JavaCV的攝像頭實戰之十二：性別檢測-有解無憂

歡迎訪問我的GitHub

這里分類和匯總了欣宸的全部原創(含配套原始碼)：https://github.com/zq2599/blog_demos

本篇概覽

本文是《JavaCV的攝像頭實戰》系列的第十二篇，咱們來開發一個實用功能：識別性別并顯示在預覽頁面，如下圖：
今天的代碼，主要功能如下圖所示：
如果您看過《JavaCV的攝像頭實戰》系列的其他文章，就會發現上圖中只有藍色部分是新增內容，其余的步驟都是固定套路，《JavaCV的攝像頭實戰》系列的每一個應用玩的都是相同套路：別看步驟挺多，其實都是同一個流程

關于性別和年齡檢測

使用卷積神經網路推理性別和年齡的更多技術細節，這里有更詳細的說明：
https://talhassner.github.io/home/publication/2015_CVPR
本篇會使用已訓練好的Caffe 模型，訓練該模型的資料來自Flickr相冊，通過從 iPhone5（或更高版本）智能手機設備自動上傳組裝而成，并由其作者根據知識共享 (CC) 許可向公眾發布，共有26580張照片，涉及2284人，這些人的年齡一共被標識成八組：（0-2、4-6、8-13、15-20、25-32、38-43、48-53、60 -)
關于資料源的更多詳細，請參考：https://talhassner.github.io/home/projects/Adience/Adience-data.html
論文地址：https://talhassner.github.io/home/projects/cnn_agegender/CVPR2015_CNN_AgeGenderEstimation.pdf

原始碼下載

《JavaCV人臉識別三部曲》的完整原始碼可在GitHub下載到，地址和鏈接資訊如下表所示(https://github.com/zq2599/blog_demos)：

名稱	鏈接	備注
專案主頁	https://github.com/zq2599/blog_demos	該專案在GitHub上的主頁
git倉庫地址(https)	https://github.com/zq2599/blog_demos.git	該專案原始碼的倉庫地址，https協議
git倉庫地址(ssh)	[email protected]:zq2599/blog_demos.git	該專案原始碼的倉庫地址，ssh協議

這個git專案中有多個檔案夾，本篇的原始碼在javacv-tutorials檔案夾下，如下圖紅框所示：
javacv-tutorials里面有多個子工程，《JavaCV的攝像頭實戰》系列的代碼在simple-grab-push工程下：

準備：檔案下載

本次實戰需要三個檔案：

人臉檢測的模型檔案：https://raw.github.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_alt.xml
性別識別的組態檔：https://raw.githubusercontent.com/GilLevi/AgeGenderDeepLearning/master/gender_net_definitions/deploy.prototxt
性別識別的模型檔案：https://raw.githubusercontent.com/GilLevi/AgeGenderDeepLearning/master/models/gender_net.caffemodel

我已將上述檔案打包上傳到CSDN，您也可以在CSDN下載（無需積分）：
https://download.csdn.net/download/boling_cavalry/70730586

準備：代碼介面簡介

編碼前，先把涉及到的所有java檔案說明一下：

AbstractCameraApplication.java：主程式的抽象類，這里面定義了打開攝像頭、抓取每一幀、處理每一幀的基本框架，避免每個應用都把這些事情重復做一遍
PreviewCameraWithGenderAge.java：主程式，是AbstractCameraApplication的實作類，本次實戰的核心功能人臉檢測和性別檢測，都委托給它的成員變數detectService去完成
DetectService.java：檢測服務的介面，里面定義了幾個重要的api，例如初始化、處理每一幀、釋放資源等
GenderDetectService.java：是DetectService介面的實作類，本次實戰的核心功能都寫在這個類中

介紹完畢，可以開始編碼了，先從最簡單的主程式開始

編碼：主程式

《JavaCV的攝像頭實戰之一：基礎》創建的simple-grab-push工程中已經準備好了父類AbstractCameraApplication，所以本篇繼續使用該工程，創建子類實作那些抽象方法即可
編碼前先回顧父類的基礎結構，如下圖，粗體是父類定義的各個方法，紅色塊都是需要子類來實作抽象方法，所以接下來，咱們以本地視窗預覽為目標實作這三個紅色方法即可：
新建檔案PreviewCameraWithGenderAge.java，這是AbstractCameraApplication的子類，其代碼很簡單，接下來按上圖順序依次說明
先定義CanvasFrame型別的成員變數previewCanvas，這是展示視頻幀的本地視窗：

protected CanvasFrame previewCanvas

把前面創建的DetectService作為成員變數，后面檢測的時候會用到：

    /**
     * 檢測工具介面
     */
    private DetectService detectService;

PreviewCameraWithGenderAge的構造方法，接受DetectService的實體：

    /**
     * 不同的檢測工具，可以通過構造方法傳入
     * @param detectService
     */
    public PreviewCameraWithGenderAge(DetectService detectService) {
        this.detectService = detectService;
    }

然后是初始化操作，可見是previewCanvas的實體化和引數設定，還有檢測、識別的初始化操作：

    @Override
    protected void initOutput() throws Exception {
        previewCanvas = new CanvasFrame("攝像頭預覽", CanvasFrame.getDefaultGamma() / grabber.getGamma());
        previewCanvas.setDefaultCloseOperation(JFrame.EXIT_ON_CLOSE);
        previewCanvas.setAlwaysOnTop(true);

        // 檢測服務的初始化操作
        detectService.init();
    }

接下來是output方法，定義了拿到每一幀視頻資料后做什么事情，這里呼叫了detectService.convert檢測人臉并識別性別，然后在本地視窗顯示：

    @Override
    protected void output(Frame frame) {
        // 原始幀先交給檢測服務處理，這個處理包括物體檢測，再將檢測結果標注在原始圖片上，
        // 然后轉換為幀回傳
        Frame detectedFrame = detectService.convert(frame);
        // 預覽視窗上顯示的幀是標注了檢測結果的幀
        previewCanvas.showImage(detectedFrame);
    }

最后是處理視頻的回圈結束后，程式退出前要做的事情，先關閉本地視窗，再釋放檢測服務的資源：

    @Override
    protected void releaseOutputResource() {
        if (null!= previewCanvas) {
            previewCanvas.dispose();
        }

        // 檢測工具也要釋放資源
        detectService.releaseOutputResource();
    }

由于檢測有些耗時，所以兩幀之間的間隔時間要低于普通預覽：

    @Override
    protected int getInterval() {
        return super.getInterval()/8;
    }

至此，功能已開發完成，再寫上main方法，代碼如下，請注意AgeDetectService構造方法的三個入參，分別是前面下載的三個檔案在本機的位置：

    public static void main(String[] args) {
        String base = "E:\\temp\\202112\\25\\opencv\\";
  
        DetectService detectService = new GenderDetectService(
                base + "haarcascade_frontalface_alt.xml",
                base + "gender\\deploy.prototxt",
                base + "gender\\gender_net.caffemodel");
                
        new PreviewCameraWithGenderAge(detectService).action(1000);
    }

主程式已經寫完，接下來是核心功能

編碼：服務介面回顧

本篇的核心功能是檢測性別，相關代碼被封裝在DetectService介面的實作類GenderDetectService中，這個DetectService介面是咱們的老朋友了，之前識別相關的實戰都有它的身影，再來回顧一下，如下，定義了初始化、處理原始幀、釋放資源等關鍵行為的介面：

package com.bolingcavalry.grabpush.extend;

public interface DetectService {
    /**
     * 根據傳入的MAT構造相同尺寸的MAT，存放灰度圖片用于以后的檢測
     * @param src 原始圖片的MAT物件
     * @return 相同尺寸的灰度圖片的MAT物件
     */
    static Mat buildGrayImage(Mat src) {
        return new Mat(src.rows(), src.cols(), CV_8UC1);
    }
    
    /**
     * 初始化操作，例如模型下載
     * @throws Exception
     */
    void init() throws Exception;

    /**
     * 得到原始幀，做識別，添加框選
     * @param frame
     * @return
     */
    Frame convert(Frame frame);

    /**
     * 釋放資源
     */
    void releaseOutputResource();
}

接下來，就是DetectService介面的實作類，也就是今天實戰的核心：GenderDetectService.java

編碼：檢測服務實作

今天的核心功能都集中在GenderDetectService.java中，直接貼出全部原始碼吧，有幾處要注意的地方稍后會提到：

package com.bolingcavalry.grabpush.extend;

import com.bolingcavalry.grabpush.Constants;
import lombok.extern.slf4j.Slf4j;
import org.bytedeco.javacpp.indexer.Indexer;
import org.bytedeco.javacv.Frame;
import org.bytedeco.javacv.OpenCVFrameConverter;
import org.bytedeco.opencv.opencv_core.*;
import org.bytedeco.opencv.opencv_dnn.Net;
import org.bytedeco.opencv.opencv_objdetect.CascadeClassifier;

import static org.bytedeco.opencv.global.opencv_core.NORM_MINMAX;
import static org.bytedeco.opencv.global.opencv_core.normalize;
import static org.bytedeco.opencv.global.opencv_dnn.blobFromImage;
import static org.bytedeco.opencv.global.opencv_dnn.readNetFromCaffe;
import static org.bytedeco.opencv.global.opencv_imgproc.*;

/**
 * @author willzhao
 * @version 1.0
 * @description 音頻相關的服務
 * @date 2021/12/3 8:09
 */
@Slf4j
public class GenderDetectService implements DetectService {

    /**
     * 每一幀原始圖片的物件
     */
    private Mat grabbedImage = null;

    /**
     * 原始圖片對應的灰度圖片物件
     */
    private Mat grayImage = null;

    /**
     * 分類器
     */
    private CascadeClassifier classifier;

    /**
     * 轉換器
     */
    private OpenCVFrameConverter.ToMat converter = new OpenCVFrameConverter.ToMat();

    /**
     * 人臉檢測模型檔案的下載地址
     */
    private String classifierModelFilePath;

    /**
     * 性別識別proto檔案的下載地址
     */
    private String genderProtoFilePath;

    /**
     * 性別識別模型檔案的下載地址
     */
    private String genderModelFilePath;

    /**
     * 推理性別的神經網路物件
     */
    private Net cnnNet;

    /**
     * 構造方法，在此指定proto和模型檔案的下載地址
     * @param classifierModelFilePath
     * @param cnnProtoFilePath
     * @param cnnModelFilePath
     */
    public GenderDetectService(String classifierModelFilePath,
                               String cnnProtoFilePath,
                               String cnnModelFilePath) {
        this.classifierModelFilePath = classifierModelFilePath;
        this.genderProtoFilePath = cnnProtoFilePath;
        this.genderModelFilePath = cnnModelFilePath;
    }

    /**
     * 初始化操作，主要是創建推理用的神經網路
     * @throws Exception
     */
    @Override
    public void init() throws Exception {
        // 根據模型檔案實體化分類器
        classifier = new CascadeClassifier(classifierModelFilePath);
        // 實體化推理性別的神經網路
        cnnNet = readNetFromCaffe(genderProtoFilePath, genderModelFilePath);
    }

    @Override
    public Frame convert(Frame frame) {
        // 由幀轉為Mat
        grabbedImage = converter.convert(frame);

        // 灰度Mat，用于檢測
        if (null==grayImage) {
            grayImage = DetectService.buildGrayImage(grabbedImage);
        }

        // 當前圖片轉為灰度圖片
        cvtColor(grabbedImage, grayImage, CV_BGR2GRAY);

        // 存放檢測結果的容器
        RectVector objects = new RectVector();

        // 開始檢測
        classifier.detectMultiScale(grayImage, objects);

        // 檢測結果總數
        long total = objects.size();

        // 如果沒有檢測到結果，就用原始幀回傳
        if (total<1) {
            return frame;
        }

        int pos_x;
        int pos_y;

        Mat faceMat;

        //推理時的入參
        Mat inputBlob;

        // 推理結果
        Mat prob;

        // 如果有檢測結果，就根據結果的資料構造矩形框，畫在原圖上
        for (long i = 0; i < total; i++) {
            Rect r = objects.get(i);

            // 人臉對應的Mat實體（注意：要用彩圖，不能用灰度圖！！！）
            faceMat = new Mat(grabbedImage, r);
            // 縮放到神經網路所需的尺寸
            resize(faceMat, faceMat, new Size(Constants.CNN_PREIDICT_IMG_WIDTH, Constants.CNN_PREIDICT_IMG_HEIGHT));
            // 歸一化
            normalize(faceMat, faceMat, 0, Math.pow(2, frame.imageDepth), NORM_MINMAX, -1, null);
            // 轉為推理時所需的的blob型別
            inputBlob = blobFromImage(faceMat);
            // 為神經網路設定入參
            cnnNet.setInput(inputBlob, "data", 1.0, null);      //set the network input
            // 推理
            prob = cnnNet.forward("prob");

            // 根據推理結果得到在人臉上標注的內容
            String lable = getDescriptionFromPredictResult(prob);

            // 人臉標注的橫坐標
            pos_x = Math.max(r.tl().x()-10, 0);
            // 人臉標注的縱坐標
            pos_y = Math.max(r.tl().y()-10, 0);

            // 給人臉做標注，標注性別
            putText(grabbedImage, lable, new Point(pos_x, pos_y), FONT_HERSHEY_PLAIN, 1.5, new Scalar(0,255,0,2.0));

            // 給人臉加邊框時的邊框位置
            int x = r.x(), y = r.y(), w = r.width(), h = r.height();
            // 給人臉加邊框
            rectangle(grabbedImage, new Point(x, y), new Point(x + w, y + h), Scalar.RED, 1, CV_AA, 0);
        }

        // 釋放檢測結果資源
        objects.close();

        // 將標注過的圖片轉為幀，回傳
        return converter.convert(grabbedImage);
    }

    /**
     * 程式結束前，釋放人臉識別的資源
     */
    @Override
    public void releaseOutputResource() {
        if (null!=grabbedImage) {
            grabbedImage.release();
        }

        if (null!=grayImage) {
            grayImage.release();
        }

        if (null!=classifier) {
            classifier.close();
        }

        if (null!= cnnNet) {
            cnnNet.close();
        }
    }

    /**
     * 根據推理結果得到在頭像上要標注的內容
     * @param prob
     * @return
     */
    protected String getDescriptionFromPredictResult(Mat prob) {
        Indexer indexer = prob.createIndexer();

        // 比較兩種性別的概率，概率大的作為當前頭像的性別
        return indexer.getDouble(0,0) > indexer.getDouble(0,1)
               ? "male"
               : "female";
    }
}

上述代碼，有以下幾處需要注意的：

構造方法的三個入參：classifierModelFilePath、cnnProtoFilePath、cnnModelFilePath分別是人臉檢測模型、性別檢測配置、性別檢測模型三個檔案的本地存放地址
檢測性別靠的是卷積神經網路的推理，初始化的時候通過readNetFromCaffe方法新建神經網路物件
convert方法被呼叫時，會收到攝像頭捕捉的每一幀，在這里面先檢測出每個人臉，再拿每個人臉去神經網路進行推理
用神經網路的推理結果生成人臉的標注內容，這段邏輯被放入getDescriptionFromPredictResult，下一篇《年齡檢測》的實戰同樣是使用神經網路推理頭像的年齡，咱們只要寫一個GenderDetectService，并重寫getDescriptionFromPredictResult方法，里面的邏輯改成根據推理結果得到年齡，即可輕松完成任務，其他類都可以維持不變

至此，編碼完成，接下來開始驗證

驗證

確保攝像頭作業正常，運行PreviewCameraWithGenderAge類的main方法
請群眾演員登場，讓他站在攝像頭前，如下圖，性別識別成功，且實時展示：
至此，本地視窗預覽集成人臉檢測和性別檢測的功能就完成了，得益于JavaCV的強大，整個程序是如此的輕松愉快，接下來請繼續關注欣宸原創，《JavaCV的攝像頭實戰》系列還會呈現更多豐富的應用；
得益于本篇所做的擴展準備，下一篇《年齡檢測》會更加簡單，一起來期待下一段輕松愉快的旅程吧；

歡迎關注博客園：程式員欣宸

學習路上，你不孤單，欣宸原創一路相伴...

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/556405.html

標籤：其他

上一篇：[滲透測驗]—7.2 社會工程學攻擊技術

下一篇：返回列表