人脸性别识别综述.docVIP

人脸性别识别综述 　　摘要：该文是对现有的人脸性别识别方法的综述。文中分别介绍了主要的特征提取算法和分类方法，还对一些典型的性别分类方法进行了比较和评价，并在此基础上对人脸性别识别的研究进行了总结和展望。 　　关键词：人脸性别识别；特征提取；性别分类 　　中图分类号：TP391文献标识码：A文章编号：1009-3044(2011)10-2350-03 　　Summary of Face Gender Recognition 　　LI Kun-lun, ZHANG Xin 　　(Science and Technology College of Nanchang University, Nanchang 330029, China) 　　Abstract: This paper is the summary of the methods of face gender recognition. In this paper, Main feature extraction algorithms and classification methods are introduced separately, also compared and evaluated some typical gender classification methods, and on this basis, make a summary and outlook to face gender recognition. 　　Key words: face gender recognition; feature extraction; gender classification 　　人脸识别技术是模式识别和计算机视觉领域最富挑战性的研究课题之一，也是近年来的研究热点，人脸性别识别作为人脸识别技术的重要组成部分也受到了广泛地关注。人脸性别识别就是向计算机输入人脸图像，经过某种方法或运算，得出其性别。这种识别对人眼来说很简单，但对计算机却并不是一件容易的事情。从上世纪90年代初期开始，国外一些学者就开始了人脸性别识别问题的研究。1991年，Gollomb等人[1]训练了一个两层神经网络用来识别90张人脸图像的性别，开创了人脸性别识别的先河。但在早期，主要是源于心理学研究的需要或纯粹作为一个实验问题来看待的，如，Cellerino等人[2]认为人脸性别识别是一个非常高效的认知过程，而且男性脸和女性脸的认知过程是不同的，通过实验说明了男性脸的识别率高于女性脸。而且在归类同性别的人脸时正确率较高。随着人脸检测技术的发展，对人脸性别识别的研究也越来越多，识别方法也日渐成熟，从早期盛行的神经网络方法，发展到近期的支持向量机和AdaBoost方法，识别精度也越来越高。而且有一些人脸性别识别技术已经成功的应用到很多商业领域。 　　本文主要是对现有的人脸性别识别方法进行总结和归纳，对一些典型的特征提取和性别分类方法作简单介绍。并对今后的研究方向进行了展望。 　　1 人脸性别分类算法的研究 　　人脸性别的识别过程可以分为如下几个阶段：图像预处理；人脸特征提取；分类器识别，具体识别过程如图1所示。 　　图像预处理主要是为了尽可能消弱人脸图像中的干扰信号，如背景、非均匀光照的影响等。常用的方法有灰度处理、光线补偿和平滑去噪等。人脸特征提取是应用不同的特征提取算法提取出区别不同模式问题的显著特征。目前应用较多的有：主成分分析，独立成分分析（Independent Component Analysis，ICA），小波分析等。人脸性别的识别需要选择一个分类器，对特征提取的结果进行分类，给出最终的判断结果。目前应用的分类算法主要有：人工神经网络算法，Adaboost学习算法，支持向量机（Support Vector Machine，SVM）等。 　　2.1 典型的特征提取方法 　　特征提取就是从测量空间到特征空间的某种映射变换。这种变换要符合两个主要准则：一是特征空间必须保留测量空间的主要分类信息，二是特征空间的维数必须远远低于测量空间的维数。武勃等人[3]的实验证明了性别信息是紧致地分布在人脸样本的一个较小的子空间中，因此可以在性别分类前先对样本进行压缩降维，这样可以在较小损失正确率的情况下提高分类速度。下面简单介绍了几种现有的用于性别分类的特征提取算法： 　　1）主成分分析：主成分分析是一种常用的特征提取方法。它根据图像的统计特性进行正交变换(K-L变换),其目的是在数据空间中找到一组向量以尽可能地解释数据的方差，从而用降维后的低维向量保存原数据中的主要信息，使数据更易于处理[4]。相对于主成分分析，还有一种二维主成分分析方法，它是一种基于二维图像矩阵的特征提取方法