keras实现简单性别识别（二分类问题）

第一步：准备好需要的库

第二步：准备数据集：

将性别不同的图片按照不同的分类放到不同的文件夹内。

数据集

https://pan.baidu.com/s/1_f36Gw4PWztUXZWH_jLWcw

  1.  import shutil
  2.  
  3.  # 读取文件中图片信息根据性别分类图片到对应目录中
  4.  dirroot = "D:\\Users\\a\\Pictures\\adience"
  5.  f = open(dirroot+"\\fold_frontal_3_data.txt","r")
  6.  i = 0
  7.  
  8.  for line in f.readlines():
  9.      line = line.split()
  10.      dir = line[0]
  11.  
  12.      imgName = "landmark_aligned_face."+ line[2] +'.'+ line[1]
  13.      if i > 0:
  14.          if line[5]== "f":
  15.              print("female")
  16.              shutil.copy(dirroot+'\\faces\\'+dir+'\\'+imgName, "D:\\pycode\\learn\\data\\validation\\"+imgName)
  17.          #     移动图片到female目录
  18.          elif line[5]=="m":
  19.              print("male")
  20.              shutil.copy(dirroot+'\\faces\\'+dir+'\\'+imgName, "D:\\pycode\\learn\\data\\validation\\"+imgName)
  21.          #     移动图片到male目录
  22.          else:
  23.              print("N")
  24.              # 未识别男女
  25.      i += 1
  26.  f.close()

使用ImageDataGenerator，来对图片进行归一化和随机旋转。使用flow_from_directory，来自动产生图片标签生成器。

  1.  class Dataset(object):
  2.  
  3.      def __init__(self):
  4.          self.train = None
  5.          self.valid = None
  6.  
  7.      def read(self, img_rows=IMAGE_SIZE, img_cols=IMAGE_SIZE):
  8.          train_datagen = ImageDataGenerator(
  9.              rescale=1. / 255,
  10.              horizontal_flip=True)
  11.  
  12.          test_datagen = ImageDataGenerator(rescale=1. / 255)
  13.  
  14.          train_generator = train_datagen.flow_from_directory(
  15.              train_data_dir,
  16.              target_size=(img_rows, img_cols),
  17.              batch_size=batch_size,
  18.              class_mode='binary')
  19.  
  20.          validation_generator = test_datagen.flow_from_directory(
  21.              validation_data_dir,
  22.              target_size=(img_rows, img_cols),
  23.              batch_size=batch_size,
  24.              class_mode='binary')
  25.  
  26.          self.train = train_generator
  27.          self.valid = validation_generator

第三部：网络

  1.  class Model(object):
  2.  
  3.      def __init__(self):
  4.          self.model = Sequential()
  5.          self.model.add(Conv2D(32, (3, 3), input_shape=(IMAGE_SIZE,IMAGE_SIZE,3)))
  6.          self.model.add(Activation('relu'))
  7.          self.model.add(MaxPooling2D(pool_size=(2, 2)))
  8.  
  9.          self.model.add(Conv2D(32, (3, 3)))
  10.          self.model.add(Activation('relu'))
  11.          self.model.add(MaxPooling2D(pool_size=(2, 2)))
  12.  
  13.          self.model.add(Conv2D(64, (3, 3)))
  14.          self.model.add(Activation('relu'))
  15.          self.model.add(MaxPooling2D(pool_size=(2, 2)))
  16.  
  17.          self.model.add(Conv2D(64, (3, 3)))
  18.          self.model.add(Activation('relu'))
  19.          self.model.add(MaxPooling2D(pool_size=(2, 2)))
  20.  
  21.          self.model.add(Flatten())
  22.          self.model.add(Dense(64))
  23.          self.model.add(Activation('relu'))
  24.          self.model.add(Dropout(0.85))
  25.          self.model.add(Dense(1))
  26.          self.model.add(Activation('sigmoid'))
  27.  
  28.      def train(self, dataset, batch_size=batch_size, nb_epoch=epochs):
  29.  
  30.          self.model.compile(loss='binary_crossentropy',
  31.                        optimizer='adam',
  32.                        metrics=['accuracy'])
  33.          self.model.fit_generator(dataset.train,
  34.                                   steps_per_epoch=nb_train_samples // batch_size,
  35.                                   epochs=epochs,
  36.                                   validation_data=dataset.valid,
  37.                                   validation_steps=nb_validation_samples//batch_size)
  38.  
  39.      def save(self, file_path=FILE_PATH):
  40.          print('Model Saved.')
  41.          self.model.save_weights(file_path)
  42.  
  43.      def load(self, file_path=FILE_PATH):
  44.          print('Model Loaded.')
  45.          self.model.load_weights(file_path)
  46.  
  47.      def predict(self, image):
  48.          # 预测样本分类
  49.          img = image.resize((1, IMAGE_SIZE, IMAGE_SIZE, 3))
  50.          img = image.astype('float32')
  51.          img /= 255
  52.  
  53.          #归一化
  54.          result = self.model.predict(img)
  55.          print(result)
  56.          # 概率
  57.          result = self.model.predict_classes(img)
  58.          print(result)
  59.          # 0/1
  60.  
  61.          return result[0]
  62.  
  63.      def evaluate(self, dataset):
  64.          # 测试样本准确率
  65.          score = self.model.evaluate_generator(dataset.valid,steps=2)
  66.          print("样本准确率%s: %.2f%%" % (self.model.metrics_names[1], score[1] * 100))

第四部：主程序

  1.  if __name__ == '__main__':
  2.      dataset = Dataset()
  3.      dataset.read()
  4.  
  5.      model = Model()
  6.      model.load()
  7.      model.train(dataset)
  8.      model.evaluate(dataset)
  9.      model.save()

第五步：识别程序

opencv检测模块版

  1.  #!/usr/bin/env python
  2.  """
  3.  从摄像头中获取图像实时监测
  4.  """
  5.  import numpy as np
  6.  import cv2
  7.  from GenderTrain import Model
  8.  
  9.  def detect(img, cascade):
  10.      """
  11.      检测图像是否含有人脸部分
  12.      :param img: 待检测帧图像
  13.      :param cascade: 面部对象检测器
  14.      :return: 面部图像标记
  15.      """
  16.      rects = cascade.detectMultiScale(img, scaleFactor=1.3, minNeighbors=4, minSize=(30, 30),
  17.                                       flags=cv2.CASCADE_SCALE_IMAGE)
  18.      if len(rects) == 0:
  19.          return []
  20.      rects[:,2:] += rects[:,:2]
  21.      return rects
  22.  
  23.  def draw_rects(img, rects, color):
  24.      """
  25.      根据图像标记人脸区域与性别
  26.      :param img:
  27.      :param rects:
  28.      :param color:
  29.      :return:
  30.      """
  31.      for x, y, w, h in rects:
  32.          face = img[x:x+w,y:y+h]
  33.          face = cv2.resize(face,(224,224))
  34.          if gender.predict(face)==1:
  35.              text = "Male"
  36.          else:
  37.              text = "Female"
  38.          cv2.rectangle(img, (x, y), (w, h), color, 2)
  39.          cv2.putText(img, text, (x, h), cv2.FONT_HERSHEY_SIMPLEX, 2.0, (255, 255, 255), lineType=cv2.LINE_AA)
  40.  
  41.  if __name__ == '__main__':
  42.      haar__cascade_path = "D:\\opencv\\sources\\data\\haarcascades\\haarcascade_frontalface_default.xml"
  43.  
  44.      cascade = cv2.CascadeClassifier( haar__cascade_path)
  45.      cam = cv2.VideoCapture(0)
  46.      # 获取摄像头视频
  47.      gender = Model()
  48.      gender.load()
  49.      # 加载性别模型
  50.      while True:
  51.          ret, img = cam.read()
  52.          # 读取帧图像
  53.          rects = detect(img, cascade)
  54.          print(rects)
  55.          vis = img.copy()
  56.          draw_rects(vis, rects, (0, 255, 0))
  57.          cv2.imshow('Gender', vis)
  58.          if cv2.waitKey(5) == 27:
  59.              break
  60.      cv2.destroyAllWindows()

MTCNN检测版

  1. """
  2. 从摄像头中获取图像实时监测
  3. """
  4. import PIL
  5. import numpy as np
  6. import detect_face
  7. import tensorflow as tf
  8. import cv2
  9. from GenderTrain import Model
  10.  
  11. with tf.Graph().as_default():
  12.     gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.5)
  13.     sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options, log_device_placement=False))
  14.     with sess.as_default():
  15.         pnet, rnet, onet = detect_face.create_mtcnn(sess,
  16.                                                     'E:\\pycode\\real-time-deep-face-recognition-master\\20170512-110547')
  17. minsize = 20  # minimum size of face
  18. threshold = [0.6, 0.7, 0.7]  # three steps's threshold
  19. factor = 0.709  # scale factor
  20. margin = 44
  21. frame_interval = 3
  22. batch_size = 1000
  23. image_size = 182
  24. input_image_size = 160
  25.  
  26. def draw_rects(img, rects, color):
  27.     """
  28.     根据图像标记人脸区域与性别
  29.     :param img:
  30.     :param rects:
  31.     :param color:
  32.     :return:
  33.     """
  34.     for x, y, w, h in rects:
  35.         face = img[x:x+w,y:y+h]
  36.         face = cv2.resize(face,(224,224))
  37.         if gender.predict(face)==1:
  38.             text = "Male"
  39.         else:
  40.             text = "Female"
  41.         cv2.rectangle(img, (x, y), (w, h), color, 2)
  42.         cv2.putText(img, text, (x, h), cv2.FONT_HERSHEY_SIMPLEX, 2.0, (255, 255, 255), lineType=cv2.LINE_AA)
  43.  
  44. if __name__ == '__main__':
  45.     cam = cv2.VideoCapture(0)
  46.     # 获取摄像头视频
  47.     gender = Model()
  48.     gender.load()
  49.     # 加载性别模型
  50.     while True:
  51.         ret, img = cam.read()
  52.         # 读取帧图像
  53.         bounding_boxes, _ = detect_face.detect_face(img, minsize, pnet, rnet, onet, threshold, factor)
  54.         # 读取帧图像
  55.         for face_position in bounding_boxes:
  56.             face_position = face_position.astype(int)
  57.             print(face_position[0:4])
  58.             rects = [[face_position[0], face_position[1], face_position[2], face_position[3]]]
  59.             vis = img.copy()
  60.             draw_rects(vis, rects, (255, 255, 255))
  61.             cv2.imshow('Gender', vis)
  62.         if cv2.waitKey(5) == 27:
  63.             break
  64.     cv2.destroyAllWindows()

完全版

  1. import os
  2. import random
  3. import cv2
  4. import numpy as np
  5. from tensorflow.contrib.keras.api.keras.preprocessing.image import ImageDataGenerator,img_to_array
  6. from tensorflow.contrib.keras.api.keras.models import Sequential
  7. from tensorflow.contrib.keras.api.keras.layers import Dense, Dropout, Activation, Flatten
  8. from tensorflow.contrib.keras.api.keras.layers import Conv2D, MaxPooling2D
  9. from tensorflow.contrib.keras.api.keras.optimizers import SGD
  10.  
  11. IMAGE_SIZE = 182
  12. # 训练图片大小
  13. epochs = 150#原来是50
  14. # 遍历次数
  15. batch_size = 32
  16. # 批量大小
  17. nb_train_samples = 512*2
  18. # 训练样本总数
  19. nb_validation_samples = 128*2
  20. # 测试样本总数
  21. train_data_dir = 'D:\\code\\learn\\data_sex\\train_data\\'
  22. validation_data_dir = 'D:\\data_sex\\test_data\\'
  23. # 样本图片所在路径
  24. FILE_PATH = 'Gender_new.h5'
  25. # 模型存放路径
  26. class Dataset(object):
  27.  
  28.     def __init__(self):
  29.         self.train = None
  30.         self.valid = None
  31.  
  32.     def read(self, img_rows=IMAGE_SIZE, img_cols=IMAGE_SIZE):
  33.         train_datagen = ImageDataGenerator(
  34.             rescale=1. / 255,
  35.             horizontal_flip=True)
  36.  
  37.         test_datagen = ImageDataGenerator(rescale=1. / 255)
  38.  
  39.         train_generator = train_datagen.flow_from_directory(
  40.             train_data_dir,
  41.             target_size=(img_rows, img_cols),
  42.             batch_size=batch_size,
  43.             class_mode='binary')
  44.  
  45.         validation_generator = test_datagen.flow_from_directory(
  46.             validation_data_dir,
  47.             target_size=(img_rows, img_cols),
  48.             batch_size=batch_size,
  49.             class_mode='binary')
  50.  
  51.         self.train = train_generator
  52.         self.valid = validation_generator
  53.  
  54. class Model(object):
  55.  
  56.     def __init__(self):
  57.         self.model = Sequential()
  58.         self.model.add(Conv2D(32, (3, 3), input_shape=(IMAGE_SIZE,IMAGE_SIZE,3)))
  59.         self.model.add(Activation('relu'))
  60.         self.model.add(MaxPooling2D(pool_size=(2, 2)))
  61.  
  62.         self.model.add(Conv2D(32, (3, 3)))
  63.         self.model.add(Activation('relu'))
  64.         self.model.add(MaxPooling2D(pool_size=(2, 2)))
  65.  
  66.         self.model.add(Conv2D(64, (3, 3)))
  67.         self.model.add(Activation('relu'))
  68.         self.model.add(MaxPooling2D(pool_size=(2, 2)))
  69.  
  70.         self.model.add(Flatten())
  71.         self.model.add(Dense(64))
  72.         self.model.add(Activation('relu'))
  73.         self.model.add(Dropout(0.5))
  74.         self.model.add(Dense(1))
  75.         self.model.add(Activation('sigmoid'))
  76.  
  77.     def train(self, dataset, batch_size=batch_size, nb_epoch=epochs):
  78.  
  79.         self.model.compile(loss='binary_crossentropy',
  80.                       optimizer='adam',
  81.                       metrics=['accuracy'])
  82.         self.model.fit_generator(dataset.train,
  83.                                  steps_per_epoch=nb_train_samples // batch_size,
  84.                                  epochs=epochs,
  85.                                  validation_data=dataset.valid,
  86.                                  validation_steps=nb_validation_samples//batch_size)
  87.  
  88.     def save(self, file_path=FILE_PATH):
  89.         print('Model Saved.')
  90.         self.model.save_weights(file_path)
  91.  
  92.     def load(self, file_path=FILE_PATH):
  93.         print('Model Loaded.')
  94.         self.model.load_weights(file_path)
  95.  
  96.     def predict(self, image):
  97.         # 预测样本分类
  98.         img = image.resize((1, IMAGE_SIZE, IMAGE_SIZE, 3))
  99.         img = image.astype('float32')
  100.         img /= 255
  101.  
  102.         #归一化
  103.         result = self.model.predict(img)
  104.         print(result)
  105.         # 概率
  106.         result = self.model.predict_classes(img)
  107.         print(result)
  108.         # 0/1
  109.  
  110.         return result[0]
  111.  
  112.     def evaluate(self, dataset):
  113.         # 测试样本准确率
  114.         score = self.model.evaluate_generator(dataset.valid,steps=2)
  115.         print("样本准确率%s: %.2f%%" % (self.model.metrics_names[1], score[1] * 100))
  116.  
  117. if __name__ == '__main__':
  118.     dataset = Dataset()
  119.     dataset.read()
  120.  
  121.     model = Model()
  122.     model.load()
  123.     model.train(dataset)
  124.     model.evaluate(dataset)
  125.     model.save()

keras实现简单性别识别（二分类问题）的更多相关文章

  1. keras框架下的深度学习（二）二分类和多分类问题

    本文第一部分是对数据处理中one-hot编码的讲解,第二部分是对二分类模型的代码讲解,其模型的建立以及训练过程与上篇文章一样:在最后我们将训练好的模型保存下来,再用自己的数据放入保存下来的模型中进行分 ...

  2. 1.keras实现-->自己训练卷积模型实现猫狗二分类(CNN)

    原数据集:包含 25000张猫狗图像,两个类别各有12500 新数据集:猫.狗 (照片大小不一样) 训练集:各1000个样本 验证集:各500个样本 测试集:各500个样本 1= 狗,0= 猫 # 将 ...

  3. 基于Keras的imdb数据集电影评论情感二分类

    IMDB数据集下载速度慢,可以在我的repo库中找到下载,下载后放到~/.keras/datasets/目录下,即可正常运行.)中找到下载,下载后放到~/.keras/datasets/目录下,即可正 ...

  4. [DeeplearningAI笔记]卷积神经网络4.1-4.5 人脸识别/one-shot learning/Siamase网络/Triplet损失/将面部识别转化为二分类问题

    4.4特殊应用:人脸识别和神经网络风格转换 觉得有用的话,欢迎一起讨论相互学习~Follow Me 4.1什么是人脸识别 Face verification人脸验证 VS face recogniti ...

  5. xgb, lgb, Keras, LR(二分类、多分类代码)

    preprocess # 通用的预处理框架 import pandas as pd import numpy as np import scipy as sp # 文件读取 def read_csv_ ...

  6. C++开发人脸性别识别教程（16）——视频人脸性别识别

    在之前的博文中我们已经可以顺利驱动摄像头来採集源图像.在这篇博文中将正式为其加入性别识别的代码,实现摄像头视频的人脸性别识别. 一.人脸检測 在得到摄像头採集的源图像之后,首先要做的就是对其进行人脸检 ...

  7. C++开发人脸性别识别教程（5）——通过FaceRecognizer类实现性别识别

    在之前的博客中已经攻克了人脸检測的问题,我们计划在这篇博客中介绍人脸识别.性别识别方面的相关实现方法. 事实上性别识别和人脸识别本质上是相似的,由于这里仅仅是一个简单的MFC开发,主要工作并不在算法研 ...

  8. 基于深度学习的人脸性别识别系统（含UI界面，Python代码）

    摘要:人脸性别识别是人脸识别领域的一个热门方向,本文详细介绍基于深度学习的人脸性别识别系统,在介绍算法原理的同时,给出Python的实现代码以及PyQt的UI界面.在界面中可以选择人脸图片.视频进行检 ...

  9. 基于OpenCV性别识别

    叙述性说明 所谓的性别识别推断检测到的面部是男性还是女性.它是一个二值分类问题. 识别算法可以用于SVM,BP神经网络.LDA,PCA,PCA+LDA等等.OpenCV官网给出的文档是基于Fisher ...

随机推荐

  1. JS基础：闭包和作用域链

    简介 一个定义在函数内部的函数与包含它的外部函数构成了闭包,内部函数可以访问外部函数的变量,这些变量将一直保存在内存中,直到无法再引用这个内部函数. 例如: var a = 0; function o ...

  2. Jenkins实现Android自动化打包

    转载请标明出处:http://blog.csdn.net/zhaoyanjun6/article/details/77102359 本文出自[赵彦军的博客] 1.Tomcat 进入 https://t ...

  3. erlang的脚本执行---escript

    1.概述: 作为程序员对于脚本语言应该很熟悉了,脚本语言的优点很多,如快速开发.容易编写.实时开发和执行, 我们常用的脚本有Javascript.shell.python等,我们的erlang语言也有 ...

  4. 建站记录：设置apache .htaccess文件给网站添加404错误处理页面

    有些空间服务商会在后台设置中,提供这个选项,可以直观地设置404错误指向的页面,这一点很方便,比如我之前用的阿里云虚拟主机就可以在控制台直接设置. 新租用的香港主机后台没有找到选取文件的地方,只是可以 ...

  5. Ubuntu下vim中文乱码

    在linux中,用vim打开包含中文的文件时,有可能出现乱码 下面的vim配置方法亲测有效 1. 找到你的vimrc文件,也有可能是.vimrc,我的服务器是vimrc,我改的是 有的说建议不要改全局 ...

  6. 嵌入Python系列 | 调用Python模块中无参数函数

    开发环境 Python版本:3.6.4 (32-bit) 编辑器:Visual Studio Code C++环境:Visual Studio 2013 需求说明 在用VS2013编写的Win32程序 ...

  7. TensorFlow源码安装

    前言 TensorFlow如果能二进制包安装,我真的不想选择自己编译,但是情况不由人,好不容易找到一台服务器,CPU不支持AVX指令集,安装的release版本运行到import tensorflow ...

  8. Visual Studio 201~ Code 格式检查

    前言 好的代码格式,有利于阅读和查错,慢慢的有利于养成良好的编码习惯,也可以帮我们找出一些低级错误. StyleCop 在Nuget上搜索stylecop,选择MSBuild的那个版本,安装. 手动编 ...

  9. Http Header信息

    REMOTE_ADDR – 访问客户端的 IP 地址 HTTP_VIA – 如果有该条信息, 就证明您使用了代理服务器,代理服务器的地址就是后面的数值. HTTP_X_FORWARDED_FOR – ...

  10. strace详解及实战

    详细参数: -c 统计每一系统调用的所执行的时间,次数和出错的次数等. -d 输出strace关于标准错误的调试信息. -f 跟踪由fork调用所产生的子进程. -ff 如果提供-o filename ...