亚洲精品免费在线观看视频,国产99精品,aaa国产视频

速讀：JavaCV的攝像頭實戰之十二：性別檢測

2023-07-01 07:23:15 來源：博客園

(相關資料圖)

歡迎訪問我的GitHub

這里分類和匯總了欣宸的全部原創(含配套源碼)：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絡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，訓練該模型的數據來自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 -)關于數據源的更多詳細，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源碼下載《JavaCV人臉識別三部曲》的完整源碼可在GitHub下載到，地址和鏈接信息如下表所示(https://github.com/zq2599/blog_demos)：

名稱	鏈接	備注
項目主頁	https://github.com/zq2599/blog_demos	該項目在GitHub上的主頁
git倉庫地址(https)	https://github.com/zq2599/blog_demos.git	該項目源碼的倉庫地址，https協議
git倉庫地址(ssh)	git@github.com:zq2599/blog_demos.git	該項目源碼的倉庫地址，ssh協議

這個git項目中有多個文件夾，本篇的源碼在javacv-tutorials文件夾下，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：文件下載本次實戰需要三個文件：人臉檢測的模型文件：https://raw.github.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_alt.xml性別識別的配置文件：https://raw.githubusercontent.com/GilLevi/AgeGenderDeepLearning/master/gender_net_definitions/deploy.prototxt性別識別的模型文件：https://raw.githubusercontent.com/GilLevi/AgeGenderDeepLearning/master/models/gender_net.caffemodel我已將上述文件打包上傳到CSDN，您也可以在CSDN下載（無需積分）：https://download.csdn.net/download/boling_cavalry/70730586準備：代碼接口簡介編碼前，先把涉及到的所有java文件說明一下：AbstractCameraApplication.java：主程序的抽象類，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：主程序，是AbstractCameraApplication的實現類，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量detectService去完成DetectService.java：檢測服務的接口，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接口的實現類，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，先從最簡單的主程序開始編碼：主程序《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，創建子類實現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現抽象方法，所以接下來，咱們以本地窗口預覽為目標實現這三個紅色方法即可：新建文件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類型的成員變量previewCanvas，這是展示視頻幀的本地窗口：

protected CanvasFrame previewCanvas

把前面創建的DetectService作為成員變量，后面檢測的時候會用到：

/**     * 檢測工具接口     */    private DetectService detectService;

PreviewCameraWithGenderAge的構造方法，接受DetectService的實例：

/**     * 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的實例化和參數設置，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數據后做什么事情，這里調用了detectService.convert檢測人臉并識別性別，然后在本地窗口顯示：

@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，        // 然后轉換為幀返回        Frame detectedFrame = detectService.convert(frame);        // 預覽窗口上顯示的幀是標注了檢測結果的幀        previewCanvas.showImage(detectedFrame);    }

最后是處理視頻的循環結束后，程序退出前要做的事情，先關閉本地窗口，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文件在本機的位置：

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);    }

主程序已經寫完，接下來是核心功能編碼：服務接口回顧本篇的核心功能是檢測性別，相關代碼被封裝在DetectService接口的實現類GenderDetectService中，這個DetectService接口是咱們的老朋友了，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接口：

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對象     * @return 相同尺寸的灰度圖片的MAT對象     */    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接口的實現類，也就是今天實戰的核心：GenderDetectService.java編碼：檢測服務實現今天的核心功能都集中在GenderDetectService.java中，直接貼出全部源碼吧，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 */@Slf4jpublic class GenderDetectService implements DetectService {    /**     * 每一幀原始圖片的對象     */    private Mat grabbedImage = null;    /**     * 原始圖片對應的灰度圖片對象     */    private Mat grayImage = null;    /**     * 分類器     */    private CascadeClassifier classifier;    /**     * 轉換器     */    private OpenCVFrameConverter.ToMat converter = new OpenCVFrameConverter.ToMat();    /**     * 人臉檢測模型文件的下載地址     */    private String classifierModelFilePath;    /**     * 性別識別proto文件的下載地址     */    private String genderProtoFilePath;    /**     * 性別識別模型文件的下載地址     */    private String genderModelFilePath;    /**     * 推理性別的神經網絡對象     */    private Net cnnNet;    /**     * 構造方法，在此指定proto和模型文件的下載地址     * @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絡     * @throws Exception     */    @Override    public void init() throws Exception {        // 根據模型文件實例化分類器        classifier = new CascadeClassifier(classifierModelFilePath);        // 實例化推理性別的神經網絡        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，就用原始幀返回        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，就根據結果的數據構造矩形框，畫在原圖上        for (long i = 0; i < total; i++) {            Rect r = objects.get(i);            // 人臉對應的Mat實例（注意：要用彩圖，不能用灰度圖?。。。?           faceMat = new Mat(grabbedImage, r);            // 縮放到神經網絡所需的尺寸            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類型            inputBlob = blobFromImage(faceMat);            // 為神經網絡設置入參            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，返回        return converter.convert(grabbedImage);    }    /**     * 程序結束前，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、性別檢測模型三個文件的本地存放地址檢測性別靠的是卷積神經網絡的推理，初始化的時候通過readNetFromCaffe方法新建神經網絡對象convert方法被調用時，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絡進行推理用神經網絡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絡推理頭像的年齡，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工作正常，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，本地窗口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，整個過程是如此的輕松愉快，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：程序員欣宸