2. 程式人生 > >基於CNN的人臉 性別、年齡識別

基於CNN的人臉 性別、年齡識別

阿新 • • 發佈：2019-01-16

CNN應用之性別、年齡識別

作者：hjimce

一、相關理論

　　本篇博文主要講解2015年一篇paper《Age and Gender Classification using Convolutional Neural Networks》，個人感覺這篇文獻沒啥難度，只要懂得Alexnet，實現這篇文獻的演算法，會比較容易。其實讀完這篇paper之後，我一直在想paper的創新點在哪裡？因為我實在沒有看出paper的創新點在哪裡，估計是自己水平太lower了，看文獻沒有抓到文獻的創新點。難道是因為利用CNN做年齡和性別分類的paper很少嗎？網上搜索了一下，性別預測，以前很多都是用SVM演算法，用CNN搞性別分類就只搜尋到這一篇文章。個人感覺利用CNN進行圖片分類已經不是什麼新鮮事了，年齡、和性別預測，隨便搞個CNN網路，然後開始訓練跑起來，也可以獲得不錯的精度。

　　性別分類自然而然是二分類問題，然而對於年齡怎麼搞？年齡預測是迴歸問題嗎？paper採用的方法是把年齡劃分為多個年齡段，每個年齡段相當於一個類別，這樣性別也就多分類問題了。所以我們不要覺得現在的一些APP，功能好像很牛逼，什麼性別、年齡、衣服型別、是否佩戴眼鏡等識別問題，其實這種識別對於CNN來說，基本上是鬆鬆搞定的事，當然你如果要達到非常高的識別精度，是另外一回事了，就需要各種調參了。

言歸正傳，下面開始講解2015年paper《Age and Gender Classification using Convolutional Neural Networks》的網路結構，這篇文章沒有什麼新演算法，只有調參，改變網路層數、卷積核大小等……所以如果已經對Alexnet比較熟悉的，可能會覺得看起來沒啥意思，這篇papar的相關原始碼和訓練資料，文獻作者有給我們提供，可以到Caffe zoo model：

https://github.com/BVLC/caffe/wiki/Model-Zoo  或者文獻的主頁：http://www.openu.ac.il/home/hassner/projects/cnn_agegender/。下載相關訓練好的模型，paper性別、年齡預測的應用場景比較複雜，都是一些非常糟糕的圖片，比較模糊的圖片等，所以如果我們想要直接利用paper訓練好的模型，用到我們自己的專案上，可能精度會比較低，後面我將會具體講一下利用paper的模型進行fine-tuning，以適應我們的應用，提高我們自己專案的識別精度。

二、演算法實現

因為paper的主頁，有提供網路結構的原始碼，我將結合網路結構檔案進行講解。

1、 網路結構

     

Paper所用的網路包含：3個卷積層，還有2個全連線層。這個算是層數比較少的CNN網路模型了，這樣可以避免過擬合。對於年齡的識別，paper僅僅有8個年齡段，相當於8分類模型；然後對於性別識別自然而然是二分類問題了。

然後影象處理直接採用3通道彩色影象進行處理，圖片6都統一縮放到256*256，然後再進行裁剪，為227*227（訓練過程隨機裁剪，驗證測試過程通過矩形的四個角+中心裁剪），也就是說網路的輸入時227*227的3通道彩色影象，總之基本上跟Alexnet一樣。

網路模型：

(1)第一層：採用96個卷積核，每個卷積核引數個數為3*7*7，這個就相當於3個7*7大小的卷積核在每個通道進行卷積。啟用函式採用ReLU，池化採用最大重疊池化，池化的size選擇3*3，strides選擇2。然後接著再來一個區域性響應歸一化層。什麼叫區域性響應歸一化，自己可以檢視一下文獻：《ImageNet Classification with Deep Convolutional Neural Networks》，區域性響應歸一化可以提高網路的泛化能力。

 

區域性響應歸一化，這個分成兩種情況，一種是3D的歸一化，也就是特徵圖之間對應畫素點的一個歸一化。還有一種是2D歸一化，就是對特徵圖的每個畫素的區域性做歸一化。區域性響應歸一化其實這個可有可無，精度提高不了多少，如果你還不懂上面那個公式也沒有關係。我們可以利用最新的演算法：Batch Normalize ，這個才牛逼呢，2015年，我覺得最牛逼的演算法之一，不僅提高了訓練速度，連精度也提高了。過程：通過7*7大小的卷積核，對227*227圖片卷積，然後特徵圖的個數為96個，每個特徵圖都是三通道的,這個作者沒有講到卷積層的stride大小，不過我們大體可以推測出來，因為paper的網路結構是模仿：ImageNet Classification with Deep Convolutional Neural Networks的網路結構的，連輸入圖片的大小也是一樣的，這篇文獻的第一層如下所示：

 

我們可以推測出，paper選擇的卷積步長為4，這樣經過卷積後，然後pad為2，這樣經過卷積後圖片的大小為：(227-7)/4+1=56。然後經過3*3，且步長為2的大小，進行重疊池化，可以得到：56/2=28*28大小的圖片，具體邊界需要補齊。下面是原文的第一層結構示意圖：

 

  1. layers {  
  2.   name: "conv1"
  3.   type: CONVOLUTION  
  4.   bottom: "data"
  5.   top: "conv1"
  6.   blobs_lr: 1
  7.   blobs_lr: 2
  8.   weight_decay: 1
  9.   weight_decay: 0
  10.   convolution_param {  
  11.     num_output: 96
  12.     kernel_size: 7
  13.     stride: 4
  14.     weight_filler {  
  15.       type: "gaussian"
  16.       std: 0.01
  17.     }  
  18.     bias_filler {  
  19.       type: "constant"
  20.       value: 0
  21.     }  
  22.   }  
  23. }  
  24. layers {  
  25.   name: "relu1"
  26.   type: RELU  
  27.   bottom: "conv1"
  28.   top: "conv1"
  29. }  
  30. layers {  
  31.   name: "pool1"
  32.   type: POOLING  
  33.   bottom: "conv1"
  34.   top: "pool1"
  35.   pooling_param {  
  36.     pool: MAX  
  37.     kernel_size: 3
  38.     stride: 2
  39.   }  
  40. }  
  41. layers {  
  42.   name: "norm1"
  43.   type: LRN  
  44.   bottom: "pool1"
  45.   top: "norm1"
  46.   lrn_param {  
  47.     local_size: 5
  48.     alpha: 0.0001
  49.     beta: 0.75
  50.   }  
  51. }  
(2)第二層：第二層的輸入也就是96*28*28的單通道圖片，因為我們上一步已經把三通道合在一起進行卷積了。第二層結構，選擇256個濾波器，濾波器大小為5*5，卷積步長為1，這個也可以參考AlexNet的結構。池化也是選擇跟上面的一樣的引數。
  1. layers {  
  2.   name: "conv2"
  3.   type: CONVOLUTION  
  4.   bottom: "norm1"
  5.   top: "conv2"
  6.   blobs_lr: 1
  7.   blobs_lr: 2
  8.   weight_decay: 1
  9.   weight_decay: 0
  10.   convolution_param {  
  11.     num_output: 256
  12.     pad: 2
  13.     kernel_size: 5
  14.     weight_filler {  
  15.       type: "gaussian"
  16.       std: 0.01
  17.     }  
  18.     bias_filler {  
  19.       type: "constant"
  20.       value: 1
  21.     }  
  22.   }  
  23. }  
  24. layers {  
  25.   name: "relu2"
  26.   type: RELU  
  27.   bottom: "conv2"
  28.   top: "conv2"
  29. }  
  30. layers {  
  31.   name: "pool2"
  32.   type: POOLING  
  33.   bottom: "conv2"
  34.   top: "pool2"
  35.   pooling_param {  
  36.     pool: MAX  
  37.     kernel_size: 3
  38.     stride: 2
  39.   }  
  40. }  
  41. layers {  
  42.   name: "norm2"
  43.   type: LRN  
  44.   bottom: "pool2"
  45.   top: "norm2"
  46.   lrn_param {  
  47.     local_size: 5
  48.     alpha: 0.0001
  49.     beta: 0.75
  50.   }  
  51. }  

(3)第三層：濾波器個數選擇384，卷積核大小為3*3。

  1. layers {  
  2.   name: "conv3"

  3. 相關推薦

    深度學習（十四）基於CNN的性別、年齡識別

    CNN應用之性別、年齡識別 作者：hjimce 一、相關理論 　　本篇博文主要講解2015年一篇paper《Age and Gender Classification using Convolutional Neural Networks

    基於CNN的人臉 性別、年齡識別

    CNN應用之性別、年齡識別作者：hjimce一、相關理論　　本篇博文主要講解2015年一篇paper《Age and Gender Classification using Convolutional Neural Networks》，個人感覺這篇文獻沒啥難度，只要懂得Alexnet，實現這篇文獻的演算法，會

    人臉性別和年齡識別

    本文是對age-gender-estimation專案的詳細講解，它給出了使用keras進行性別和年齡識別的完整流程。 資料 採用的資料集為imdb-wiki，這是一個包含 20,284名人的460,723張以及維基百科上imdb的 62,328張共計523,051 張人

    人臉屬性分析--性別、年齡和表情識別

    人臉屬性指的是根據給定的人臉判斷其性別、年齡和表情等，當前在github上開源了一些相關的工作，大部分都是基於tensorflow的，還有一部分是keras，CVPR2015曾有一篇是用caffe做的. CSDN github https:/

    沫沫金原創提供：完整的根據身份證獲取省份、性別、年齡、生日及頁面驗證

    數字 部分 ast script cit key oot test log 概述： 身份證的校驗，識別，分離，處處可見。最近H5移動端的項目就需要掃碼獲取身份證，根據身份證自動識別省份、性別、年齡、生日信息。這裏分享完善版，希望大家喜歡。 環境： 依賴jQuery、Boot

    通過身份證分析出生年月日、性別、年齡的SQL語句

    int rda mat get sta 字符串格式化 pan pre class update [表名] set [性別]=(case when (left(right([身份證],2),1) % 2 = 0) then ‘女‘ else ‘男‘ end ) where

    Excel表格身份證號碼如何一鍵提取性別、年齡、出生年月

    身份證號 cap 是你 學會 不同的 位數 http ted 有效 Excel報表想必每一個職場人士每一天都要接觸到，不知道大家有沒有發現這樣一個問題，不知道如何提取Excel表格裏面的信息，那麽今天小編教大家幾個非常簡單的小技巧，輕松幫你快速提取身份證裏面的性別、年齡、出

    Excel表格×××號碼如何一鍵提取性別、年齡、出生年月

    Excel報表想必每一個職場人士每一天都要接觸到，不知道大家有沒有發現這樣一個問題，不知道如何提取Excel表格裡面的資訊，那麼今天小編教大家幾個非常簡單的小技巧，輕鬆幫你快速提取×××裡面的性別、年齡、出生日期。 1、 提取Excel×××的性別 想必大家都非常好奇是如何提取的，其實不知道

    安卓使用Java語言從身份證號碼中截取出生日期、省份、性別、年齡

    宣告：本文是看了大神程式碼作為筆記摘入，也添加了相關聯文章的URL。 1.首先每個省份相對應的身份證號開頭碼都是不一樣的，且公民身份證號碼是特徵組合碼，由十七位數字本體碼和一位數字驗證碼組成。排列從左至右一次為：六位數字地址碼，八位數字出生日期碼，三位數字順序碼和一位數字校驗碼。

    基於Tensorflow訓練物體、人像識別的模型

    領導突發奇想一個idea，於是踏上了瞭解Tensorflow機器學習框架之路，踩過很多坑，做個記錄。各位看官看的時候有些訓練方式可能已經過時或者不對，見諒。 參考文件 環境配置： ubuntu 16.0.4 Python 2.7 tensorflow

    python tensorflow 基於cnn實現手寫數字識別

    感覺剛才的程式碼不夠給力，所以再儲存一份基於cnn的手寫數字自識別的程式碼 # -*- coding: utf-8 -*- import tensorflow as tf from tensorflow.examples.tutorials.mnist

    java通過身份證號碼獲取出生日期、性別、年齡

    身份證號碼： 15位：6位地址碼+6位出生年月日（900101代表1990年1月1日出生）+3位順序碼 18位：6位地址碼+8位出生年月日（19900101代表1990年1月1日出生）+3位順序碼+1位校驗碼 地區碼： 1、 第一、二位表示省（自治區、直

    通過身份證號動態獲取生日、性別、年齡

    $('#idNumber').blur(function (){ var UUserCard = $("#idNumber").val(); if(UUserCard!=null&&

    [052]TensorFlow Layers指南：基於CNN的手寫數字識別

    TensorFlow Layers module 為容易的建立一個神經網路提供了高水平的API介面。它提供了很多方法幫助建立dense（全連線）層和卷積層，增加啟用函式和應用dropout做歸一化。在這個教程中，你會學到如何用layers構建一個卷積神經網路用於

    2.實現一個通訊錄； 通訊錄可以用來儲存1000個人的資訊，每個人的資訊包括： 姓名、性別、年齡、電話、住址 提供方法： 1. 新增聯絡人資訊 2. 刪除指定聯絡人資訊 3. 查詢指定聯

    實現一個通訊錄  通訊錄可以用來儲存1000個人的資訊，每個人的資訊包括：  姓名、性別、年齡、電話、住址   提供方法： 1.新增聯絡人資訊 2.刪除指定聯絡人資訊  3.查詢指定聯絡人4.修改聯絡人資訊5.顯示所有聯絡人資訊 6. 清空所有聯絡人 7. 以名字排序所有聯絡

    SmileyFace——基於OpenCV的人臉人眼檢測、面部識別程序

    tro 識別 open HR tps 應用 動態 框圖 顯示 項目地址 https://github.com/guoyaohua/SmileyFace 開發環境 Visual Studio 2010 MFC + OpenCV 功能描述 靜態圖像人臉檢測 視頻人臉追蹤檢測

    基於python、face++實現人臉檢測、人臉識別

    face++做的人臉識別應該是我目前接觸到的效果最好的了。這家公司也是個獨角獸，專門做人臉識別這塊的，返回的照片的資訊很全，也好呼叫。不過只提供線上的，不提供離線sdk沒法做一些實時性的東西。 import requests from json import JSONDecoder import

    基於 CNN的年齡和性別檢測

    自2012年深度學習火起來後，AlexNet，vgg16，vgg19，gooGleNet，caffeNet，faster RCNN等，各種模型層出不群，頗有文藝復興時的形態。 在各種頂會論文中，對年齡和性別的檢測的論文還是比較少的。而本文將要講解的是2015年的一篇cvpr

    人臉屬性識別演算法 | 性別+種族+年齡+表情

    　內容梗概 　　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直接的手段，相比其它人體生物特性，它具有直接、友好、方便的特點，更容易

    人臉識別——基於CNN的模型實現

    本文是基於吳恩達《深度學習》卷積神經網路第四周習題而做。通常人臉識別問題分為兩類：人臉驗證和人臉識別，人臉驗證可以作為人臉識別的前提，具體的講解可以觀看達叔《深度學習》教程，在此預設大家對人臉識別問題已有了解。 所需的第三方庫如下，其中所用的資料集和輔助程式可點選此處下載。