一种基于多特征深度学习的人脸性别识别方法.pdfVIP

中国科学院声学研究所纪念建所50周年暨第五届学术交流会 一种基于多特征深度学习的人脸性别识别方法 蒋雨欣，李松斌，刘鹏，戴琼兴 南海研究站 摘要人脸性别识别是传统模式识别领域里的最富挑战性的难题之一一，在本文中，我们提出 了一种联合学习人脸的高层特征和低层特征的深层网络模型来解决这一4难题。本文中的深层 网络利用卷积层和下采样层交替处理输入的人脸图像以提取人脸的高层特征，这样提取到的 特征具有抽象性，能够很好地表示人脸的局部关联性。同时，网络会同步地利用扁平化处理 单元和重建层重建输入的人脸图像，以捕获人脸的低层特征。低层特征具有全局性，且包含 有对性别分类有效的信息，可很好地作为高层特征的补充。网络联合两类特征形成一种多特 征的结构，同时在低层特征中加入了一个可训练的权重进行调节，然后利用这种通过深层网 络学习到的分层次、全方位的人脸特征进行最终的性别判决。实验结果表明，当在混合人脸 数据集上测试时，我们的方法取得了超过传统人脸性别识别方法的最高准确率。进一步地， 在另外三个公共人脸数据集上进行的泛化能力测试中，我们的方法在三个公共人脸数据集上 的平均准确率与局部二值模式特征(LBP)结合支持向量机分类器算法(SVM)的这种传统方 法相比，提高了5个百分点；与人脸像素特征结合支持向量机分类器算法这种传统方法相比， 提高了近1个百分点。这证明我们的方法在学习能力和泛化能力上都有着超过传统人脸性别 识别方法的优秀性能。 关键词：人脸性别识别，深度学习，多特征学习，泛化能力 1引言 人脸的识别和分析是近年来计算机视觉领域和机器学习领域最富挑战性的 课题之一，而人脸的性别识别作为其中的一部分，也受到了研究者们的广泛关注。 成功有效的人脸性别识别具有广阔的应用前景，可在智能监控、视频索引等场景 发挥巨大作用。 目前人脸性别识别的研究，都是基于人为“手工”确定特征描述子来表示人 脸，结合分类器算法展开，且多是在公共数据集高质量人脸图像上进行实验…【3J。 实际应用时，现有方法的性能普遍下降，显示出其泛化能力弱的缺点。另一方面， 近年来，基于深度学习思想的方法取得了极大的发展，为计算机科学向智能化方 向发展提供了算法上的支持。本文应用深度学习的方法，构建训练一个多特征学 习深层神经网络，该网络能够学习人脸的高层特征；同时能够结合低层的，原始 人脸像素中包含的有效信息进行最终的性别分类。这种通过深层网络结构学习到 的人脸的特征，具有全方法、多层次结构的特点，对人脸有着更本质的刻画，故 最终应用这种特征进行性别识别时会带来更优秀的性能。 ．．648．． 2多特征学习深层神经网络 本文提出的多特征学习深层神经网络主要由三部分组成，高层特征提取模 块，低层特征提取模块以及联合表决输出模块。训练整个网络时，首先对图片进 行人脸检测和预处理，然后调整人脸图片大小至36x36大小后作为网络的输入。 整个网络的结构图如图l所示： 趔裂◆I。．司 ，一，＼～__苄l≮q畸q降矿一 ＼ ＼＼ 卷积 卜采样 卷积 卜桑样 卷积 ＼／j三i◇j心…／l心 _ ＼／／≯心＼。＼～么…量 联合表 扁平化处理单元 …………………一主薹蒿茹一 图1多特征学习深层神经网络结构图 2．1高层特征提取模块 高层特征提取模块主要由卷积层和下采样层组成，每一层由多个二维平面组 成，而每个平面又由多个独立神经元组成。当卷积层和下采样层组合在一起交替 对输入的图像进行卷积、下采样的操作时，可以提取出输入的人脸图像的高层抽 象特征。高层特征提取模块具有局部接收域，权值共享，空间子采样三个突出的 特点。三者的结合使提取到的特征获得了某种程度上的位移、尺度以及形变的不 变性。 本文中的高层特征提取模块由三层卷积层a、C2、a，两层下采样层田、 鼬组成。其中三层卷积层的卷积核都为5x5大小，两层下采样层的尺度都为2x2 的尺度。最后经过扁平化处理单元，将得到的二维平面结构形式的特征图转化为 一维向量形式的特征向