1 说明

本实验所有代码均在ubuntu 18.04 + OpenVINO 2020R3.LTS installed 环境下验证通过，若需要代码移植，请务必检查环境配置是否与本实验环境相同。

2 实验目的

1、了解年龄和性别目标检测模型的基本知识。
2、掌握增加性别和年龄识别的基本方法。

3 任务内容

1、学习年龄和性别目标检测模型的基本知识。
2、获取每个所目标检测面部的小图像，并使用年龄和性别目标检测模型识别他们的年龄和性别。

4 实验原理

本实验是在实验一的基础上继续识别出他们的年龄和性别。本实验主要用到两个模型，face-detection-adas-0001，是查找人脸的主要目标检测网络。age-gender-recognition-retail-0013，它会在第一个模型的结果之上执行，并报告目标检测到的每个面孔的估计年龄和性别。查看年龄和性别识别模型，可以看到预期的输入(input)大小是1x3x62x62，BGR的面部图像都是包含62×62 像素。并且可以看到该网络有2个输出，第一个输出是age_conv3，数值为年龄除以100，第二个输出是prob层，将确定性(deterministic)别（男性还是女性），如下所示。

下面主要介绍代码是如何实现的。

1.读取模型，具体代码如下：

将面部目标检测模型加载到“face_net”，并将年龄性别模型加载到age_gender_net。

2.指定网络在CPU上运行，具体代码如下：

使这两个模型在CPU上运行，并定义标签男性和女性。

3.读取图像并进行面部目标检测，具体代码如下：

“out”是面部目标检测模型的结果。

4.在目标检测到的面部上画框，具体代码如下。

对于每个目标检测到的面部，如果自信度高于0.5，在其周围绘制一个矩形。

5.从原始帧中提取目标检测到的面部曲线，将其调整为62×62的大小，并将其用作第二个模型的输入(input)blob

具体代码如下。

6.性别和年龄识别处理

具体代码如下。

目标检测性别需使用softmax分类器(Classifier)，armax目标检测性别的可能性更高，年龄参数必须乘以100。
最后将文本对齐并将其添加到正确位置的图像中。

5 操作步骤

步骤1

登录实验平台，进入实验环境，打开终端。

步骤2

执行命令su，输入(input)root用户密码root@openlab，切换到root目录。

步骤3

执行如下命令，进入exercise-3目录，并查看相应的文件，如下所示。

# cd ~/51openlab/01/exercise-3/
# ll

由上图可以看到，该目录下已经预置了训练模型age-gender-recognition-retail-0013和face-detection-adas-0001。

步骤4

执行如下命令，初始化OpenVINO。

# source /opt/intel/openvino/bin/setupvars.sh

步骤5

执行vi face-age-gender-detection-solution.py命令，编写python脚本，具体如下：

import cv2 as cv

# Load face-detection model
face_net = cv.dnn.readNet('face-detection-adas-0001.xml', 'face-detection-adas-0001.bin')

# load age-gender detection model
age_gender_net = cv.dnn.readNet('age-gender-recognition-retail-0013.xml','age-gender-recognition-retail-0013.bin')

# Specify target device (CPU)
face_net.setPreferableTarget(cv.dnn.DNN_TARGET_CPU)
age_gender_net.setPreferableTarget(cv.dnn.DNN_TARGET_CPU)

GENDER_LABELS = ['Female', 'Male']

# Read an image
frame = cv.imread('faces.jpg')

# Prepare input blob
blob = cv.dnn.blobFromImage(frame, size=(672, 384), ddepth=cv.CV_8U)

#perform inference (face detection)
face_net.setInput(blob)
out = face_net.forward()


# for each detected face 
for detection in out.reshape(-1, 7):
    confidence = float(detection[2])

    if confidence > 0.5:

        xmin = int(detection[3] * frame.shape[1])
        ymin = int(detection[4] * frame.shape[0])
        xmax = int(detection[5] * frame.shape[1])
        ymax = int(detection[6] * frame.shape[0])

        #Draw rectangle over face 
        cv.rectangle(frame, (xmin, ymin), (xmax, ymax), color=(0, 255, 0))

        #perform age-gender detection
        blob2=cv.dnn.blobFromImage(frame[ymin:ymax, xmin:xmax], size=(62,62), ddepth=cv.CV_8U)
        age_gender_net.setInput(blob2)
        detections = age_gender_net.forwardAndRetrieve(['prob','age_conv3'])

        #process results (age, gender)
        gender = GENDER_LABELS[detections[0][0][0].argmax()]
        age = int(detections[1][0][0][0][0][0] * 100)
        text=gender + " : " + str(age)

        #print results to image
        cv.putText(frame,text,(xmin,ymin),cv.FONT_HERSHEY_COMPLEX,0.5,(0,0,255),1)

# Save the frame to an image file
cv.imwrite('out.png', frame)

步骤6

执行python3 face-age-gender-detection-solution.py命令，运行脚本。

步骤7

执行eog out.png命令打开新输出的图像，如下图所示。