基于圖像的性別分類研究.pdf

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

2、的一個研究子集，不僅能夠應(yīng)用在商業(yè)統(tǒng)計系統(tǒng)，智能機器人研究等領(lǐng)域，同時又是驗證機器學習大規(guī)模分類器性能的一個很好的代表性問題，具有極高的研究價值。與人臉識別類似，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部分。 本文主要對于應(yīng)用在性別分類的特征提取和分類技術(shù)進行了系統(tǒng)、詳細的研究，并重點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)域增強等方法。這些工作有效地對人臉圖像進行了歸一化工作，改善了圖像質(zhì)量，降低了計算復(fù)雜度，從而有利于提高后續(xù)算法的實施精度和收斂速度。 在性別特征提取階段，本文簡要回顧了幾種經(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：對識別問題進行有效地分解和組合通過分解得到的多個子問題的分類結(jié)果。利用最小最大化模型，可以實現(xiàn)對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的原理并詳細分析了其任務(wù)分解方法和模塊集成規(guī)則，包括隨機分解，超平面分解和基于先驗知識的分解等。 最后，本文給出了在三個不同的人臉庫上進行的性別分類仿真試驗，比較了不同的特征提取方法在人臉性別特征