人臉檢測(cè)及人臉年齡與性別識(shí)別方法.pdf

1、隨著媒體和社交網(wǎng)絡(luò)的發(fā)展，人臉年齡與性別識(shí)別在現(xiàn)實(shí)生活中的應(yīng)用越來(lái)越多，吸引了廣泛的研究興趣。由于人臉圖像的生物特征識(shí)別是非接觸的，比較簡(jiǎn)單快速，還具有一定的娛樂(lè)性，在社交網(wǎng)絡(luò)、視頻監(jiān)控、人機(jī)交互等領(lǐng)域具有廣闊的應(yīng)用前景。
　　本文主要研究了人臉檢測(cè)方法，以及人臉年齡與性別識(shí)別方法，并分別提出兩種解決方案，以適應(yīng)不同的應(yīng)用場(chǎng)景。第一種方案，使用Faster R-CNN算法進(jìn)行人臉檢測(cè)，提取人臉的CNN特征進(jìn)行訓(xùn)練和測(cè)試。第二種方案

2、，使用基于比例特征和Adaboost算法進(jìn)行人臉檢測(cè)，提取圖像的LBP特征作為人臉特征。上述兩種方案提取特征之后，均使用隨機(jī)森林進(jìn)行訓(xùn)練和測(cè)試，具體內(nèi)容如下:
　　(1)第一種方案，由于Faster R-CNN算法在各個(gè)目標(biāo)檢測(cè)數(shù)據(jù)集上取得驚人的成績(jī)，因此本文在WIDER大規(guī)模人臉數(shù)據(jù)集上，訓(xùn)練一個(gè)Faster R-CNN模型進(jìn)行人臉檢測(cè)，并在FDDB數(shù)據(jù)庫(kù)上對(duì)該模型進(jìn)行評(píng)估，結(jié)果表明該算法有較高的人臉檢測(cè)率。為了提高在非限制性環(huán)

3、境下對(duì)人臉年齡與性別的識(shí)別準(zhǔn)確率，本文提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉特征提取方法，使用“一般到特殊”的微調(diào)方案。首先采用在大規(guī)模數(shù)據(jù)集上進(jìn)行人臉識(shí)別預(yù)訓(xùn)練得到的VGG-Face模型;接著使用該模型在CelebA人臉屬性數(shù)據(jù)集上，對(duì)選取的5個(gè)特定的屬性進(jìn)行微調(diào)訓(xùn)練，得到人臉屬性模型，這幾個(gè)屬性分別是:①是否留胡子，②是否年輕，③是否戴眼鏡，④性別是否為男，⑤是否戴帽子。將所有全連接層的輸出值連接起來(lái)，構(gòu)成一個(gè)向量，作為人臉特征;最后使

4、用隨機(jī)森林分類器，在Adience數(shù)據(jù)集上訓(xùn)練和測(cè)試。實(shí)驗(yàn)結(jié)果表明，該方法的分類準(zhǔn)確率較高，提取的人臉CNN特征具有魯棒性。
　　(2)第二種方案，提出基于比例特征和Adaboost的人臉檢測(cè)算法，然后提取圖像LBP直方圖作為人臉特征向量。具體的，本文提出的比例特征，描述的是圖像中任意兩個(gè)點(diǎn)的比例關(guān)系，它具有尺度不變性，有界性等特點(diǎn)。本文使用深度二次樹去學(xué)習(xí)比例特征及其組合的最優(yōu)子集，使得人臉不同部位可以通過(guò)學(xué)習(xí)的規(guī)則被分割，再使