本发明专利技术涉及图像识别领域，具体涉及一种针对人脸图像的性别特征选择方法及装置。该方法及装置对裁剪对齐的人脸图像进行主成分分析转换，将人脸图像中图像像素信息转换为主成分特征集，并将主成分特征集通过遗传算法及分类器获取特征子集。该方法及装置在已自动裁剪对齐的人脸图像上，先利用主成分分析转换得到全新特征集，再采用遗传算法从中提取一组能提高分类性能的人脸性别特征，并基于这组特征训练出神经网络分类器。该分类器相比单纯在全局图像信息进行分类的方法，不仅识别率有所提高，而且由于只用了原图像一半不到的特征维度，从而降低了训练和识别的计算开销。
【技术实现步骤摘要】
一种针对人脸图像的性别特征选择方法及装置
本专利技术涉及图像识别领域，具体而言，涉及一种针对人脸图像的性别特征选择方法及装置。
技术介绍
在当今信息化时代，性别识别在安保监控、人机交互、商务智能分析等领域都有重要的应用。尤其随着大数据的快速发展，并持续冲击着互联网科技行业，掌握客户的性别、年龄、爱好、习惯等信息，将是这新一轮技术革命的源泉，这已是众多科技公司的共识。性别作为区分人群的最基本手段，已被研究多年并应用于诸多识别系统中。性别识别的方式层出不穷，有基于步态的识别方法；也有分析衣着、体态、声音的；现有技术通过研究人的正脸图像的性别特征，以正确归类性别。分析正脸图像以识别性别的方法已取得不少研究成果，大多方法可分为基于几何特征和基于图像表观两种。几何特征分析方法，一般需要提取多个特征点距离，比如：脸部宽高、双眼距离，使之构成特征集，再对特征集作进一步分析。现有技术中有使用ViolaJones算法从脸部裁剪出眼睛、鼻子、嘴巴几个重要部位，再提取眼眉到眼睛、眼眉到鼻子上梁等几个距离特征，进而应用人工神经网络方法训练特征距离集。而图像表观分析方法，是把人脸整体图像的每一像素值视为同等权重的信息，并作为分类器的输入集。这种方法的识别率主要取决于图像预处理手段和所选择的分类器。现有技术中Tamura等人使用三层神经网络在不包含头发和轮廓的中心脸部，且8*8低分辨率的人脸图像上识别性别；Moghaddam综合比较了多种性别识别方法，并发现SVMs错误率最低；现有技术中存在着对比了灰度拉伸、中值滤波、图像锐化、傅立叶和沃什变换等几种图像预处理方法对识别准确率的影响。越来越多的研究者倾向于寻找可表征性别的，而与种族、肤色、表情、年龄、环境、穿戴物(如眼镜)等无关的人脸特征；并采用特征提取方法，以减少无用、干扰信息，缩短计算时间。现有技术中Rai等人把主成分分析得到的特征以及以SVM作为性别分类器；O’Toole等人使用结合PCA和神经网络的方法，并取得较好的性能；Bebis从正脸图像中用遗传算法选择出特征子集，并在实验中比较了4种不同的分类器；Tapia分析了人脸图像的多种混合特征，包括亮度、外形和纹理，并在FERET数据集上取得高达99.13％的分类正确率。
技术实现思路
本专利技术实施例提供了一种针对人脸图像的性别特征选择方法及装置，以至少解决使用现有性别特征选择后识别率低的技术问题。根据本专利技术的一实施例，提供了一种针对人脸图像的性别特征选择方法，包括：步骤B：对裁剪对齐的人脸图像进行主成分分析转换，将人脸图像中图像像素信息转换为主成分特征集；步骤C：将主成分特征集通过遗传算法及分类器获取特征子集。进一步地，方法在步骤B之前还包括：步骤A：对人脸图像进行预处理，获取裁剪对齐后的人脸图像。进一步地，步骤A包括：使用Matlab所提供的ViolaJones算法工具包vision.CascadeObjectDetector对人脸图像进行裁剪对齐处理；对裁剪对齐处理后的人脸图像进行缩小，缩小至n*n像素，n为整数。进一步地，步骤B包括：使用主成分分析法PCA将裁剪对齐的人脸图像中图像灰度值信息转换为PCA特征向量，由特征向量形成主成分特征集。进一步地，步骤B包括：步骤B1：加载FERET数据训练集中已预处理的X1个样本I(p)，得到X1*N向量集Ij(p),j∈[1,X1]&p∈[1,N]，其中X1＝4/5*X，X为总样本数，N＝n*n，n为人脸图像的像素；步骤B2：计算平均脸M(p):步骤B3：计算差值脸Dj(p):Dj(p)＝Ij(p)-M(p)；步骤B4：计算协方差矩阵C(N*N):C＝Dj(p)T*Dj(p)；步骤B5：求出协方差矩阵C的特征向量EV；步骤B6：加载FERET数据集所有样本，得到X*N向量集Sk(p),k∈[1,X]&p∈[1,N]步骤B7：使用步骤B2所得平均脸M(p)，计算出所有样本的差值脸Sd:Sdk(p)＝Sk(p)-M(p)；步骤B8：将差值脸投影到特征向量上，得到样本新特征矩阵Eigen-Projects(X*N):EP＝Sdk(p)*EV。进一步地，步骤C包括：将主成分特征集通过遗传算法筛选出一组能提高分类性能的人脸性别特征，并在该组人脸性别特征的基础上训练出神经网络分类器。进一步地，步骤C包括：步骤C1：配置GA选择器；步骤C2：以随机值0或1初始化种群个体基因序列G(i)，每一个体共N个基因，值为1表示被选择的特征基因:G(i)∈{0,1},i∈[1,N]；步骤C3：从X个样本中随机抽取4/5，即X1个样本构成SVM训练集，并以特征基因对应的Eigen-Features训练SVM分类器:Eigen-Features＝Eigen-Projects(G(i)),G(i)＝1；步骤C4：使用SVM分类器预测剩余1/5，即X2＝1/5*X个样本的性别，并与样本实际性别比对，获得识别率AR；步骤C5：计算拟合值F:F＝α*(1.0-AR)+β*(FG/SG)；其中FG是选择的特征基因数，SG是样本基因总数，α、β表示权重系数；步骤C6：根据拟合值F对种群执行选择、变异和交叉运算，并更新下一代种群；步骤C7：若达到迭代次数要求，则结束；否则，返回步骤C3进行下一次迭代。进一步地，α取0.9，β取0.1。根据本专利技术的另一实施例，提供了一种针对人脸图像的性别特征选择装置，包括：特征生成单元，用于对裁剪对齐的人脸图像进行主成分分析转换，将人脸图像中图像像素信息转换为主成分特征集；特征选择单元，用于将主成分特征集通过遗传算法及分类器获取特征子集。进一步地，装置还包括：图像预处理单元，用于对人脸图像进行预处理，获取裁剪对齐后的人脸图像。本专利技术实施例中的针对人脸图像的性别特征选择方法及装置，针对人脸图像的性别识别精度受表情、光照、穿戴物等诸多条件干扰，提出一种能表征性别，而弱化干扰信息的特征选择方式。在已自动裁剪对齐的人脸图像上，先利用主成分分析转换得到全新特征集，再采用遗传算法从中提取一组能提高分类性能的人脸性别特征，并基于这组特征训练出神经网络分类器。该分类器相比单纯在全局图像信息进行分类的方法，不仅识别率有所提高，而且由于只用了原图像一半不到的特征维度，从而降低了训练和识别的计算开销。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术性别特征选择方法的流程图；图2为本专利技术性别特征选择方法的具体流程图；图3为本专利技术性别特征选择方法中图像预处理的示意图；图4为本专利技术性别特征选择装置的连接框图；图5为本专利技术性别特征选择装置的具体连接框图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述本文档来自技高网...
【技术保护点】
1.一种针对人脸图像的性别特征选择方法，其特征在于，包括：步骤B：对裁剪对齐的人脸图像进行主成分分析转换，将人脸图像中图像像素信息转换为主成分特征集；步骤C：将所述主成分特征集通过遗传算法及分类器获取特征子集。
【技术特征摘要】
1.一种针对人脸图像的性别特征选择方法，其特征在于，包括：步骤B：对裁剪对齐的人脸图像进行主成分分析转换，将人脸图像中图像像素信息转换为主成分特征集；步骤C：将所述主成分特征集通过遗传算法及分类器获取特征子集。2.根据权利要求1所述的方法，其特征在于，所述方法在步骤B之前还包括：步骤A：对人脸图像进行预处理，获取裁剪对齐后的人脸图像。3.根据权利要求2所述的方法，其特征在于，所述步骤A包括：使用Matlab所提供的ViolaJones算法工具包vision.CascadeObjectDetector对人脸图像进行裁剪对齐处理；对裁剪对齐处理后的人脸图像进行缩小，缩小至n*n像素，n为整数。4.根据权利要求1所述的方法，其特征在于，所述步骤B包括：使用主成分分析法PCA将裁剪对齐的人脸图像中图像灰度值信息转换为PCA特征向量，由所述特征向量形成所述主成分特征集。5.根据权利要求4所述的方法，其特征在于，所述步骤B包括：步骤B1：加载FERET数据训练集中已预处理的X1个样本I(p)，得到X1*N向量集Ij(p),j∈[1,X1]&p∈[1,N]，其中X1＝4/5*X，X为总样本数，N＝n*n，n为人脸图像的像素；步骤B2：计算平均脸M(p):步骤B3：计算差值脸Dj(p):Dj(p)＝Ij(p)-M(p)；步骤B4：计算协方差矩阵C(N*N):C＝Dj(p)T*Dj(p)；步骤B5：求出协方差矩阵C的特征向量EV；步骤B6：加载FERET数据集所有样本，得到X*N向量集Sk(p),k∈[1,X]&p∈[1,N]步骤B7：使用步骤B2所得平均脸M(p)，计算出所有样本的差值脸Sd:Sdk(p)＝Sk(p)-M(p)；步骤B8：将差值脸投影到特征向量上，得到样本新特征矩阵E...
【专利技术属性】
技术研发人员：周翊民，李志飞，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。