基于机器学习的人脸性别判别

论文总字数：23777字

摘 要

本文主要研究的是基于机器学习的人脸性别识别。基于像素的灰度图像识别方法对光照的变化非常敏感。基于PCA的图像特征识别算法能降低图像维度，但它是基于最优投影方向选择人脸特征而忽略了男性和女性之间的不同性别信息。为了克服非必要信息的干扰，如光照变化和面部表情发生变化，本文设计了一个新的方法。即用于提取面部特征的2-D Gabor变换；提出一种新的方法对Gabor变换输出进行降维处理，以加快SVM训练；最终性别识别由SVM分类器完成。基于相对较大规模和低分辨率的人脸数据库能实现良好的性别分类测试。

关键词：性别识别、Gabor小波变换、主成分分析、支持向量机。

FACIAL GENDER RECOGNITION BASED ON MACHINE LEARNING

Abstract

In this paper, the main research is gender recognition based on machine learning. Image recognition method based on pixels is very sensitive to the change of illumination. Image feature recognition algorithm based on PCA can reduce the image dimension, but it is based on the optimal projection direction to select the face feature and ignore the difference between the male and the female. In order to overcome the interference of non essential information, such as the change of illumination and facial expression, a new method is designed in this paper. Gabor 2-D transform is used to extract the facial features. A new method is proposed to reduce the dimension of the output of the Gabor transform to speed up the SVM training. Finally, the gender recognition is completed by the SVM classifier. Face database based on the relatively large scale and low resolution can achieve a good gender classification test.

KEY WORDS: gender recognition, Gabor transform, Support Vector Machine, Principal Component Analysis.

目录

摘要 2

Abstract 3

第一章 绪论 5

1.1 引言 5

1.2 机器学习(Machine Learning, ML) 5

1.3 人脸性别识别的主要方法 7

1.3.1 基于人工神经网络的探索性研究 7

1.3.2 支持向量机算法 7

1.3.3 AdaBoost 分类算法 8

1.3.4 基于柔性模型的分类算法 8

1.3.5 基于主成分分析特征的分类算法 8

1.4 本文的主要研究内容和结构 9

第二章 主要技术 10

2.1 Gabor小波变换 10

2.1.1 傅里叶变换(Fourier Transform) 10

2.1.2 Gabor小波变换 11

2.1.3 2-D Gabor滤波器 13

2.2 支持向量机 15

2.2.1 引言 15

2.2.2 SVM的理论基础 15

2.3 主成分分析 18

2.3.1 PCA理论基础 18

2.3.2 K-L变换（卡洛南-洛伊Karhunen-Loeve变换）：最优正交变换 18

2.3.3 主成分分析 20

第三章 实验过程、结果和分析 21

3.1 实验环境 21

3.2 方法与参数 21

3.3 实验过程 22

第四章 总结和展望 26

致谢 27

参考文献 28

1. 绪论

1.1 引言

伴随着社会的发展及科技的进步，社会各方面对高效且快速的自动身份验证的需求日益迫切。

人脸是人类最重要的生物特征之一。人脸识别是一个非常重要的任务，因为它有广泛的应用范围，比如身份认证、访问控制、监视、基于内容的索引和视频检索系统。下一代监测系统预计将人脸作为输入模式并从中提取有用的信息，如年龄、性别、种族和身份。相比传统的模式识别问题，如光学字符识别（Optical Character Recognition，OCR），面部识别要困难得多，因为有个很大的挑战，即面部识别系统相对于面部图像的许多变量如视点，照明以及面部表情状态必须是稳健的。

人类开始研究人脸性别识别是从二十世纪六十年代开始的，最开始进行这方面研究的是心理学家，他们想搞清楚人类是如何进行性别区分的。人们貌似天生就能分辨人脸的性别，但对于计算机，这并不是一件轻而易举的事。人脸识别的早期研究手段主要是提取人面部的几何特征来进行分类。研究者以人工标志出的眼睛、鼻子、嘴巴等重要面部器官的位置作为基准点，并将这些基准点之间的空间关系，比如说长度、角度等等作为输入，并据此进行人脸分类。然而这些方法并不十分成熟高效，尤其是当要识别的人脸的数据量达到一定的程度时，识别效果就不那么尽如人意。直到 80 年代，研究者们开始将神经网络运用到人脸识别中去，在某种程度上终结了单一地依靠人脸的几何特征来进行人脸识别的阶段。自此以后，人脸识别研究者们更多地把目光投向机器学习这个研究领域。Turk和 Pentland在1991年的时候首次提出著名的“特征脸”(Eigenface)方法，基于主成分分析(Principal Component Analysis, PCA)进行人脸识别，并且达到了良好的识别效果；Belhumer将Fisher判别准则成功地应用于人脸分类，提出了Fisherface方法；从此基于子空间和统计特征的人脸识别技术成了一种主流的技术，这种基于线性子空间的技术主要包括主成分分析、线形判别分析(Linear Discriminant Analysis, LDA)等方法。总体而言，这一阶段的基于机器学习技术的人脸识别方法得到了快速发展，并在有些识别系统里面取得了很好的识别效果。在此之后，随着计算机视觉技术的发展，研究人员从这个角度进行人脸性别识别，其关键是训练得到一个性别分类器。人们对人脸性别识别的研究在这十几年来持续深入发展，这几年性别识别更是成为热门研究课题，吸引了来自心理学、模式识别、计算机视觉和人工智能等众多领域研究者的目光。模式识别中许多方法在人脸性别分类中均有涉及，比如说人工神经网络(Artificial Neural Network, ANN)、贝叶斯决策(Bayesian Decision Theory)、支持向量机(Support Vector Machine, SVM)、主成分分析及AdaBoost算法等等。

1.2 机器学习(Machine Learning, ML)

剩余内容已隐藏，请支付后下载全文，论文总字数：23777字