오프라인 기반 얼굴, 성별, 나이 인식 예측 모델 3종 WPF로 비교

 

1. Haar Cascade 얼굴 검출

 

OpenCV에서 제공하는 Haar Cascade 기반의 얼굴 검출 모델 파일. 정면을 향한 사람의 얼굴을 인식하기 위해 훈련된 모델임.

Haar Cascade 기반 이란? 객체(예: 얼굴, 눈, 자동차 번호판 등)를 빠르게 감지하는 전통적인 기계 학습 기반 방법.

 

참고 깃허브 링크: https://github.com/opencv/opencv/tree/master/data/haarcascades

opencv/data/haarcascades at master · opencv/opencv

 

 

 

 

찾아보기 버튼(파일 내의 이미지 파일 선택) 과 카메라 캡쳐 버튼(연결된 캠으로 카메라연동)구성. 저작권 없는 사람 이미지를 사용하였다.

 

"(0-2)", "(4-6)", "(8-12)", "(15-20)", "(25-32)", "(38-43)", "(48-53)", "(60-100)" 으로 연령대를 예측하게 구성하였다. 여러 이미지로 테스트 해본 결과 동양인은 인식률이 떨어지는 것 같다.

 

Haar Cascade 얼굴 검출

haarcascade_frontalface_default.xml

나이

deploy_age.prototxt

age_net.caffemodel

성별

deploy_gender.prototxt

gender_net.caffemodel

 

 

 

2. DNN 기반 SSD 얼굴 검출

 

res10_300x300_ssd_iter_140000.caffemodel (Caffe 기반 SSD 모델) 사용. 딥러닝 모델.

위 방식과 같이 age_net.caffemodel 모델 사용. 성별,나이 예측모델은 위와 동일.

 

https://github.com/sr6033/face-detection-with-OpenCV-and-DNN/blob/master/res10_300x300_ssd_iter_140000.caffemodel?utm_source=chatgpt.com

face-detection-with-OpenCV-and-DNN/res10_300x300_ssd_iter_140000.caffemodel at master · sr6033/face-detection-with-OpenCV-and-D

 

 

 

 

 

 

3. face-detection-retail-0004  와 age-gender-recognition-retail-0013

 

face-detection-retail-0004 얼굴검출.

age-gender-recognition-retail-0013 (OpenVINO 모델) 나이성별예측. 인텔 OpenVINO Toolkit 에서 제공하는 사전 학습된 모델 중 하나로, 얼굴 이미지로부터 나이와 성별을 추론. 딥러닝 모델.

18 - 75 세 범위에 있는 사람들의 나이를 인식하도록 훈련되었음.

 

하면서 제일 헤맸다. 인식률은 이 중에선 그나마 제일 높은 듯.

실제 카메라를 이용해(캡쳐버튼) 동일한 사용자의 얼굴을 여러 차례 인식한 결과, 일관되고 안정적인 결과 값을 보여줌. 여러 번 인식하더라도 결과가 크게 달라지지 않고 유사한 값을 지속적으로 산출.

반면 앞서 사용했던 두 모델은 동일한 얼굴을 인식할 때 조명 변화나 얼굴 움직임에 결과 값이 크게 변동하는 경향이 있었다.

 

파이썬 가상환경 만들기 + face-detection-retail-0004 와 age-gender-recognition-retail-0013 모델 다운로드

 

cmd 에서

pip install openvino-dev[onnx]

일단 OpenVINO 을 설치한다.

omz_downloader --name face-detection-retail-0004
omz_downloader --name age-gender-recognition-retail-0013

face-detection-retail-0004 와 age-gender-recognition-retail-0013 모델 다운로드

C:\Users\사용자\intel 가보면 두 폴더가 생긴걸 확인할 수 있다.각 폴더 내의 FP16 폴더로 들어감. 원하는 곳으로 복사.

python -m venv venv
venv\Scripts\activate
pip install openvino-dev opencv-python pywin32

가상환경 생성 및 활성화

 

참고 깃허브링크

https://github.com/openvinotoolkit/open_model_zoo/blob/master/models/intel/age-gender-recognition-retail-0013/README.md

open_model_zoo/models/intel/age-gender-recognition-retail-0013/README.md at master · openvinotoolkit/open_model_zoo

 

 

 

Python + OpenVINO로 얼굴, 나이, 성별 인식 → WPF로 결과 표시

 

파이썬과 연동시켰다.

 

 

import os
import sys
import json
import cv2
import numpy as np
from openvino.runtime import Core, Tensor

def imread_unicode(path):
    try:
        stream = np.fromfile(path, dtype=np.uint8)
        return cv2.imdecode(stream, cv2.IMREAD_COLOR)
    except Exception as e:
        print(f"[ERROR] imread_unicode 실패: {e}")
        return None

def load_model(core, model_path):
    model = core.read_model(model_path)
    compiled_model = core.compile_model(model, "CPU")
    return compiled_model

def preprocess_for_face_detection(image):
    resized = cv2.resize(image, (300, 300))
    blob = cv2.dnn.blobFromImage(resized, 1.0, (300, 300), (0, 0, 0), swapRB=False, crop=False)
    return blob

def preprocess_for_age_gender(face):
    resized = cv2.resize(face, (62, 62))
    blob = cv2.dnn.blobFromImage(resized, 1.0, (62, 62), (0, 0, 0), swapRB=False, crop=False)
    return blob

def main(image_path, output_path):
    core = Core()

    face_model = load_model(core, r"Model/intel/face-detection-retail-0004/FP16/face-detection-retail-0004.xml")
    age_gender_model = load_model(core, r"Model/intel/age-gender-recognition-retail-0013/FP16/age-gender-recognition-retail-0013.xml")

    image = imread_unicode(image_path)
    if image is None:
        print(f"[ERROR] 이미지 불러오기 실패: {image_path}")
        sys.exit(1)

    input_blob = preprocess_for_face_detection(image)
    infer_request = face_model.create_infer_request()
    input_tensor = Tensor(input_blob)
    infer_request.set_input_tensor(input_tensor)
    infer_request.infer()

    output = infer_request.get_output_tensor().data
    face_found = False
    h, w = image.shape[:2]

    for detection in output[0][0]:
        confidence = float(detection[2])
        if confidence > 0.5:
            xmin = int(detection[3] * w)
            ymin = int(detection[4] * h)
            xmax = int(detection[5] * w)
            ymax = int(detection[6] * h)

            xmin = max(0, xmin)
            ymin = max(0, ymin)
            xmax = min(w, xmax)
            ymax = min(h, ymax)

            face = image[ymin:ymax, xmin:xmax]
            face_found = True
            break

    if not face_found:
        result = {"error": "얼굴이 감지되지 않았습니다."}
        with open(output_path, "w", encoding="utf-8") as f:
            json.dump(result, f, ensure_ascii=False)
        return

    face_blob = preprocess_for_age_gender(face).astype(np.float32)
    face_tensor = Tensor(face_blob)

    infer_request = age_gender_model.create_infer_request()
    infer_request.set_input_tensor(0, face_tensor)
    infer_request.infer()

    gender_raw = infer_request.get_output_tensor(0).data
    age_raw = infer_request.get_output_tensor(1).data

    gender_probs = gender_raw.squeeze()
    age = float(age_raw.squeeze()) * 100

    if len(gender_probs) == 2:
        gender = "여성" if gender_probs[0] > gender_probs[1] else "남성"
    else:
        gender = "알 수 없음"

    result = {
        "Gender": gender,
        "Age": round(age, 1)
    }

    with open(output_path, "w", encoding="utf-8") as f:
        json.dump(result, f, ensure_ascii=False)

    print("[INFO] 추론 결과 저장 완료:", output_path)

if __name__ == "__main__":
    if len(sys.argv) != 3:
        print("사용법: python inference.py <image_path> <output_json_path>")
        sys.exit(1)

    image_path = sys.argv[1]
    output_path = sys.argv[2]

    print(f"[DEBUG] 입력 이미지 경로: {image_path}")
    print(f"[DEBUG] 출력 JSON 경로: {output_path}")

    main(image_path, output_path)