论文部分内容阅读
基于人脸图像性别识别方法的研究是模式识别研究的重要组成部分，是计算机为人类提供性别差异化服务的前提。它能够促进人工智能、计算机视觉和虚拟现实等许多领域的发展。本研究以现实应用为前提，以人脸图像为研究对象，旨在寻求稳定性和泛化能力较强的人脸图像性别识别方法。 本研究归纳总结了性别识别所用的典型人脸图像库、典型性别特征提取方法和分类方法。首先，分析各种典型人脸图像库的组成特点，指出典型人脸图像库并不适合性别识别方法的研究，需要建立符合条件的人脸图像库;其次，分析了典型的性别特征提取方法和分类方法，从时间复杂度和空间复杂度的角度分析了部分典型方法中存在的问题。针对不同的问题进行了深入研究，本研究主要贡献如下: (1)针对典型人脸图像库采集条件较为严格的问题，本研究建立了以普通证件照为标准的初级仿真人脸图像库S，对光线没有特殊要求。通过人眼归一化处理，建立了尺度为46×46的人脸图像库S1; (2)初步建立了性别识别人脸图像库的评价体系。通过对该库平均脸图像的三维消隐图、着色三维表面、等高线及数值染色和聚类情况的分析，评价该库是否符合研究条件; (3)建立了等测试样本的实验标准和模型测试评价标准。以贝叶斯错误率为指导，规定测试样本性别比例为1∶1，当男性识别率和女性识别率平均相差为15％时，判定统计的识别率无效; (4)提出两种基于特征融合的人脸图像性别识别方法。详细分析了PCA(PrincipalComponent Analysis)、2DPCA(Two-Dimensional PCA)、2D2PAC(Two-directionaltwo-Dimensional PCA)、ICA(Independent Components Analysis)、LDA(Linear DiscriminantAnalysis)和LBP(Local Binary Pattern)方法的特点，引入能够用于二分类问题的OLDA(Orthogonal LDA)算法，特征维数较低的ULBP(Uniform LBP)编码和快速提取独立分量的FastICA(Fast ICA)方法，利用线性SVM(Support Vector Machine)方法对性别特征进行分类，通过在人脸图像库S1上对不同方法进行比较，提出了基于ULBP和PCA+OLDA的人脸图像性别识别方法，以这种特征融合结构为基础，提出了基于ULBP和FastICA+OLDA的人脸图像性别识别方法。两种方法在人脸图像库S1上表现优异，识别率受参数影响较小，通过双向的5倍交叉验证实验证明两种方法具备较强的稳定性; (5)为进一步模拟现实生活环境，综合考虑年龄、光照及人眼定位误差等情况，建立了人脸图像库A;为验证所建模型的泛化能力，建立了由异地人员组成的泛化能力验证库B。通过人眼归一化处理，建立了尺度为40×40的人脸图像库A1和泛化能力验证库B1用于实验。通过本研究所提出的评价方法，评价A1和B1符合研究条件; (6)在对Gabor人脸特征深入研究的基础上，综合了ULBP的局部纹理优势，提出了一种基于LGBP(Local Gabor Binary Pattern)和OLDA的人脸图像性别识别方法，该方法数据维数更低，分类器采用基于余弦相似度的KNN(K-Nearest Neighbor algorithm)方法，在人脸图像库A1上表现优异，用泛化能力验证库B1对其进行测试，同样获得了较高的识别率，通过对不同参数设定实验和5组holdout交叉验证实验，证明该方法具备较强的稳定性和泛化能力。 本研究由浅入深，不仅建立了符合性别识别研究条件的人脸图像库，还提出了简易的图像库评价方法。针对传统方法中存在的问题，通过较为系统地研究，提出三种不同的性别识别方法，每种方法各具特点。泛化能力验证库的建立为人脸图像性别识别方法的研究提供了新的视角。