基于 CNN的年龄和性别检测

基于CNN的年龄和性别检测自2012年深度学习火起来后，AlexNet，vgg16，vgg19，gooGleNet，caffeNet，fasterRCNN等，各种模型层出不群，颇有文艺复兴时的形态。在各种顶会论文中，对年龄和性别的检测的论文还是比较少的。而本文将要讲解的是2015年的一篇cvpr，AgeandGenderClassificationusingConvolutionalNeuralNetworks。官方链接为理论基础：其整体结构如下图所示，输入一幅图片，然后经过3个卷基层，2个全链接层，最后经过svm分类器分类，输出相应的结果。详细结构如下图所示，其中norm层为了提高模型的泛化能力，drop层是为了防止过拟合。其中左中右分别为第一二三个卷基层，下面的为第六七八个全连接层。程序运行：可以写一个简单的shell脚本来进行运行测试，touch一个.sh文件，随便起个名字，输入如下的脚本，然后命令行运行就可以输出结果。其中路径名换成自己电脑的实际路径名。[plain]viewplaincopy#!/bin/bash#directedbywatersink([e-mail])echoBegingender....../build/examples/cpp_classification/classification.bin\models/cnn_age_gender/deploy_gender.prototxt\models/cnn_age_gender/gender_net.caffemodel\data/cnn_age_gender/mean.binaryproto\data/cnn_age_gender/genderlabels.txt\data/cnn_age_gender/example_image.jpgechoBeginage....../build/examples/cpp_classification/classification.bin\models/cnn_age_gender/deploy_age.prototxt\models/cnn_age_gender/age_net.caffemodel\data/cnn_age_gender/mean.binaryproto\data/cnn_age_gender/agelabels.txt\data/cnn_age_gender/example_image.jpgechoDone.classification.bin为caffe自带的二进制文件，用于实现分类。deploy_gender.prototxt，deploy_age.prototxt分别为性别，年龄部署或者测试时候的模型文件gender_net.caffemodel，age_net.caffemodel分别为性别，年龄训练好的权值文件mean.binaryproto，为训练的样本的均值文件，减均值时使用，可以达到更好的检测效果genderlabels.txt，agelabels.txt为性别，年龄的标签文件，具体内容如下genderlabels.txt中的内容：[plain]viewplaincopymale1female0agelabels.txt中的内容：[plain]viewplaincopy0-204-618-13215-20325-32438-43548-53660-7example_image.jpg，为随便一张想要测试的图片实验结果：性别识别率：年龄识别率：训练自己的模型：论文的原作者给出了自己的5-folder训练文件，首先我们对原作者的训练数据进行分析。通过上面的数据可以看出，性别数据反面基本是1:1比例进行的。而年龄方面并没有执行大概的1:1:1:1:1:1:1:1比例，而是3:3:3:3:6:3:1:1，对于这样的训练比例，我个人认为是很不科学和合理的，所谓的mini-batch，应该是每个batch中的属性和整体的基本是一样的才可以。简单的说，任意给一张图像，这张图像中人物属于哪一个年龄段是都有可能的，也就是是平均概率的。（个人见解，如有错误，希望大家指正）下面通过一个简单的c++程序来获得和作者一样的txt文件。[cpp]viewplaincopyintmain(){vector<string>file_folder;file_folder.push_back(fold_0_data.txt);file_folder.push_back(fold_1_data.txt);file_folder.push_back(fold_2_data.txt);file_folder.push_back(fold_3_data.txt);file_folder.push_back(fold_4_data.txt);ofstreamfile_stream_gender_out(gender.txt,ios::app);ofstreamfile_stream_age_out(age.txt,ios::app);charbuffer[500];charstr1[50],str2[50],str3[50],str4[50],str5[50],str6[50];for(inti=0;i<file_folder.size();i++){ifstreamfile_stream_in(file_folder[i]);file_stream_in.getline(buffer,400);//提取标题while(!file_stream_in.eof()){file_stream_in.getline(buffer,400);sscanf(buffer,%s%s%s%s%s%s,&str1,&str2,&str3,&str4,&str5,&str6);stringtmp1=str3,tmp2=str2;stringaddress=F:\\MydataSet\\Adience\\aligned\\landmark_aligned_face.+tmp1+.+tmp2;Matimage=imread(address);if(image.data){if(str4[0]=='(')file_stream_age_out<<Adience/<<landmark_aligned_face.<<str3<<.<<str2<<<<str4<<<<str5<<endl;if(strcmp(str6,f)==0||strcmp(str6,m)==0)file_stream_gender_out<<Adience/<<landmark_aligned_face.<<str3<<.<<str2<<<<str6<<endl;else{if(strcmp(str5,f)==0||strcmp(str5,m)==0)file_stream_gender_out<<Adience/<<landmark_aligned_face.<<str3<<.<<str2<<<<str5<<endl;}}}file_stream_in.close();}file_stream_gender_out.close();file_stream_age_out.close();return0;}程序运行结束后，将会生成age.txt和gender.txt有了这2个文件就可以进行相应的训练工作了。当然为了得到更好的效果，可以考虑以下3点建议。（1）对txt中的数据平均分配，不要好多相同的标签在一起，如果不这样做的话，需要在输入层设置shuffle，同样可以达到相同的效果。（2）增加一定的样本，使得年龄的每一个阶段数量都大致相同（3）将图像缩放到256*256，并做aligement本人处理后数据如下图所示，大小256*256，做了aligement将cafferoot/examples/imagenet/（cafferoot为自己的caffe的根目录）下的create_imagenet.sh，make_imagenet_mean.sh，train_caffenet.sh复制到自己的工程下，分别改名为，create_age.sh，make_age_mean.sh，train_age.sh，再复制一份，改名为，create_gender.sh，make_gender_mean.sh，train_gender.sh，并对其中的参数做相应的修改。（如果这一步有疑问，请留言）年龄的训练：执行create_age.sh，执行，make_age_mean.sh，执行，train_age.sh，可以看到得到了68.95%的识别率性别的训练：执行create_gender.sh，执行，make_gender_mean.sh，执行，train_gender.sh，可以看到得到了95.75%的识别率本人实际在ubuntu14.04+corei7cpu+TitanX上跑的cpu进行年龄或者性别判断的时间为150ms左右，gpu的时间为2-3ms左右。在windows7+XeonE3上测试,cpu+debug为120ms左右，cpu+release为30ms左右。欢迎大家指证与交流……