人脸性别识别综述

　　摘要：该文是对现有的人脸性别识别方法的综述。文中分别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比较和评价，并在此基础上对人脸性别识别的研究进行了总结和展望。
　　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
　　人脸识别技术是模式识别和计算机视觉领域最富挑战性的研究课题之一，也是近年来的研究热点，人脸性别识别作为人脸识别技术的重要组成部分也受到了广泛地关注。人脸性别识别就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简单，但对计算机却并不是一件容易的事情。从上世纪90年代初期开始，国外一些学者就开始了人脸性别识别问题的研究。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究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非常高效的认知过程，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正确率较高。随着人脸检测技术的发展，对人脸性别识别的研究也越来越多，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术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总结和归纳，对一些典型的特征提取和性别分类方法作简单介绍。并对今后的研究方向进行了展望。
　　1 人脸性别分类算法的研究
　　人脸性别的识别过程可以分为如下几个阶段：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，给出最终的判断结果。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
　　特征提取就是从测量空间到特征空间的某种映射变换。这种变换要符合两个主要准则：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]的实验证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，因此可以在性别分类前先对样本进行压缩降维，这样可以在较小损失正确率的情况下提高分类速度。下面简单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仅去除了相关性，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小波也是一种比较常见的特征提取方法，它具有多分辨率和多通道的性质。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）局部二元模式（Local Binary Pattern，LBP）算子：局部二值模式是由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]。通过对灰度图像中局部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，因此研究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比较广泛，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张图像上的正确识别率为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%的正确识别率。1996年，Valentin 等人[9]研究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]用不同分辨率（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辨率的人脸图像检测性别，在30张8*8像素的图像上平均正确率为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，分类正确率达到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%正确识别率。表1对上述几种神经网络方法进行了比较。
　　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，很多实验结果表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比较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，而且正确率也不是太高。
　　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，目前仍处在不断发展阶段。支持向量机能够较好地解决小样本、高维数、非线性等实际问题。由于其出色的学习性能，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人脸库上比较了各种不同的性别分类方法，实验结果表明，径向基核或者多项式核的支持向量机比其他的分类器（如：最近邻分类器，线性分类器等）有更好的识别性能。而且在FERET人脸库的1755张人脸图像上，支持向量机的正确识别率能达到了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，正确识别率为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张人脸图像上进行了实验，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比较，实验结果表明最大最小化支持向量机具有较高的性能，正确识别率达到91.53%。同年，他们又针对多角度的性别识别问题，使用局部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%的正确识别率。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张图片上进行了实验，正确识别率达到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，正确识别率达到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。首先通过主成分分析变换降低人脸特征的维数，然后采用蚁群优化算法对特征进行选择，最后用支持向量机进行训练。在400张100*100的图像上，正确识别率能达到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结合的迭代学习算法。采用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。实验结果表明，迭代学习方法逐步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]分类器相结合的人脸性别分类方法. 他们首先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，最后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张图片上进行仿真实验，分类准确率为94.75%。表2对上述一些支持向量机方法进行了比较。
　　但作为一种尚未完全成熟的技术，支持向量机目前仍有很多局限，其最大的局限就是核函数的选择（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究者对利用先验知识选择核进行了研究，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，而使分类器的性能得到提升，由于其独有的对学习机性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，采用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，正确率达到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，并通过实验证明了基于查找表的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、易形成高效的分类器等优越性。在11000张FERET人脸库图片和2600张网络图片上进行了实验，36*36的人脸图片的正确识别率为88%，24*24的图片正确识别率为87.92%。2006年，孙宁等人使用局部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人脸数据库上进行的，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比较，基于局部二元模式算子的AdaBoost方法，分类正确率能达到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正确率为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，选取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，正确识别率达到93%以上。表3对上述几种AdaBoost方法进行了比较。