基于圖像的性別分類研究.pdf

1、生物特征作為人類個(gè)體的內(nèi)在屬性，具有很強(qiáng)的個(gè)體獨(dú)立性和區(qū)別差異性。因此，如何有效地將個(gè)人的生物特征應(yīng)用于計(jì)算機(jī)智能信息處理應(yīng)用領(lǐng)域吸引了廣大研究學(xué)者們的濃厚興趣，從而能夠使得計(jì)算機(jī)能夠更好地具備類似于人類的感知識(shí)別能力?，F(xiàn)階段，應(yīng)用于機(jī)器識(shí)別的人類生物特征識(shí)別主要包括人臉識(shí)別、指紋識(shí)別、虹膜識(shí)別和掌紋識(shí)別等，并廣泛應(yīng)用于安全驗(yàn)證系統(tǒng)、視頻會(huì)議、人機(jī)交互系統(tǒng)等。近年來，基于人臉圖像的生物特征識(shí)別研究取得了巨大的發(fā)展，而性別分類作為人臉識(shí)別

2、的一個(gè)研究子集，不僅能夠應(yīng)用在商業(yè)統(tǒng)計(jì)系統(tǒng)，智能機(jī)器人研究等領(lǐng)域，同時(shí)又是驗(yàn)證機(jī)器學(xué)習(xí)大規(guī)模分類器性能的一個(gè)很好的代表性問題，具有極高的研究?jī)r(jià)值。與人臉識(shí)別類似，性別分類主要分為圖像預(yù)處理，特征提取和模式分類等三個(gè)部分。 本文主要對(duì)于應(yīng)用在性別分類的特征提取和分類技術(shù)進(jìn)行了系統(tǒng)、詳細(xì)的研究，并重點(diǎn)介紹了在性別分類問題上使用區(qū)別于傳統(tǒng)人臉內(nèi)部特征的頭發(fā)特征，并分析了其分類性能。在人臉圖像的預(yù)處理階段，本文主要采取了兒何變換、直方圖

3、均衡和關(guān)鍵區(qū)域增強(qiáng)等方法。這些工作有效地對(duì)人臉圖像進(jìn)行了歸一化工作，改善了圖像質(zhì)量，降低了計(jì)算復(fù)雜度，從而有利于提高后續(xù)算法的實(shí)施精度和收斂速度。 在性別特征提取階段，本文簡(jiǎn)要回顧了幾種經(jīng)典的人臉內(nèi)部特征提取方法：特征臉(PCA),Fisher臉(LDA)和Gabor小波特征，提出了一種檢測(cè)人臉正面圖像上的頭發(fā)區(qū)域的方法，并且定義了6種特征來表示頭發(fā)信息以及相應(yīng)的特征計(jì)算方法。 在性別分類階段，本文著重于研究基于最小最大

4、模塊化支持向量機(jī)在人臉性別分類階段的性能。最小最大模塊化分類器主要由兩部分組成：對(duì)識(shí)別問題進(jìn)行有效地分解和組合通過分解得到的多個(gè)子問題的分類結(jié)果。利用最小最大化模型，可以實(shí)現(xiàn)對(duì)不同分類器的性能提高。本文主要介紹了最小最大模塊化支持向量機(jī)的原理并詳細(xì)分析了其任務(wù)分解方法和模塊集成規(guī)則，包括隨機(jī)分解，超平面分解和基于先驗(yàn)知識(shí)的分解等。 最后，本文給出了在三個(gè)不同的人臉庫(kù)上進(jìn)行的性別分類仿真試驗(yàn)，比較了不同的特征提取方法在人臉性別特征