年龄预测

简介

年龄是人类的基本特征之一。年龄估计通常基于从面部外观中提取的不同模式。近年来，年龄估计已成为多个现实应用场景中的关键属性，例如：

• 访问控制与视觉监控。
• 人机交互（HCI）。
• 市场智能，例如，AI产品Quividi能够实现面向人脸和场景的广告投放。

然而，从面部图像中准确估计年龄仍然具有挑战性，因为它可能受到多种因素的影响，包括光照变化、尺度差异、遮挡情况，以及个体间（尤其是青少年和年轻人）在年龄表现上的差异。

近年来，许多基于卷积神经网络（CNN）模型的机器学习算法被广泛应用于自动年龄估计与分类任务中，显著提升了该领域的效率和准确性。CNN本质上是一种深度学习算法，它能够接收输入图像，并为图像中的不同区域或对象分配重要性（即可学习的权重和偏置），从而实现区分。

目标

在本课程中，我们将利用先进的Python库 DeepFace，通过人脸图像进行年龄估计。

面部年龄估计流程主要包括两个关键步骤：

1. 在输入图像中检测并定位人脸。

2. 对定位到的人脸区域应用年龄预测模型，该区域被视为感兴趣区域（ROI, Region of Interest），模型将据此预测人物的年龄。

依赖项

我们需要以下外部Python库：

编写核心函数

本工具的核心功能如下：

enlarge_bounding_box 函数

该函数用于将围绕图像区域（如人脸区域）的边界框按预设百分比扩大，具体操作包括：

• 第6—9行：根据扩展因子参数 EXPANDING_FACTOR 计算新的坐标值。

• 第10—11行：确保计算出的坐标值不为负数。

• 第12行：输出计算得到的新坐标。

完整代码如下：

1def enlarge_bounding_box(x, y, w, h):
2    """
3    根据扩展因子放大边界框
4    """
5    # 创建一个包含缓冲区的更大边界框
6    x1 = int(x - EXPANDING_FACTOR * w)
7    w1 = int(w + 2 * EXPANDING_FACTOR * w)
8    y1 = int(y - EXPANDING_FACTOR * h)
9    h1 = int(h + 2 * EXPANDING_FACTOR * h)
10    x1 = 0 if x1 < 0 else x1
11    y1 = 0 if y1 < 0 else y1
12    print('x1,y1,w1,h1', x1, y1, w1, h1)
13    return x1,y1,w1,h1

predict_age_deepface 函数

这是本工具的核心函数，用于从人脸图像中自动预测年龄，其主要步骤如下：

• 第6行：初始化 MediaPipe 的人脸检测子模块。

• 第9行：使用 OpenCV 库读取图像。

• 第12行：保留原始图像的一份副本用于后续处理。

• 第15行：将图像从BGR格式转换为RGB格式。需注意，OpenCV 默认以BGR格式加载图像。

• 第18行：使用 MediaPipe 的人脸检测模块处理转换后的RGB图像。

• 第24–25行：输出检测到的人脸数量信息。

• 第28行：遍历所有检测到的人脸，并对每张人脸执行后续操作。

• 第31–32行：输出每张检测人脸的标识符及其检测得分。

• 第35–40行：确定检测到的人脸的相对边界框位置。

• 第43行：获取人脸边界框的实际坐标。

• 第46行：使用预定义的 EXPANDING_FACTOR 参数（表示边界框扩展比例）扩大人脸区域，以获得更佳分析效果。

• 第49行：裁剪出扩大的人脸区域。

• 第53行：使用 DeepFace 库对裁剪后的人脸图像进行分析。

• 第65–77行：若成功估计年龄，则在人脸下方绘制一个填充矩形，并显示预测年龄。

• 第84行：若无法预测年龄，则在人脸周围绘制红色矩形框。

• 第97–104行：输出处理后的图像结果。

完整代码如下：

1def predict_age_deepface(input_path:str,display_output:bool = False):
2    """
3    预测人脸图像的年龄
4    """
5    # 初始化 mediapipe 人脸检测子模块
6    mpFaceDetection = initialize_mediapipe()
7
8    # 读取输入图像
9    img = cv2.imread(input_path)
10
11    # 保留原始图像副本
12    frame = img.copy()
13
14    # 将图像从 BGR 转换为 RGB 格式
15    rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
16
17    # 使用 RGB 图像进行人脸检测
18    faces = mpFaceDetection.process(rgb_frame)
19
20    output      = []
21    output_info = []
22
23    # 输出检测到的人脸数量信息
24    output_msg = {'msg':"{} 张人脸被检测到。".format(len(faces.detections)),'category':"info"}
25    output_info.append(output_msg)
26
27    # 遍历检测到的每个人脸
28    for idx, face_detected in enumerate(faces.detections):
29
30        output_item = None
31        label = f"人脸 ID = {(idx+1)} - 检测得分 {int(face_detected.score[0]*100)}%"
32        print(label)
33
34        # 获取相对边界框
35        relativeBoundingBox = face_detected.location_data.relative_bounding_box
36        frameHeight,frameWidth,frameChannels = frame.shape
37        faceBoundingBox = int(relativeBoundingBox.xmin*frameWidth)  \
38                         ,int(relativeBoundingBox.ymin*frameHeight) \
39                         ,int(relativeBoundingBox.width*frameWidth) \
40                         ,int(relativeBoundingBox.height*frameHeight)
41
42        # 获取人脸边界框坐标
43        x, y, w, h = faceBoundingBox
44
45        # 扩大边界框以包含更多上下文信息
46        x1, y1, w1, h1 = enlarge_bounding_box(x, y, w, h)
47
48        # 裁剪出扩大的人脸区域用于分析
49        roi_face_color = frame[y1:y1+h1,x1:x1+w1]
50
51        try:
52            # 使用 DeepFace 分析裁剪后的人脸
53            result = DeepFace.analyze(np.array(roi_face_color), actions=['age'])
54            print('### DeepFace.analyze 结果 = ',result)
55
56            if result['age']:
57               # 绘制绿色边框
58               label = "AGE {}".format(result['age'])
59               print(label)
60
61               # 计算标签文字的最佳字体缩放比例
62               optimal_font_scale = calculate_optimal_fontscale(label, (((x + w) - x) ))
63
64               # 绘制标签
65               optimal_font_scale = 1 if optimal_font_scale < 1 else optimal_font_scale
66               cv2.rectangle(frame, (x,y), (x+w,y+h), (0, 255, 0), 2 * round(optimal_font_scale))
67               labelSize = cv2.getTextSize(label,cv2.FONT_HERSHEY_DUPLEX,round(optimal_font_scale),2)
68               _x1 = x
69               _y1 = y+h
70               _x2 = _x1 + labelSize[0][0]
71               _y2 = _y1 + int(labelSize[0][1])
72               cv2.rectangle(frame, (_x1, _y1), (_x2,_y2), (0, 255, 0), cv2.FILLED)
73               cv2.putText(frame, label ,(_x1,_y2)
74                                , cv2.FONT_HERSHEY_DUPLEX
75                                , int(optimal_font_scale)
76                                , (0, 0, 0)
77                                , 2)
78            else:
79               # 若未预测出年龄，绘制红色边框
80               cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 0, 255), 2)
81        except Exception as err:
82              print('发现异常',Exception,err)
83              # 发生异常时，用红色框标记人脸
84              cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 0,255), 2)
85
86        if display_output:
87           # 在屏幕上显示图像
88           label = "使用 DeepFace 进行年龄估计"
89           cv2.imshow(label,frame)
90           # 持续显示直到用户按键
91           cv2.waitKey(0)
92
93    if display_output:
94       # 清理窗口
95       cv2.destroyAllWindows()
96
97    # 保存处理后的图像
98    output_filepath = os.path.join(config.PROCESSED_PATH
99                                  ,str(uuid.uuid4().hex) + os.path.splitext(input_path)[1])
100    cv2.imwrite(output_filepath,frame)
101
102    output_item = {'id': 1, 'folder': config.PROCESSED_FOLDER
103                          , 'name': os.path.basename(output_filepath)
104                          , 'msg': os.path.basename(output_filepath)}
105    output.append(output_item)
106    mpFaceDetection.close()
107    return output_info , output

测试场景

我们来估计一张数字图像中多个人脸的年龄。

对于练习，可以尝试修改上述代码，开发自定义测试用例。

结论

尽管近年来年龄预测的准确性已有显著提升，但该过程仍充满挑战且存在不确定性。因此，必须明确：预测出的年龄仅为实际年龄的估算值。