摄像头识别  cap = cv2.VideoCapture(dirpath+＂/v1.mp4＂)  #视频识别  #图片类 #常规是image，为了与视频代码兼容 #这里采用frame代替原来的image  #frame= cv2.imread(dirpath+＂/3.jpeg＂)
　　3.6 #第6步：循环 while cv2.waitKey(1) < 0:      #图片识别时，可注释掉     #---视频类---     hasFrame, frame = cap.read()     if not hasFrame:         cv2.waitKey()         break     #---视频类---          frameFace, bboxes = getFaceBox(faceNet, frame)      if not bboxes:         continue      for bbox in bboxes:         face = frame[max(0,bbox[1]-padding):min(bbox[3]+padding,frame.shape[0]-1),max(0,bbox[0]-padding):min(bbox[2]+padding, frame.shape[1]-1)]          blob = cv2.dnn.blobFromImage(face, 1.0, (227, 227), MODEL_MEAN_VALUES, swapRB=False)         genderNet.setInput(blob)         genderPreds = genderNet.forward()         #性别         gender = genderList[genderPreds[0].argmax()]          ageNet.setInput(blob)         agePreds = ageNet.forward()         #年龄         age = ageList[agePreds[0].argmax()]          label = ＂{},{}＂.format(gender, age)         #输出字体颜色：0, 255, 255=黄色；0, 0, 255=红色         cv2.putText(frameFace, label, (bbox[0], bbox[1]-10), cv2.FONT_HERSHEY_SIMPLEX, 0.8,                      (0, 0, 255), 2, cv2.LINE_AA)         #窗口展示         cv2.imshow(＂Age Gender Demo＂, frameFace)
　　4 小结：
　　可能由于现有的模型，训练数据太少，导致可能出现bug。
　　可以自行训练数据集，训练好了自己再用这个套用，当然这是一件浩大的工程，提高识别精度。
　　一般人，玩玩技术知道怎么回事就可以了。
　　自己让代码运行起来，并加入相关代码，复习python相关知识（编程思维和路径管理）。
　　希望大家喜欢。