论文部分内容阅读
人脸是人类最重要的生物特征之一，传递着性别、表情、年龄、种族等丰富的信息。利用计算机进行人脸图像分析是计算机视觉和模式识别领域里的一个重要课题，作为人脸识别技术的重要组成部分，人脸自动性别识别的研究近年来也受到了广泛关注。
本文首先总结了性别识别发展各个时期的代表性理论及一系列最新的人脸性别识别方法，对多种经典人脸性别识别方法进行了分析，并探讨了本学科领域的尖端成果和发展态势，同时在分析比较的基础上，总结了现有方法的优势以及存在的技术困难。然后对主成份分析(PCA)与局部二元模式(LBP)，改进LBP特征等提取算法结合支持向量机学习方法进行性别分类研究。
总的说来，人脸性别识别分为图像预处理、特征提取、性别分类三部分。本文采用几何校准、面部掩模、直方图均衡等方法进行人脸图像预处理；性别识别分类器使用泛化能力较强的支持向量机学习算法，支持向量机理论是基于结构风险最小化理论提出的，它在解决二分类问题方面表现突出，本文选用径向基函数为核函数，考虑到在大规模人脸图像库上分类的效率，本文使用SVM-Light算法。
特征提取算法是性别识别的关键，也是本文研究的重点。本文主要对PCA与LBP进行了比较分析，并对常用的LBP特征提出了三种改进：低密度采样、LBP特征融合、LBP+PCA混合特征。在理论基础上，我们对基于FERET人脸图像库的正面人脸图像进行了系统的仿真实验，内容包括PCA和LBP特征的性别识别能力比较，PCA特征和LBP特征的鲁棒性比较，使用局部PCA特征进行性别分类的效果，调整LBP参数对性别识别的影响等，通过实验证明了LBP特征相对于PCA特征的鲁棒性以及常用LBP特征在性别分类方面的优势和不足。我们还进行了改进LBP特征的性别识别能力对照实验，结果充分证明了改进LBP特征在性别分类上的有效性。