未来智讯 > 人脸语音识别论文 > 人脸性别识别综述

人脸性别识别综述

发布时间:2018-12-02 01:06:04 文章来源:未来智讯    
    人脸性别识别综述作者:未知   摘要:该文是对现有的人脸性别识别方法的综述。文中分辨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对照和评价,并在此基础上对人脸性别识别的研讨进行了归纳和展望。
  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
  人脸识别技能是模式识别和计算机视觉领域最富挑战性的研讨课题之一,也是近年来的研讨热点,人脸性别识别作为人脸识别技能的重要组成局部也受到了广泛地关注。人脸性别识别便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大略,但对计算机却并不是一件容易的事情。从上世纪90年代初期起初,国外一些学者就起初了人脸性别识别问题的研讨。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讨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相当高效的认知过程,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准确率较高。随着人脸检测技能的发展,对人脸性别识别的研讨也越来越多,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能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归纳和总结,对一些典型的特征提取和性别分类方法作大略介绍。并对今后的研讨方向进行了展望。
  1 人脸性别分类算法的研讨
  人脸性别的识别过程能够分为如下几个阶段: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,给出最后的判断结果。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
  特征提取便是从测量空间到特征空间的某种映射变换。这种变换要适合两个主要规则: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]的实验表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,因此能够在性别分类前先对样本进行压缩降维,这样能够在较小丧失准确率的情况下提高分类速度。下面大略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,该方法中的协方差矩阵直接由输入图像矩阵计算得到,其维数与传统支持向量机相比大大减小。
  2)独立成分分析:独立成分分析是一种多维信号处理方法[5],主要用于提取多维统计信号中的潜在成分。与传统的多维信号分析方法截然不同的是,经过独立成分分析处理得到的各个分量不但去除了相关性,还是相互统计独立的,并且是非高斯分布的。
  3)小波方法:小波方法主要有类Haar小波方法和Gabor小波方法。 类Haar小波方法是由viola和Jones[3l]提出的类Haar小波函数来实现的,提取的是不同形式的类Haar矩形特征。Gabor小波也是一种对照常见的特征提取方法,它具有多分别率和多通道的性质。与其他几种方法相比,小波变换处理的数据量较少,能满足系统的实时性要求[6]。
  4)部分二元模式(Local Binary Pattern,LBP)算子:部分二值模式是由Ojala等人1996年提出的一种用于描述图像纹理信息的有效方法[7]。通过对灰度图像中部分邻近区域的纹理信息进行度量和提取,得到一种更加鲁棒的纹理信息表示,同时不会受到尺度,平面旋转等因素的影响。该方法容易实现,而且较类Haar算子具有更大的优势。
  5)基于多种特征融合的方法:各种方法都有不同的适应环境和各自的优缺点,只使用一种特征提取方法很难同时获得好的鲁棒性和高的精确度,因此研讨者提出数据融合理论,把不同的方法融合使用,扬长避短,以达到较好的效果。
  2.2 典型的性别分类方法
  2.2.1 几种典型的性别分类方法
  1)神经网络方法:在早期人脸性别识别问题上,人工神经网络的方法应用对照广泛,1991年Gollomb等人训练了一个全联结的两层神经元网络,用来识别30x30的人脸样本的性别,在90张图像上的准确识别率为91.9%。1995年,Brunelli等人[8]设计了HyperBF网络,提取人脸的16个几何特征(如瞳孔的距离、眉毛的浓密、鼻子的宽度等)输入神经网络进行学习,利用不同性别人脸的差异进行判别,在168张图片的实验中获取79%的准确识别率。1996年,Valentin 等人[9]研讨了基于特征脸和神经网络的人脸性别识别方法。同年Tamura 等人[10]用不同分别率(32*32,24*24,8*8)的人脸图像和多层神经网络进行了实验,实验的目的是为了说明他们的网络能对低分别率的人脸图像检测性别,在30张8*8像素的图像上平均准确率为93%。1998年,Gutta等人[11]应用径向基神经网络和判定树的混合系统来进行性别分类。在FERET人脸库的3000张64*72图片上,分类准确率达到96%。2002年,zehangSun等人[12]用主成分分析方法从人脸图像中生成特征向量,然后用遗传算法选择18%的特征,用人工神经网络作为分类器,在400张人脸图片的实验中得到88.7%准确识别率。表1对上述几种神经网络方法进行了对照。
  目前常用的人工神经网络方法是BP神经网络、径向基函数神经网络。径向基函数神经网络与BP网络一样都是多层前向网络,很多实验结果证明这种网络在学习速率,函数逼近、模式识别等方面的能力优于BP神经网络,但这种网络比BP网络所用的神经元数目要多得多,使它的应用受到了一定的限制。基于人工神经网络识别方法的不足之处是要求训练样本对照充分才能得到较好的识别效果。早期的这些神经网络方法,实验时用到的图片数量不多,而且准确率也不是太高。
  2)支持向量机方法:支持向量机方法是一种机器学习方法,它是在统计学习理论的基础上发展而来的,最早由Vapnik等人于1992年在计算机理论大会上提出,其主要内容在1995年间才基本完成,目前仍处在不时发展阶段。支持向量机可以较好地解决小样本、高维数、非线性等实际问题。由于其出色的学习本能,已经成为继神经网络之后在人脸性别分类中最常用的一种方法。2002年,Moghaddam和Yang [13]在FERET人脸库上对照了各种不同的性别分类方法,实验结果证明,径向基核或者多项式核的支持向量机比其他的分类器(如:近来邻分类器,线性分类器等)有更好的识别本能。而且在FERET人脸库的1755张人脸图像上,支持向量机的准确识别率能达到了96.6%。同年,Sun等人[14]用主成分分析方法生成特征向量,然后用遗传算法选择特征子集输入不同的性别分类器(贝叶斯,神经网络,支持向量机,线性判别分析),实验结果也是支持向量机的识别率最高。2003年,Iga等人用支持向量机开发了一个人脸性别分类系统,在101人的实验中,准确识别率为93.1%。2004年,Buchala等人提出用曲线成分分析方法来提取特征和降低维数,然后用支持向量机进行性别分类。在370张人脸图像长进行了实验,最高识别率为93.5%。2006年,Lian和Lu[15]使用面部点检测和Gabor小波变换方法提取特征,然后用最小最大模块化支持向量机进行性别分类。在2055张人脸图片上,与传统的支持向量机进行了对照,实验结果证明最大最小化支持向量机具有较高的本能,准确识别率达到91.53%。同年,他们又针对多角度的性别识别问题,使用部分二元模式算子对人脸图像进行特征提取,然后输入支持向量机分类器,在CAS-PEAL人脸数据库14384张图片上,取得了96.75%的准确识别率。在国内,2003年刘江华等人利用二维Gabor小波变换进行特征提取,然后将特征向量送入支持向量机中进行分类。在AT&T人脸库的80张图片长进行了实验,准确识别率达到97%。2004年,张敏贵等人[16]提出对人脸图像作二维离散余弦变换,取离散余弦变换系数作为特征,用支持向量机进行人脸性别分类,在Essex人脸库的2640张图片上,准确识别率达到95%以上。同年,燕忠和袁春伟提出了基于蚁群优化算法和支持向量机的人脸性别分类方法。最初通过主成分分析变换降低人脸特征的维数,然后选取蚁群优化算法对特征进行选择,最终用支持向量机进行训练。在400张100*100的图像上,准确识别率能达到98.5%。2005年,陈华杰和韦巍提出了一种支持向量机与主动外观模型相联合的迭代学习算法。选取主动外观模型对初始训练样本进行建模,然后构造支持向量机分类器并进行迭代计算。实验结果证明,迭代学习方法逐渐提高了分类器的分类精度。在860张网络人脸图片上,识别精度大约是85%。2007年,刘遵雄和马汝成提出使用特征脸和最小二乘支持向量机[30]分类器相联合的人脸性别分类方法. 他们最初从训练图像中求得特征脸空间,然后将训练和测试图像投影到特征脸空间得到投影系数,最终用投影系数训练最小二乘支持向量机分类器,在全国计算机等级考试(NCRE)人脸库的400张图片长进行仿真实验,分类正确率为94.75%。表2对上述一些支持向量机方法进行了对照。
  但作为一种尚未完全成熟的技能,支持向量机目前仍有很多局限,其最大的局限便是核函数的选择(常用的支持向量机核函数有:线性核函数、多项式核函数、Sigmoid、径向基核函数),虽然目前已经有一些研讨者对利用先验知识选择核进行了研讨,但如何针对特定问题选择最佳的核,仍是一个难以解决的问题,另一方面,支持向量机的训练速度极大地受到训练集规模的影响。
  3)AdaBoost方法:AdaBoost是一种具有自适应性的Boosting算法。由Viola和Jones提出的,它通过整合若干个弱分类器,而使分类器的本能得到提升,由于其独有的对学习机本能的自适应和对过学习现象的免疫性,近年来引起了广泛的关注。2002年,Shakhnarovish等人[17]提取积分图像特征,选取AdaBoost算法构建多个串行分类器来进行性别分类,并且完成了一个自动性别分类系统。使用4500张普通网络图片测试,准确率达到78%。2003年,Wu等人[18]使用基于查找表(Look Up Table,LUT)的AdaBoost算法进行性别分类,并通过实验表明了基于查找表的AdaBoost算法比基于阈值的AdaBoost算法在性别分类上具有聚合速度快、易变成高效的分类器等优越性。在11000张FERET人脸库图片和2600张网络图片长进行了实验,36*36的人脸图片的准确识别率为88%,24*24的图片准确识别率为87.92%。2006年,孙宁等人使用部分二元模式算子对人脸图像进行特征提取,然后用AdaBoost算法进行性别分类。实验是在FERET人脸数据库长进行的,训练样本2000张(其中男性为1200张,女性800张),测试样本400张(男女各200张),在预处理阶段,对裁剪的人脸图像归一化大小为144*120,并使其具有相同的灰度均值和方差,而且所有图像的主要关键点(双眼和嘴巴)在同一个位置上。实验对几种人脸识别方法进行了对照,基于部分二元模式算子的AdaBoost方法,分类准确率能达到95.75%。略低于径向基核的支持向量机(径向基核支持向量机的准确率为96.62%),而高于其它方法。 2007年,朱文球和刘强提出融合AdaBoost和启发式特征搜索的人脸性别分类方法,将启发式搜索算法融于AdaBoost算法框架中,从而发现新的可用于更好分类的特征。利用该方法进行人脸性别分类的实验,采用普通人脸数据库中的3412张图像,统一规格化后,随机抽取不同数量的特征点进行实验,当特征点数为500个时,准确识别率达到93%以上。表3对上述几种AdaBoost方法进行了对照。
  4)其它方法:除了上述的一些常用的人脸性别分类方法,还有一些其它的方法,如:Costen等人提出基于活动外观模型的稀疏矩阵分类方法。该方法是选择出最重要的特征,并尽量使类间的距离最大化。测试集由300幅正面、中性表情的日本人脸图像构成,准确识别率为94.42%。Kin等人提出基于外观的性别分类方法,使用的是贝叶斯核分类器,不需要提取任何几何特征和精确的定位,剪切整个人脸图像作为输入,在PFo1和ALeix数据库的5751张图像长进行了实验,对裁剪的不同尺寸的图像,准确识别率都不低于70%。
  2.2.2 典型的分类方法之间的对照
  支持向量机是一种泛化能力很强的分类器, 它在解决小样本问题方面表现出了许多特有的优势,同时也克服了神经网络分类和传统分类法中的许多缺点,如:优化过程容易陷入部分极小、过收敛以及泛化能力不强等问题,具有较高的本能。虽然支持向量机方法的正确率较高,但计算相对复杂,在速度方面不及AdaBoost方法。2007年,Baluja 等人[19]在500张20*20的图像长进行了实验,选取基于大略像素对对照的AdaBoost算法,准确识别率达到93%,其本能和支持向量机非常,但速度要快上大约50倍。WU等人[20]的基于查找表弱分类器的连续AdaBoost算法,在分类准确率上完全能够与径向基核的支持向量机相比,由于通过积分图像能够快速地计算Haar特征,在速度上比支持向量机分类器快近300倍。Shakhnarovish等人通过在3500张图片上训练后发现,使用300个特征点的AdaBoost方法与使用2500个支持向量的支持向量机方法错误识别率非常,大约为21%,但AdaBoost方法的识别速度要快上大约1000倍。所以对实时应用来说,AdaBoost算法是较好的选择。
  实际上,要真正做到不同分类方法之间的对照是相当困难的,由于不同方法在实验中的图像来源、数据规模、图片规格及组织方式等都不尽相同,因此很难用一个统一的标准来衡量。而且,迄今为止,还没有哪一个方法能达到完美的要求,每种方法都有其自身的优点和缺点,有其自身的适用范围。
  3 归纳和展望
  本文概述了人脸性别识别技能发展的历程及研讨现状,从人脸面部特征提取以及人脸分类识别两个方面,归类和归纳了现有的方法和技能,并指出了各自的优缺点。 在本文中,一些高精度的实验结果大多是在标准的人脸图像库上获得的,而实际应用中遇到的图像,在环境光照、人物表情、清晰度等方面的变化要剧烈得多。如Shakhnarovish等人的实验中,基于支持向量机的性别分类器,对源于网络的人脸图像的准确识别率为75.5%,基于积分图像特征与Adaboost算法构造的性别分类器,准确率也惟有79%。Wu等人所选取的基于主成分分析的支持向量机方法,对1630张32*32的网络人脸图片测试,准确识别率为79.75%,远低于FERET人脸库上的89.36%。因此,如何提高噪声的抗噪性也是一个值得研讨的课题。另外,在实际的人脸性别识别过程中,联合多种基本方法是目前研讨的显著特点之一。而且,对各种经由不同算法提取出来的特征,如何把它们有机的整合起来,成为互补的整合特征,以提高性别分类的正确率。也是一个值得深入研讨的问题。
  参考文献:
  [1] Golomb B A, Lawrence D T, Sejnowski T J. A neural network identifies Sex from human Sex from human faces[J].Advances in Neural Information Processing Systems,1991:572-577.
  [28] Alessandro Cellerino, Davide Borghetti, Ferdinando Sartucci.Sex differences in face gender recognition in humans. Brain Research Bulletin, 2004,443-449
  [3] 武勃,艾海舟,肖习攀,等.人脸的性别分类[J].计算机研讨与发展,2003,40(11):1546-1553.
  [4] Arnulf B, Graf A, Felix A. Wichmann.Gender Classification of Haman Faces[J].Biologically Motivated Computer Vision,2002:491-501.
  [5] Karhunen A, Joutsensalo J. A class of neural networks for independent component Analysis[J].NeuralNetworks,1997,8(3):486-504.
  [6] 刘江华,陈佳品,程君实.基于Gabor小波特征抽取和支持向量机的人脸识别[J].计算机工程与应用,2003,(8):81-83.
  [7] ojala T, Pietikainen M.Multiresolution gray-scale and rotation invariant texture classification with local binary Patterns[J].Pattern Analysis and Machine Intelligence,2002,24(7):971-987.
  [8] Brunelli R, Poggio T.HyberBF networks for gender classification[J].DARPA Image Understanding Workshop,1995:311-314.
  [9] Valentin D, Abdi H.Principal Component and Neural Network Analyses of Face Images: What can be Generalized in Gender Classification[J].Journal of Mathematical Psychology,1996:398-413.
  [10] Tamura S, Kawai H. Male/female identification from 8to6 very low resolution face images by neural network[J].Pattern Recognition,1996,29(2):331-335.
  [11] Gutta S, Wechsler H. Gender and Ethnic classification of face image[c].Workshop on Automatic Face and Gesture Recognition,1998:194-199.
  [12] Zehang Sun. Neural-Network-Based Gender Classification Using Genetic Search for Eigen-Feature Selection[J].IEEE International Joint Conference on Neural Networks,2002:2433-2438.
  [13] Moghaddam B, Yang M H. Gender classification with Support Vector Machines[J].Transactions on Pattern Analysis and Machine Intelligence,2002,24(5):707-711.
  [14] Sun Z, Bebis G.Genetic feature subset selection for gender classification:A comparison study[J].IEEE Workshop on Applications of Computer Vision,2002:165-170.
  [15] Lian Hui-cheng.Gender Recognition Using a Min-Max Modular Support Vector Machine with Equal Clustering[J].Proceeding of International Symbosium on Neural Network,2006:202-209.
  [16] 张敏贵,潘泉.基于支持向量机的人脸分类[J].计算机工程,2004,30(11):110-112.
  [17] Shakhnarovich G, Vilola P, Moghaddam B. A Unified Learning Framework for Real Time Face Detection and Classification[J].IEEE Conf on AFG.Washington DC,2002:14-21.
  [18] BoWU,HaizhouAl. LUT-Based Adaboost for Gender Classifieation[J].on Audio and Video-based Biometric Person Authentication,2003:104-110.
  [19] Baluja S, Rowley H.Boosting sex identification performance[J].Intermat.J. comput. Vision,2007,71(1):111-119.
  [20] BO Wu, Haizhou AI,Chang Huang. Real-time Gender Classification[J].Proceedings of SICE Annual Conferenc,2003:126-129.

转载请注明来源。原文地址:https://www.7428.cn/page/2018/1202/50097/
 与本篇相关的热门内容: