摄像头对人脸性别和年龄判断
-
- 导入必要的库
- 加载预训练的人脸检测模型
- 加载预训练的性别和年龄识别模型
- 定义性别和年龄的标签列表
- 打开摄像头
- 从摄像头读取一帧
- 转换为灰度图像
- 检测人脸
- 遍历检测到的人脸
- 显示视频流
- [按 'q' 或点击窗口的"×"退出循环](#按 ‘q’ 或点击窗口的“×”退出循环)
- 释放摄像头和销毁所有窗口
- 全部代码
导入必要的库
cv2：OpenCV库，用于图像处理和摄像头操作。
numpy：用于数值计算。
python
import cv2
import numpy as np加载预训练的人脸检测模型
使用cv2.CascadeClassifier加载Haar级联分类器，用于检测图像中的人脸。
python
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')加载预训练的性别和年龄识别模型
使用cv2.dnn.readNetFromCaffe加载Caffe模型，用于预测人脸的性别和年龄。
python
gender_net = cv2.dnn.readNetFromCaffe('deploy_gender.prototxt', 'gender_net.caffemodel')
age_net = cv2.dnn.readNetFromCaffe('deploy_age.prototxt', 'age_net.caffemodel')定义性别和年龄的标签列表
创建两个列表，分别用于存储性别和年龄的标签。
python
gender_list = ['man', 'woman']
age_list = ['(0-10)', '(10-15)', '(15-20)', '(20-30)', '(45-55)', '(55-65)', '(65-80)', '(80-100)']打开摄像头
使用cv2.VideoCapture(0)打开默认的摄像头。
python
cap = cv2.VideoCapture(0)从摄像头读取一帧
使用cap.read()从摄像头捕获一帧视频。
python
while True:
# 从摄像头读取一帧
ret, frame = cap.read()
if not ret:
print("无法捕获视频流，请检查摄像头是否正常工作。")
break转换为灰度图像
使用cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)将捕获的帧从BGR格式转换为灰度格式。
python
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)检测人脸
使用face_cascade.detectMultiScale(gray, 1.1, 4)在灰度图像中检测人脸。
python
faces = face_cascade.detectMultiScale(gray, 1.1, 4)遍历检测到的人脸
对于检测到的人脸，执行以下操作：
裁剪出人脸区域。
将裁剪出的人脸区域转换为Caffe模型所需的格式。
使用Caffe模型预测性别和年龄。
在原图上画出人脸框，并在框内显示性别和年龄。
python
for (x, y, w, h) in faces:
# 从原始图像中裁剪人脸区域
face_img = frame[y:y + h, x:x + w].copy()
# 预处理人脸图像以适应神经网络输入
blob = cv2.dnn.blobFromImage(face_img, 1, (227, 227), (78.4263377603, 87.7689143744, 114.895847746), swapRB=False)
# 预测性别
gender_net.setInput(blob)
gender_preds = gender_net.forward()
gender = gender_list[gender_preds[0].argmax()]
# 预测年龄
age_net.setInput(blob)
age_preds = age_net.forward()
age = age_list[age_preds[0].argmax()]
# 在人脸周围画框并显示性别和年龄
cv2.rectangle(frame, (x, y), (x + w, y + h), (255, 255, 0), 2)
cv2.putText(frame, f'{gender}, {age}', (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2, cv2.LINE_AA)显示视频流
使用cv2.imshow('Gender and Age Recognition', frame)在窗口中显示视频流。
python
cv2.imshow('Gender and Age Recognition', frame)按 'q' 或点击窗口的"×"退出循环
使用cv2.waitKey(1)等待用户按键。
如果用户按了'q'键或者关闭了窗口，则退出循环。
python
if cv2.waitKey(1) == 27 or cv2.getWindowProperty('Gender and Age Recognition', cv2.WND_PROP_VISIBLE) < 1:
break释放摄像头和销毁所有窗口
使用cap.release()释放摄像头。
使用cv2.destroyAllWindows()销毁所有OpenCV创建的窗口。
python
cap.release()
cv2.destroyAllWindows()全部代码
python
import cv2
import numpy as np
# 加载预训练的人脸检测模型
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
# 加载预训练的性别和年龄识别模型
gender_net = cv2.dnn.readNetFromCaffe('deploy_gender.prototxt', 'gender_net.caffemodel')
age_net = cv2.dnn.readNetFromCaffe('deploy_age.prototxt', 'age_net.caffemodel')
# 定义性别和年龄的标签列表
gender_list = ['man', 'woman']
age_list = ['(0-10)', '(10-15)', '(15-20)', '(20-30)', '(45-55)', '(55-65)', '(65-80)', '(80-100)']
# 打开摄像头
cap = cv2.VideoCapture(0)
while True:
# 从摄像头读取一帧
ret, frame = cap.read()
if not ret:
print("无法捕获视频流，请检查摄像头是否正常工作。")
break
# 转换为灰度图像
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# 检测人脸
faces = face_cascade.detectMultiScale(gray, 1.1, 4)
# 遍历检测到的人脸
for (x, y, w, h) in faces:
# 从原始图像中裁剪人脸区域
face_img = frame[y:y + h, x:x + w].copy()
# 预处理人脸图像以适应神经网络输入
blob = cv2.dnn.blobFromImage(face_img, 1, (227, 227), (78.4263377603, 87.7689143744, 114.895847746), swapRB=False)
# 预测性别
gender_net.setInput(blob)
gender_preds = gender_net.forward()
gender = gender_list[gender_preds[0].argmax()]
# 预测年龄
age_net.setInput(blob)
age_preds = age_net.forward()
age = age_list[age_preds[0].argmax()]
# 在人脸周围画框并显示性别和年龄
cv2.rectangle(frame, (x, y), (x + w, y + h), (255, 255, 0), 2)
cv2.putText(frame, f'{gender}, {age}', (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2, cv2.LINE_AA)
# 显示视频流
cv2.imshow('Gender and Age Recognition', frame)
# 按 'q' 或点击窗口的"×"退出循环
if cv2.waitKey(1) == 27 or cv2.getWindowProperty('Gender and Age Recognition', cv2.WND_PROP_VISIBLE) < 1:
break
# 释放摄像头和销毁所有窗口
cap.release()
cv2.destroyAllWindows()