基于典型相關分析的性別識別算法研究.pdf

1、性別識別技術涉及模式識別、心理學、人工智能、計算機視覺等不同領域，在人機對話、圖像與視頻檢索、人口信息采集、安全門禁、身份認證等方面都有著一定程度的應用，因此被各個領域的研究人員所關注。然而，性別識別技術仍然處于探索階段，不同的算法都存在一定的局限性，如何提高性別識別的準確性及其自動化程度依舊是一個值得研究的問題。由于利用典型相關分析(CCA)將同一模式下的兩組特征矢量進行融合的方法在人臉識別、手寫體識別、表情識別等問題中都體現(xiàn)出其優(yōu)越

2、性，因此，本文重點研究了CCA在性別識別中的應用。本文的主要工作如下：
　　1.對性別識別中常用的一些特征提取和分類方法進行了介紹，具體包括局部二值模式(LBP)、梯度方向直方圖(HOG)和C1等特征提取方法，以及支持向量機(SVM)、AdaBoost和隨機森林(RF)等分類決策方法。使用這些方法在MIT和VIPeR行人圖像數(shù)據(jù)庫上進行了性別分類實驗,對不同的特征提取和分類方法進行了比較研究。實驗結果表明，在性別識別中，C1特征優(yōu)

3、于LBP特征和HOG特征，利用SVM進行性別識別具有較好的性能。
　　2.提出了基于CCA特征融合和SVM的全身圖像性別識別方法。首先，利用CCA方法對LBP特征、HOG特征以及C1特征進行兩兩融合，得到LBP-HOG、LBP-C1和HOG-C1三種組合特征，然后，使用SVM方法進行性別識別。在MIT和VIPeR圖像數(shù)據(jù)庫上進行了實驗，對三種組合特征以及單一特征在性別識別中的優(yōu)劣進行了比較。實驗結果表明，在性別識別中，利用CCA融

4、合得到的組合特征優(yōu)于單特征。在三種組合特征中，HOG-C1特征識別效果最好。
　　3.研究了朝向對全身圖像性別識別的影響，提出了一種基于CCA特征融合、并考慮朝向的全身圖像性別識別算法。首先，利用CCA方法對HOG和C1特征進行融合，然后，利用SVM對朝向進行分類。在預測朝向的過程中，根據(jù)測試樣本到SVM超平面距離將朝向歸為三種情況，即正面朝向、背面朝向以及正面與背面混合朝向。然后根據(jù)每一種情況進一步進行性別識別。實驗結果表明,本