基于人脸性别识别.doc

.页眉. .页脚. 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 基于人脸的性别识别陈泽腾 2 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,主动表观模型基于人脸的性别识别陈泽腾 3 第一章绪论 性别识别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: ?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。?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。?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。 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[1][2] ,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