爆款云主机2核4G限时秒杀,88元/年起!
查看详情

活动

天翼云最新优惠活动,涵盖免费试用,产品折扣等,助您降本增效!
热门活动
  • 618智算钜惠季 爆款云主机2核4G限时秒杀,88元/年起!
  • 免费体验DeepSeek,上天翼云息壤 NEW 新老用户均可免费体验2500万Tokens,限时两周
  • 云上钜惠 HOT 爆款云主机全场特惠,更有万元锦鲤券等你来领!
  • 算力套餐 HOT 让算力触手可及
  • 天翼云脑AOne NEW 连接、保护、办公,All-in-One!
  • 中小企业应用上云专场 产品组合下单即享折上9折起,助力企业快速上云
  • 息壤高校钜惠活动 NEW 天翼云息壤杯高校AI大赛,数款产品享受线上订购超值特惠
  • 天翼云电脑专场 HOT 移动办公新选择,爆款4核8G畅享1年3.5折起,快来抢购!
  • 天翼云奖励推广计划 加入成为云推官,推荐新用户注册下单得现金奖励
免费活动
  • 免费试用中心 HOT 多款云产品免费试用,快来开启云上之旅
  • 天翼云用户体验官 NEW 您的洞察,重塑科技边界

智算服务

打造统一的产品能力,实现算网调度、训练推理、技术架构、资源管理一体化智算服务
智算云(DeepSeek专区)
科研助手
  • 算力商城
  • 应用商城
  • 开发机
  • 并行计算
算力互联调度平台
  • 应用市场
  • 算力市场
  • 算力调度推荐
一站式智算服务平台
  • 模型广场
  • 体验中心
  • 服务接入
智算一体机
  • 智算一体机
大模型
  • DeepSeek-R1-昇腾版(671B)
  • DeepSeek-R1-英伟达版(671B)
  • DeepSeek-V3-昇腾版(671B)
  • DeepSeek-R1-Distill-Llama-70B
  • DeepSeek-R1-Distill-Qwen-32B
  • Qwen2-72B-Instruct
  • StableDiffusion-V2.1
  • TeleChat-12B

应用商城

天翼云精选行业优秀合作伙伴及千余款商品,提供一站式云上应用服务
进入甄选商城进入云市场创新解决方案
办公协同
  • WPS云文档
  • 安全邮箱
  • EMM手机管家
  • 智能商业平台
财务管理
  • 工资条
  • 税务风控云
企业应用
  • 翼信息化运维服务
  • 翼视频云归档解决方案
工业能源
  • 智慧工厂_生产流程管理解决方案
  • 智慧工地
建站工具
  • SSL证书
  • 新域名服务
网络工具
  • 翼云加速
灾备迁移
  • 云管家2.0
  • 翼备份
资源管理
  • 全栈混合云敏捷版(软件)
  • 全栈混合云敏捷版(一体机)
行业应用
  • 翼电子教室
  • 翼智慧显示一体化解决方案

合作伙伴

天翼云携手合作伙伴,共创云上生态,合作共赢
天翼云生态合作中心
  • 天翼云生态合作中心
天翼云渠道合作伙伴
  • 天翼云代理渠道合作伙伴
天翼云服务合作伙伴
  • 天翼云集成商交付能力认证
天翼云应用合作伙伴
  • 天翼云云市场合作伙伴
  • 天翼云甄选商城合作伙伴
天翼云技术合作伙伴
  • 天翼云OpenAPI中心
  • 天翼云EasyCoding平台
天翼云培训认证
  • 天翼云学堂
  • 天翼云市场商学院
天翼云合作计划
  • 云汇计划
天翼云东升计划
  • 适配中心
  • 东升计划
  • 适配互认证

开发者

开发者相关功能入口汇聚
技术社区
  • 专栏文章
  • 互动问答
  • 技术视频
资源与工具
  • OpenAPI中心
开放能力
  • EasyCoding敏捷开发平台
培训与认证
  • 天翼云学堂
  • 天翼云认证
魔乐社区
  • 魔乐社区

支持与服务

为您提供全方位支持与服务,全流程技术保障,助您轻松上云,安全无忧
文档与工具
  • 文档中心
  • 新手上云
  • 自助服务
  • OpenAPI中心
定价
  • 价格计算器
  • 定价策略
基础服务
  • 售前咨询
  • 在线支持
  • 在线支持
  • 工单服务
  • 建议与反馈
  • 用户体验官
  • 服务保障
  • 客户公告
  • 会员中心
增值服务
  • 红心服务
  • 首保服务
  • 客户支持计划
  • 专家技术服务
  • 备案管家

了解天翼云

天翼云秉承央企使命,致力于成为数字经济主力军,投身科技强国伟大事业,为用户提供安全、普惠云服务
品牌介绍
  • 关于天翼云
  • 智算云
  • 天翼云4.0
  • 新闻资讯
  • 天翼云APP
基础设施
  • 全球基础设施
  • 信任中心
最佳实践
  • 精选案例
  • 超级探访
  • 云杂志
  • 分析师和白皮书
  • 天翼云·创新直播间
市场活动
  • 2025智能云生态大会
  • 2024智算云生态大会
  • 2023云生态大会
  • 2022云生态大会
  • 天翼云中国行
天翼云
  • 活动
  • 智算服务
  • 产品
  • 解决方案
  • 应用商城
  • 合作伙伴
  • 开发者
  • 支持与服务
  • 了解天翼云
      • 文档
      • 控制中心
      • 备案
      • 管理中心

      基于OpenCV年龄与性别识别系统

      首页 知识中心 软件开发 文章详情页

      基于OpenCV年龄与性别识别系统

      2024-11-27 03:26:40 阅读次数:21

      代码,系统

      深入解析基于OpenCV年龄与性别识别系统

      在这篇博客中,我们将详细解析一个使用OpenCV进行年龄和性别识别的Python脚本。这个脚本展示了如何利用深度学习模型,从视频或图像中检测人脸并预测每个人脸的年龄和性别。

      1. 导入必要的模块
      import cv2 as cv
      import math
      import time
      import argparse

      首先,脚本开始于导入必需的Python模块。这里cv2是OpenCV库的Python接口,主要用于图像处理和计算机视觉任务。argparse用于处理命令行参数,time用于测量执行时间。

      2. 人脸检测功能
      def getFaceBox(net, frame, conf_threshold=0.7):
          frameOpencvDnn = frame.copy()
          frameHeight = frameOpencvDnn.shape[0]
          frameWidth = frameOpencvDnn.shape[1]
          blob = cv.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])
                  cv.rectangle(frameOpencvDnn, (x1, y1), (x2, y2), (0, 255, 0), int(round(frameHeight/150)), 8)
          return frameOpencvDnn, bboxes

      getFaceBox`是脚本的核心,用于从给定的帧中检测人脸。它首先创建一个图像的blob(一个经过预处理的图像数组),然后通过预训练的神经网络进行前向传播,检测出图像中的人脸。对于每个检测到的人脸,如果其置信度高于阈值,它计算出人脸的边界框,并在图像上绘制矩形。

      3. 解析命令行参数和模型加载
      if __name__ == '__main__':
          parser = argparse.ArgumentParser(description='Use this script to run age and gender recognition using OpenCV.')
          parser.add_argument('--input', help='Path to input image or video file. Skip this argument to capture frames from a camera.')
          parser.add_argument("--device", default="cpu", help="Device to inference on")
      
          args = parser.parse_args()

      在脚本的主部分,它首先定义了命令行参数解析器,允许用户指定输入源(图像或视频文件,或者摄像头流)和推理设备(CPU或GPU)。

      faceNet = cv.dnn.readNet(faceModel, faceProto)
          ageNet = cv.dnn.readNet(ageModel, ageProto)
          genderNet = cv.dnn.readNet(genderModel, genderProto)

      这里,脚本加载了三个预训练模型:人脸检测、年龄预测和性别预测。每个模型都通过OpenCV的深度神经网络模块读取。

      4. 主循环
      while cv.waitKey(1) < 0:
          hasFrame, frame = cap.read()
          if notFrame:
              cv.waitKey()
              break
      
          frameFace, bboxes = getFaceBox(faceNet, frame)
          if not bboxes:
              print("No face Detected, Checking next frame")
              continue

      在主循环中,脚本从视频捕获设备或图像文件中读取帧。然后它调用getFaceBox函数来获取每帧中的人脸边界框。

      5. 性别和年龄识别
      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 = cv.dnn.blobFromImage(face, 1.0, (227, 227), MODEL_MEAN_VALUES, swapRB=False)
      
          genderNet.setInput(blob)
          genderPreds = genderNet.forward()
          gender = genderList[genderPreds[0].argmax()]
      
          ageNet.setInput(blob)
          agePreds = ageNet.forward()
          age = ageList[agePreds[0].argmax()]
      
          label = "{},{}".format(gender, age)
          cv.putText(frameFace, label, (bbox[0], bbox[1]-10), cv.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 255), 2, cv.LINE_AA)
          cv.imshow("Age Gender Demo", frameFace)

      对于每个检测到的人脸,脚本提取人脸图像并生成一个blob,然后将其输入到性别和年龄识别模型中。通过模型的输出,它确定每个人脸的性别和年龄,并在原始图像上标记出这些信息。

      完整代码

      # Import required modules
      import cv2 as cv
      import math
      import time
      import argparse
      
      def getFaceBox(net, frame, conf_threshold=0.7):
          frameOpencvDnn = frame.copy()
          frameHeight = frameOpencvDnn.shape[0]
          frameWidth = frameOpencvDnn.shape[1]
          blob = cv.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])
                  cv.rectangle(frameOpencvDnn, (x1, y1), (x2, y2), (0, 255, 0), int(round(frameHeight/150)), 8)
          return frameOpencvDnn, bboxes
      
      if __name__ == '__main__':
              
          parser = argparse.ArgumentParser(description='Use this script to run age and gender recognition using OpenCV.')
          parser.add_argument('--input', help='Path to input image or video file. Skip this argument to capture frames from a camera.')
          parser.add_argument("--device", default="cpu", help="Device to inference on")
          
          args = parser.parse_args()
          
          
          # args = parser.parse_args()
          
          faceProto = "opencv_face_detector.pbtxt"
          faceModel = "opencv_face_detector_uint8.pb"
          
          ageProto = "age_deploy.prototxt"
          ageModel = "age_net.caffemodel"
          
          genderProto = "gender_deploy.prototxt"
          genderModel = "gender_net.caffemodel"
          
          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
          ageNet = cv.dnn.readNet(ageModel, ageProto)
          genderNet = cv.dnn.readNet(genderModel, genderProto)
          faceNet = cv.dnn.readNet(faceModel, faceProto)
          
          
          if args.device == "cpu":
              ageNet.setPreferableBackend(cv.dnn.DNN_TARGET_CPU)
          
              genderNet.setPreferableBackend(cv.dnn.DNN_TARGET_CPU)
              
              faceNet.setPreferableBackend(cv.dnn.DNN_TARGET_CPU)
          
              print("Using CPU device")
          elif args.device == "gpu":
              ageNet.setPreferableBackend(cv.dnn.DNN_BACKEND_CUDA)
              ageNet.setPreferableTarget(cv.dnn.DNN_TARGET_CUDA)
          
              genderNet.setPreferableBackend(cv.dnn.DNN_BACKEND_CUDA)
              genderNet.setPreferableTarget(cv.dnn.DNN_TARGET_CUDA)
          
              genderNet.setPreferableBackend(cv.dnn.DNN_BACKEND_CUDA)
              genderNet.setPreferableTarget(cv.dnn.DNN_TARGET_CUDA)
              print("Using GPU device")
              
              
          #     
          
          
          # Open a video file or an image file or a camera stream
          cap = cv.VideoCapture(args.input if args.input else 0)
          padding = 20
          while cv.waitKey(1) < 0:
              # Read frame
              t = time.time()
              hasFrame, frame = cap.read()
              if not hasFrame:
                  cv.waitKey()
                  break
          
              frameFace, bboxes = getFaceBox(faceNet, frame)
              if not bboxes:
                  print("No face Detected, Checking next frame")
                  continue
          
              for bbox in bboxes:
                  # print(bbox)
                  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 = cv.dnn.blobFromImage(face, 1.0, (227, 227), MODEL_MEAN_VALUES, swapRB=False)
                  genderNet.setInput(blob)
                  genderPreds = genderNet.forward()
                  gender = genderList[genderPreds[0].argmax()]
                  # print("Gender Output : {}".format(genderPreds))
                  print("Gender : {}, conf = {:.3f}".format(gender, genderPreds[0].max()))
          
                  ageNet.setInput(blob)
                  agePreds = ageNet.forward()
                  age = ageList[agePreds[0].argmax()]
                  print("Age Output : {}".format(agePreds))
                  print("Age : {}, conf = {:.3f}".format(age, agePreds[0].max()))
          
                  label = "{},{}".format(gender, age)
                  cv.putText(frameFace, label, (bbox[0], bbox[1]-10), cv.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 255), 2, cv.LINE_AA)
                  cv.imshow("Age Gender Demo", frameFace)
                  # cv.imwrite("age-gender-out-{}".format(args.input),frameFace)
              print("time : {:.3f}".format(time.time() - t))
          
          
           
          # cmake -DCMAKE_BUILD_TYPE=RELEASE -DCMAKE_INSTALL_PREFIX=~/opencv_gpu -DINSTALL_PYTHON_EXAMPLES=OFF -DINSTALL_C_EXAMPLES=OFF -DOPENCV_ENABLE_NONFREE=ON -DOPENCV_EXTRA_MODULES_PATH=~/cv2_gpu/opencv_contrib/modules -DPYTHON_EXECUTABLE=~/env/bin/python3 -DBUILD_EXAMPLES=ON -DWITH_CUDA=ON -DWITH_CUDNN=ON -DOPENCV_DNN_CUDA=ON  -DENABLE_FAST_MATH=ON -DCUDA_FAST_MATH=ON  -DWITH_CUBLAS=ON -DCUDA_TOOLKIT_ROOT_DIR=/usr/local/cuda-10.2 -DOpenCL_LIBRARY=/usr/local/cuda-10.2/lib64/libOpenCL.so -DOpenCL_INCLUDE_DIR=/usr/local/cuda-10.2/include/ ..
      版权声明:本文内容来自第三方投稿或授权转载,原文地址:https://blog.51cto.com/u_13859040/10980741,作者:qq5b42bed9cc7e9,版权归原作者所有。本网站转在其作品的目的在于传递更多信息,不拥有版权,亦不承担相应法律责任。如因作品内容、版权等问题需要同本网站联系,请发邮件至ctyunbbs@chinatelecom.cn沟通。

      上一篇:ffmpeg音视频开发从入门到精通——ffmpeg实现音频抽取

      下一篇:OpenCV基本图像处理操作(八)——光流估计

      相关文章

      2025-05-19 09:04:30

      【Canvas技法】辐射式多道光影的实现

      【Canvas技法】辐射式多道光影的实现

      2025-05-19 09:04:30
      代码 , 函数 , 实现
      2025-05-19 09:04:14

      复杂度的OJ练习

      复杂度的OJ练习

      2025-05-19 09:04:14
      代码 , 复杂度 , 思路 , 数组 , 算法
      2025-05-14 10:33:25

      30天拿下Rust之高级类型

      Rust作为一门系统编程语言,以其独特的内存管理方式和强大的类型系统著称。其中,高级类型的应用,为Rust的开发者提供了丰富的编程工具和手段,使得开发者可以更加灵活和高效地进行编程。

      2025-05-14 10:33:25
      Rust , type , 代码 , 函数 , 类型 , 返回
      2025-05-14 10:33:25

      webpack5基础--13_生产模式介绍

      生产模式是开发完成代码后,我们需要得到代码将来部署上线。

      2025-05-14 10:33:25
      npm , 代码 , 优化 , 指令 , 模式 , 运行
      2025-05-14 10:33:16

      30天拿下Rust之模式与模式匹配

      Rust语言以其强大的类型系统和所有权模型而著称,而模式与模式匹配则是Rust中一种非常强大且灵活的工具,它允许我们在编译时根据数据的结构进行条件分支处理。

      2025-05-14 10:33:16
      match , 代码 , 匹配 , 模式 , 模式匹配 , 绑定
      2025-05-14 10:07:38

      30天拿下Python之函数

      在Python中,函数是一段可以重复使用的代码块,它可以提高代码的可重用性和可维护性,是编程中非常重要的概念。

      2025-05-14 10:07:38
      lambda , 代码 , 传递 , 关键字 , 函数 , 参数 , 定义
      2025-05-14 10:07:38

      30天拿下Rust之枚举

      Rust中的枚举是一种用户定义的类型,它允许你为一组相关的值赋予友好的名称。在Rust中,枚举是强大的工具,它们不仅仅用于表示几个固定的值,还可以包含函数和方法,使得枚举成员可以有自己的行为。

      2025-05-14 10:07:38
      match , None , Rust , 代码 , 枚举 , 类型
      2025-05-14 10:03:13

      AJAX-事件循环(超详细过程)

      JS有一个基于事件循环的并发模型,事件循环负责执行代码、收集和处理事件以及执行队列中的子任务。

      2025-05-14 10:03:13
      代码 , 任务 , 出栈 , 异步 , 执行 , 调用 , 队列
      2025-05-14 10:03:05

      30天拿下Python之模块和包

      Python的模块(Module)和包(Package)是Python的两个主要概念,它们都是用来组织和封装代码的机制。

      2025-05-14 10:03:05
      Python , 代码 , 函数 , 导入 , 文件 , 模块
      2025-05-14 10:03:05

      30天拿下Python之异常处理

      异常是指程序在运行过程中出现的不正常情况,如文件找不到、除数为零等。异常处理就是要让程序在遇到这些问题时,能够进行合理的处理,避免因错误而导致的程序崩溃和无法预测的行为。

      2025-05-14 10:03:05
      Python , try , 代码 , 处理 , 异常 , 类型
      查看更多
      推荐标签

      作者介绍

      天翼云小翼
      天翼云用户

      文章

      33561

      阅读量

      5239793

      查看更多

      最新文章

      【Canvas技法】辐射式多道光影的实现

      2025-05-19 09:04:30

      复杂度的OJ练习

      2025-05-19 09:04:14

      30天拿下Rust之高级类型

      2025-05-14 10:33:25

      webpack5基础--13_生产模式介绍

      2025-05-14 10:33:25

      30天拿下Rust之模式与模式匹配

      2025-05-14 10:33:16

      30天拿下Python之函数

      2025-05-14 10:07:38

      查看更多

      热门文章

      CE修改器入门:查找共享代码

      2023-07-20 06:03:18

      使用layui弹框实现添加时,当添加成功之后如何进行关闭当前窗口刷新父页面的数据

      2024-04-24 07:18:34

      app的简单创建

      2024-10-09 09:14:35

      【前端】代码提交前的最后防线:使用Husky确保代码质量

      2024-03-26 08:02:47

      如何对高并发系统进行压力测试?重要参数详解

      2024-04-24 09:42:21

      Clang代码覆盖率检测(插桩技术)

      2024-03-28 08:10:08

      查看更多

      热门标签

      java Java python 编程开发 代码 开发语言 算法 线程 Python html 数组 C++ 元素 javascript c++
      查看更多

      相关产品

      弹性云主机

      随时自助获取、弹性伸缩的云服务器资源

      天翼云电脑(公众版)

      便捷、安全、高效的云电脑服务

      对象存储

      高品质、低成本的云上存储服务

      云硬盘

      为云上计算资源提供持久性块存储

      查看更多

      随机文章

      单例模式深度剖析:各种实现方式的优缺点对比

      怎么只用语言实现扫雷?

      Java 代码本地设置Hadoop用户名密码

      【C++】堆的构建/插入/删除

      在c#中常用的特性

      Python 函数详解

      • 7*24小时售后
      • 无忧退款
      • 免费备案
      • 专家服务
      售前咨询热线
      400-810-9889转1
      关注天翼云
      • 旗舰店
      • 天翼云APP
      • 天翼云微信公众号
      服务与支持
      • 备案中心
      • 售前咨询
      • 智能客服
      • 自助服务
      • 工单管理
      • 客户公告
      • 涉诈举报
      账户管理
      • 管理中心
      • 订单管理
      • 余额管理
      • 发票管理
      • 充值汇款
      • 续费管理
      快速入口
      • 天翼云旗舰店
      • 文档中心
      • 最新活动
      • 免费试用
      • 信任中心
      • 天翼云学堂
      云网生态
      • 甄选商城
      • 渠道合作
      • 云市场合作
      了解天翼云
      • 关于天翼云
      • 天翼云APP
      • 服务案例
      • 新闻资讯
      • 联系我们
      热门产品
      • 云电脑
      • 弹性云主机
      • 云电脑政企版
      • 天翼云手机
      • 云数据库
      • 对象存储
      • 云硬盘
      • Web应用防火墙
      • 服务器安全卫士
      • CDN加速
      热门推荐
      • 云服务备份
      • 边缘安全加速平台
      • 全站加速
      • 安全加速
      • 云服务器
      • 云主机
      • 智能边缘云
      • 应用编排服务
      • 微服务引擎
      • 共享流量包
      更多推荐
      • web应用防火墙
      • 密钥管理
      • 等保咨询
      • 安全专区
      • 应用运维管理
      • 云日志服务
      • 文档数据库服务
      • 云搜索服务
      • 数据湖探索
      • 数据仓库服务
      友情链接
      • 中国电信集团
      • 189邮箱
      • 天翼企业云盘
      • 天翼云盘
      ©2025 天翼云科技有限公司版权所有 增值电信业务经营许可证A2.B1.B2-20090001
      公司地址:北京市东城区青龙胡同甲1号、3号2幢2层205-32室
      • 用户协议
      • 隐私政策
      • 个人信息保护
      • 法律声明
      备案 京公网安备11010802043424号 京ICP备 2021034386号