人脸性别和年龄识别

本文是对age-gender-estimation项目的详细讲解，它给出了使用keras进行性别和年龄识别的完整流程。

数据

采用的数据集为imdb-wiki，这是一个包含 20,284名人的460,723张以及维基百科上imdb的 62,328张共计523,051 张人脸图像的数据集，是目前开源的数据集中量级最大的，它给出了图像中人物的性别和出生时间、照片的拍摄时间等信息。原始的图片很大，分成了9个部分共计100多G，而裁剪出人脸的图片比较小，只有3G多，因此大家使用的基本都是wiki.tar.gz，不需要注册，直接就可以下载，这点很良心，省去了很多下载的时间。

解压后的目录为100个子文件夹，每个子文件夹再存储图片文件，这也是分类任务里最常见的做法

不过由于标注是采用matlab的mat格式文件存储的，实际用起来还要做一些转化。里面还含有一些噪声，比如性别标记为NAN,年龄算出来不对等，我写了一些代码来对这些信息进行过滤和统计

import os
import numpy as np
from scipy.io import loadmat
from datetime import datetime
from tqdm import tqdm
import matplotlib.pyplot as plt

def calc_age(taken, dob):
    birth = datetime.fromordinal(max(int(dob) - 366, 1))

    # assume the photo was taken in the middle of the year
    if birth.month < 7:
        return taken - birth.year
    else:
        return taken - birth.year - 1

def get_meta(mat_path, db):
    meta = loadmat(mat_path)
    full_path = meta[db][0, 0]["full_path"][0]
    dob = meta[db][0, 0]["dob"][0]  # Matlab serial date number
    gender = meta[db][0, 0]["gender"][0]
    photo_taken = meta[db][0, 0]["photo_taken"][0]  # year
    face_score = meta[db][0, 0]["face_score"][0]
    second_face_score = meta[db][0, 0]["second_face_score"][0]
    age = [calc_age(photo_taken[i], dob[i]) for i in range(len(dob))]

    return full_path, dob, gender, photo_taken, face_score, second_face_score, age

def load_data(mat_path):
    d = loadmat(mat_path)

    return d["image"], d["gender"][0], d["age"][0], d["db"][0], d["img_size"][0, 0], d["min_score"][0, 0]

def convert2txt(mat_path="imdb.mat",db="imdb"):
    lines=[]
    min_score=1.0
    full_path, dob, gender, photo_taken, face_score, second_face_score, age = get_meta(mat_path,db)
    genders=[0,0]
    ages=[]
    for i in range(101):
        ages.append(0)
    for i in tqdm(range(len(full_path))):
        #if face_score[i] < min_score:
            #continue
        #if (~np.isnan(second_face_score[i])) and second_face_score[i] > 0.0:
            #continue
        if ~(0 <= age[i] <= 100):
            continue
        if np.isnan(gender[i]):
            continue
        g=int(gender[i])
        genders[g]+=1
        ag=int(age[i])
        ages[ag]+=1
        #print(i,gender[i],age[i])
        line=full_path[i][0]+" "+str(g)+" "+str(ag)
        lines.append(line)
    with open("gt.txt","w")as f:
        for line in lines:
            f.write(line+"\n")
    print("genders",genders[0],genders[1])
    print("age:")
    for i in range(101):
        print(i,ages[i])
    plt.plot(np.linspace(0, 101,101),ages)
    plt.savefig("plot.png")
    plt.show()

if __name__=="__main__":
    convert2txt()

结果如下:

性别比(男:女)=188746:262834

年龄分布画成图如下:

不难看出30-50岁之间的图片最多 ，这也是主流的分布。

具体到age-gender-estimation项目，可以简单的通过

./download.sh

下载，然后使用

python3 create_db.py --output data/imdb_db.mat --db imdb --img_size 64

将数据集转换为需要的格式，这个格式主要是清理无效标签，省的每次都再重复做，代码和我上面给出的差不多，不再赘述。

模型

使用的模型为WiderResnet，可以通过Netron可视化，是由6个残差模型拼起来的，不过输出部分有两个输出，一个是性别的2，另一个是年龄的101

训练

训练部分也比较简单，生成了数据文件后直接使用

python3 train.py --input data/imdb_db.mat

就可以了，如果还想使用数据增强，可以加上--aug

python3 train.py --input data/imdb_db.mat --aug

demo

想看训练好的效果可以运行

python3 demo.py