人脸的性别分类 - 媒体所简介 home.PDFVIP

人脸的性别分类 武勃 艾海舟 肖习攀 徐光佑 （清华大学计算机科学与技术系，智能技术与系统国家重点实验室，北京 100084 ） 摘要：人脸的性别分类是指根据人脸的图象判别其性别的模式识别问题。本文系统地研究了 不同的特征提取方法和分类方法在性别分类问题上的性能，其中包括主分量分析（PCA）、 Fisher 线性鉴别分析（FLD）、最佳特征提取、Adaboost 算法、支持向量机（SVM）。给出 了在我们的9 姿态人脸库、FERET 人脸库和一个网络图片人脸库上的对比实验结果。实验表 明人脸中的性别信息集中存在于某个子空间中，因此在分类前对样本进行适当的压缩降维不 但不会明显降低分类器的性能，而且可以大大减少分类的时间开销。最后介绍了将性别分类 器与自动人脸检测和特征提取平台集成起来的基于人脸图象的性别判别系统。 关键词：性别分类，主分量分析，线性鉴别判别，Adaboost，支持向量机 1. 引言 人脸是人类最重要的生物特征之一，反映了很多重要的信息，如身份、年龄和性别等等。 性别分类就是根据输入的人脸图象判断性别的过程。虽然对人来说识别男女并没有什么神秘 的地方，但用计算机进行自动的性别分类并不是一个简单的问题。 有关性别分类的研究可大致划分为两个阶段，一个阶段主要源于心理学研究的需要或纯 粹作为一个实验问题来看待，主要采用人工神经网络方法，包括 Gollomb 等[1]的两层神经 元网络SEXNET 方法，用来识别30 ×30 的人脸样本的性别；Cottrell 等[2]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；Edelman 等[3]采用线性神 经元网络进行分类，用人脸的三个不同部分（整个人脸、人脸上半部分和下半部分）分别训 练，对这三种情况下的分类器性能加以比较分析；Alice 等[4]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[5]。近年来随着人脸检测研究的进展和对智能视觉监视的需 求日益高涨，自动性别分类受到关注，Moghaddam 等[6]采用了基于象素特征的支持向量机 (SVM)方法，并与一些经典的方法（RBF 网络、Fisher 线性鉴别分析（FLD ））做了系统的 比较，在FERET 人脸库上得到了比较理想的效果（错误率只有3.4% ），Shakhnarovich 等[7] 将基于积分图象特征的 Adaboost 方法应用于性别分类问题，并且完成了一个自动性别分类 系统，使用普通网络图片测试正确率达78% 。 为了深入探讨性别分类的应用前景，考虑基本正面的人脸（平面内旋转小于±15°，平面 外旋转小于±30°），我们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 Sample’s Classification Information Extracting [8] ）+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。 这就说明由主要的本征向量张成的特征子空间已经包含了人脸中的大部分性别信息，在分类 前进行特征提取起到了压缩样本，减少计算量的作用，而且不会明显降低分类正确率。本文 还考察了 SVM 分类器在各种输入尺度(16 ×16，24 ×24 ，32 ×32，40 ×40)下的性能。得到 1 的结论是：样本尺度大小对SVM 分类器有一定影响，这个结果与[6]有所不同。最后，我们 采用 PCA+SVM 方法实现了一个自动性别分类系统，在网络图片人脸库上的正确率为 79.75% 。 本文的实验共用到了三个人脸库——清华大学计算机系的9 姿态人脸库、FERET 人脸库 和网络图片人脸库。用FERET 人脸库是由于它是当今世界上公认的比较完全，规模