《基于人脸的性别识别.doc》由会员分享，可在线阅读，更多相关《基于人脸的性别识别.doc（14页珍藏版）》请在金锄头文库上搜索。
1、基于人脸的性别识别 陈泽腾基于人脸的性别识别Gender Identification Based on Face 院 系：电子信息与技术学院姓 名：陈泽腾 学 号：13213070摘 要人脸是重要的生物特征之一，人脸图像上蕴含了大量的信息，例如性别、年龄、人种、身份等。人脸的性别识别就是试图赋予计算机根据输入的人脸图像判断其性别的能力。本文基于人脸正面图像进行性别分类。一般而言，人脸性别识别系统分为图像预处理，人脸特征提取和分类器识别三部分。本文针对这三个部分展开研究，并比较了几种不同方案的识别性能。通过对性别识别的重要理论的研究，为了提高性别识别率，本文提出了采用AdaBoost 算法提取
2、整体特征，主动表观模型提取局部特征，组合局部与整体特征后使用支持向量机（SVM）进行分类的方法。本文在一个由AR、FERET、CAS-PEAL-R1、网上收集和实验室自行采集所共同组成的，包含21,300 余张人脸的数据库上，进行了大量有意义的实验。实验结果显示，融合了整体特征和局部特征后，识别率比基于（单独）整体特征的、基于（单独）局部特征的有很大的提高，达到了90%以上。本文还通过精心设计的对比实验对预处理过程中人脸有效区域的截取和AdaBoost 的结构选择等方面给出了合理的建议。关键词：性别识别，局部特征，整体特征，AdaBoost，支持向量机，主动表观模型第一章 绪论1.1 性别识别
3、问题描述人脸是重要的生物特征之一，人脸图像上蕴含了大量的信息，例如性别、年龄、人种、身份等。人机交互技术（HCI）的发展使得计算机视觉、人工智能在监控、GUI人机界面设计等方面发挥了越来越重要的作用。随着技术的进步，基于人脸图像模式识别问题也成为近年来研究的热点。其中包括人脸检测、人脸身份识别、人脸属性（性别、年龄、表情、种族等）识别等各类识别问题。基于人脸的性别分类就是让计算机根据输入的人脸图像判断其性别的过程。人脸的性别识别似乎是人们“与生俱来”的能力，但让计算机识别并不容易，即使有大量来自计算机视觉、模式识别、人工智能、心理学等各领域的研究人员的努力，这个问题仍然困扰着他们。赋予计算机同
4、样的能力一直是人类的梦想之一，如果把照相机、摄像头、扫描仪等外设看作计算机的“眼睛”，数字图像就是它看到的“影像”，性别识别的目标就是让计算机从“影像”中找到人脸并正确判断其性别。这种识别过程大体上分为以下步骤：l 人脸检测/定位计算机首先检测“影像”中是否存在人脸。如果存在，则给出其位置坐标、旋转角度、人脸区域大小等信息，以将人脸分离出来，供后续处理。这一步骤主要受到光照、噪声、面部姿态以及各类遮挡的影响。人脸检测是人脸性别识别的前期工作。同时，它也可以作为独立的完整功能模块用于监测、安保系统。l 特征提取在检测到的人脸上提取性别特征，即采用某种编码方式表示检测出的人脸。常用的特征包括以亮度
5、分布信息为代表的整体特征和以五官的位置和形状轮廓信息为代表的局部特征。特征提取之前往往还需要进行预处理，将这些人脸几何上、颜色上归一化，以削弱遮挡、姿态、光照、饰物等因素的影响。l 性别识别根据提取的面部特征，对待识别人脸的性别做出判断。1.2 性别识别的研究意义与典型应用人脸的性别识别的研究始于二十世纪九十年代，问题起初是由心理学家进行研究的12，他们致力于了解人类是如何分辨男女性别的。接着，有人从计算机视觉的角度进行研究，主要目标是要得到一个性别分类器。十多年来人脸的性别识别得到了长足的发展，尤其在近些年，更成为一个热门的研究课题，得到大量来自计算机视觉、模式识别、人工智能、心理学等各领域
6、的研究人员的关注。人脸的性别分类几乎涉及到模式识别的不同方法，如人工神经网络（ANN）、主分量分析（PCA）、贝叶斯决策、支持向量机以及AdaBoost 算法等等。性别识别在各个方面都有潜在的广阔的应用前景。性别识别在身份识别中可以充当“过滤器”的功能，利用检测出来的性别信息可以显著降低进行身份识别的搜索数量，从而提高身份认证识别速度与精度。3性别识别也是智能人机接口领域的重要研究内容之一。让计算机理解人脸面相的丰富信息并能加以分类，这恰是智能人机接口研究需要解决的问题之一，也是机器智能的重要表现。它的最终解决可以极大的改善目前呆板、不方便的人机交互环境，提供更为个性化的服务。例如可以在大型游
7、乐场所、主题公园的导游车上配备这类系统，让计算机根据使用者不同的性别分布，随机应变地推荐一些更具针对性的商品或者旅游景点。也可以为超市、商店等提供分类更详细的统计信息，提供收集潜在客户数据的自动化途径，帮助其向消费者提供更具针对性的促销服务，从而在一定程度上改变人们的生活质量和生活方式。自2001 年美国“911”恐怖袭击发生以来，安全性成为了人们日益关注的主要问题。为此，各国都投入大量物力人力研究并发展各类识别技术。性别识别也能在安保系统、身份验证系统中起到很大的作用，例如在某些需要限制异性出入的场所可以提供实时的视频监控。又例如可以在奥运会中用来监测，防止个别参赛选手“男扮女装”，利用力量
8、、速度、耐力、爆发力等方面的优势，窃取奖牌的舞弊行为。1.3 性别识别的研究现状(1)使用人工神经网络进行的探索性的研究从上世纪90 年代起国外一些学者开始了人脸性别识别问题的研究，他们致力于理解人类判定性别的视觉处理机制，主要采用的是人工神经网络的方法。如Golomb等1训练了两层神经元网络SEXNET，用来识别3030 的人脸图像的性别。Cottrell和Metcalfe2差不多同时做了类似的实验，他们先对样本进行主分量分析，然后训练BP 神经元网络用于识别人脸的表情和性别。Brunelli 和Poggio4训练了一个HyperBF网络，使用16 个几何特征进行性别分类。Tamura 等人
9、5训练了一个三层BP 网络，在88 的低分辨率人脸图像上取得了93%的分类结果。Abdi 等人6用RBF 网络和一个感知器进行实验，他们比较了基于几何特征和基于像素分布特征的性别识别方法，两者基本达到了相近的准确率。(2)支持向量机算法Moghaddam 等人7使用基于RBF 核的SVM 分类器对2112 的“缩略图”人脸图像进行性别分类，并与一些传统的神经网络方法和线性分类器方法进行了系统的比较，他们发现SVM 的分类效果显著好于其他分类器。实验中使用FERET 人脸图像库进行了训练和测试，达到了96.6%的准确率。(3)AdaBoost 分类算法Shakhnarovich 等人8将Viol
10、a 和Jones 提出的基于类Haar 基特征的AdaBoost方法应用于性别分类问题，训练并完成了一个自动检测、跟踪、性别识别系统，使用普通网络图片的测试正确率达78%，甚至稍好于他们同时训练用作比对的基于RBF 核的SVM 分类器的分类精度，而且在识别速度上比之快了约1000 倍，达到了很好的效果。清华大学的武勃、艾海舟等人使用AdaBoost 算法对基于类Haar 基特征的LUT弱分类器进行训练分类。实验中使用了FERET 图像库以及从互联网获得的一些人脸图像，将所有人脸图像归一化到3636 大小。他们发现比起普通基于阈值若分类器的AdaBoost 方法，LUT AdaBoost 方法收
11、敛更快识别效果更佳。他们还将LUT AdaBoost方法使用在人脸图像的年龄分类上，分辨成年人和儿童。Baluja 和Rowley9使用像素比较操作加上AdaBoost 分类器，识别率超过93%，高于相同输入的SVM 分类器的结果。(4)基于柔性模型的分类算法Saatci 和Town3提出了基于主动表观模型的性别与表情识别方法。他们用AAM提取的特征来训练SVM 分类器。他们在AR、IMM 和FEEDTUM 人脸库上对符合条件的正面图像进行测试，识别率达到了97.6%。他们还尝试在性别识别之前先用表情识别进行分类，期望能一定程度地提高性别分类的精度，但实验结果却并不理想，识别率不升反降，他们指
12、出可能的原因是训练样本数目太小。Costen 等10提出了稀疏矩阵SVM分类方法，目的是选择出最重要的特征，并尽量使类间的距离最大化。在他们300幅正面并手工标定76 个特征点的日本人脸图像构成的测试集上，识别率达到了94.42%。(5)基于主分量分析特征的分类算法（PCA）由于面部图像存在大量冗余信息，PCA 技术，或者说KL 变换11在人脸识别领域也有大量成功的应用，性别识别也是如此。Balci 和Atalay12使用PCA 和多层感知器网络（MLP）进行性别识别。Wilhelm 和Backhaus13结合PCA 和独立分量分析（ICA）进行特征选择，他们分别使用最近邻分类器、MLP 和一
13、个RBF 网络进行识别。Alice等14系统地研究了人脸女性化程度、男性化程度、可识别程度和漂亮程度之间的关系，并用PCA 模型对人脸中所含信息的统计结构进行了定量计算，他们还用PCA 方法从人脸的三维模型（结构和纹理）中提取特征，并用于训练性别分类的感知机15。清华大学的武勃、艾海舟15等人通过实验系统地分析了几种解决方案，包括基于象素特征的SVM 方法、PCA+SVM 方法、PCA+Adaboost 方法、PCA+Adaboost+SVM 方法和最佳特征提取即FLD+CSCIE （ Centralized Samples Classification InformationExtracti
14、ng）+SVM 方法，并比较了这5 种方法之间的优劣。实验结果表明采用主分量分析进行特征抽取后的本征向量作为分类器的输入和直接采用原始象素作为分类器输入，最终的分类正确率并没有很大差别。(6)其他的分类方法Nishino 等人17借鉴了生物医学知识：不同性别的面部的热量分布是不一样的，男性的温度较女性稍高，提出了基于热成像仪获取的人脸图像进行性别分类的方法。但从实验结果来看，其识别率并不高，只能达到75%左右。上海交通大学的吕宝粮等人18利用最大最小模块化支持向量机进行性别分类，他们将结果与传统支持向量机方法进行了对比，实验结果表明，最大最小模块化方法有效地提升了支持向量机的分类能力，在两个测
15、试集上准确率都提高了约6 个百分点。1.4 常用人脸图像库进行人脸识别问题的研究或实验都需要建立包含各种典型人脸的图像库，尤其是在统计学习占主导地位的今天，模型训练所采用的人脸库的人数规模、覆盖的成像条件变化在很大程度上影响着算法的精度和鲁棒性能。目前大部分人脸方面问题的研究和实验都是基于一个或若干个人脸图像库来进行的。下面简单介绍人脸识别领域比较常用的人脸图像数据库的情况。n FERET 人脸图像库19为了促进人脸识别算法的研究和实用化，美国国防部的国防高级项目研究组和美国军方研究实验室开展了人脸识别技术工程(Facial Recognition Technology)计划，简称FERET，
16、并建立了用于测试人脸识别算法的通用标准人脸图像库FERET，FERET人脸图像库是目前最大的人脸性别识别方法研究图像库，其中每人8 幅图像，包括正面人脸图像，以及向左右侧面旋转不同角度(不大于45 度)的图像。该图像库中的图像在拍摄条件上有一定的限制，人脸的大小约束在某个规定的范围内。目前包含14,051 幅多姿态、不同光照条件的灰度人脸图像，并严格划分了训练集合、Gallery、不同的测试集合等，是人脸识别领域应用最广泛的人脸数据库之一。该图像库的图像数目在逐年增加。l ORL 人脸图像库20由剑桥大学 AT&T 实验室创建，该图像库由不同时段的，背景为黑色的，姿态、表情和面部饰物均有变化的40 人共400
