本文介绍了使用seetaface进行人脸检测，OpenCV的dnn模块进行性别分类，QT作为显示界面的课程设计。依赖库包括opencv3.1（含dnn模块）和QT5。详细讲解了性别分类网络训练过程，包括网络结构定义、Caffe的prototxt文件和solver文件解析，以及训练数据的准备和模型训练。训练过程中，发现准确率在89%左右，与论文中86%的性别识别准确率相近。
seetaface开源人脸检测框架实现人脸检测，OpenCV+dnn模块实现性别分类，qt做显示界面，完成一个课程设计。
依赖库：opencv3.1+ 包含dnn模块，QT5
1.性别分类网络训练
1.3.网络结构定义
网络结构参考Age and Gender Classification using Convolutional Neural Networks论文，是CVPR2015年的文章，用卷积神经网络对年龄和性别做识别，我们只用其网络模型对性别做分类。网络结构如下图
其实是一个比较常规的网络框架，论文中的性别识别准确率在86%左右，感觉性别识别这个任务还是比较难的，当然，作者的数据集也属于实际场景，有很多模糊，畸变，遮挡等干扰，导致准确率不高。这篇论文应该是比较早的將CNN用于年龄的性别识别任务，并且取得了优于以前方法的效果。传统方法是使用人工特征，lbp，gabor等等，再用svm分类器。
caffe网络定义文件
train_val.prototxt,这个可以在网络上找到作者开源的文件，或者自己根据网络写也行。3卷积层，relu作为激活函数，再加上dropout，softmax损失函数。
caffe sovler.prototxt
这个是caffe训练的配置文件，下面进行分析
net: “examples/amyfil
最低0.47元/天 解锁文章
扫一扫
1119
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
