CN104463243A

CN104463243A - 基于平均脸特征的性别检测方法

Info

Publication number: CN104463243A
Application number: CN201410720504.0A
Authority: CN
Inventors: 沈飞; 谢衍涛
Original assignee: ThunderSoft Co Ltd
Current assignee: ThunderSoft Co Ltd
Priority date: 2014-12-01
Filing date: 2014-12-01
Publication date: 2015-03-25
Anticipated expiration: 2034-12-01
Also published as: CN104463243B

Abstract

本发明提供基于平均脸特征的性别检测方法，包括学***均脸；B、将所述各平均脸数据配置为卷积神经网络的输出层、各平均脸所属类别下的人脸数据集中的人脸各位置配置为卷积神经网络的输入层，对卷积神经网络进行学***均的脸约束学***均脸的特征表达，有效的解决现有的经典的人工设计的特征的局限性，实现性别的准确识别。

Description

基于平均脸特征的性别检测方法

技术领域

本发明涉及图像识别领域，特别涉及一种基于平均脸特征的性别检测方法。

背景技术

现有技术中，性别识别算法大体分为三类，其一是基于语音，另一类是基于人的步态，最后一类是基于人脸图像。

由于目前人脸检测的技术比较成熟，因此使得本类方法更为简单、直接。但由于现实环境中复杂的背景、光照和摄像头本身的精度差别以及人脸的角度等等因素，极大的增加了性别识别的难度，导致准确率比较低。

进一步的，基于人脸图像的性别识别的技术最大的问题是准确率低，不稳定。导致这个问题有多方面的因数：例如现实环境中光照复杂，摄像头本身的参数和精度千差万别；现实中人脸的角度的变化非常多；不同人种的肤色差异较大。

以上三个因素极大的增加了在人脸图像中性别识别器的识别难度。传统的采用基于梯度方向垂直识别方法(HOG，Histograms ofOriginal Gradients)、局部二值识别方法(LBP，Local Binary Pattern)和Gabor小波变换方法中主要采用以下两种方式解决光照、角度与肤色的问题：

一、在检测中，对检测图像进行预处理，减少由于光照、角度、不同肤色带来的差异性；

二、基于各种不同的数据集，训练多个分类器。

但由于环境的差异导致图像千差万别，第一种方式无法很好的消除这一影响；第二种方式将由于环境引起的复杂度在训练时进行解决，但由于差异性比较大，训练器的个数与如何组合不同的训练器的结果都难以有个很好的解决方案。

另外，上述几种特征还存在一缺陷，即实施上述特征的步骤和参数都是定的，例如实现方式是采用函数y＝f(x)，其中x是输入图像，而y是输出的特征。上述的手工设计(如LBP，gabor，HOG等)的特征中f(x)的函数形式是认为指定的，且函数的参数也是认为设定的，而不是基于样本集上通过学习得到的。因此容易存在误差。

发明内容

本申请提供一种基于平均脸特征的性别检测方法，基于卷积神经网络通过平均脸约束学***均脸的特征表达，进而对检测模型进行训练，有效的解决了经典人工设计的特征无法很好的表达各种不同的环境与角度下的人脸图像的局限性，从而实现性别的准确识别。

所述基于平均脸特征的性别检测方法包括学习的步骤和检测步骤：

所述学习的步骤包括：

A、对人脸图像数据库进行分类，并计算各类人脸图像的平均脸；

B、将所述各平均脸数据配置为卷积神经网络的输出层、各平均脸所属类别下的人脸数据集中的人脸各位置配置为卷积神经网络的输入层，对卷积神经网络进行学习；

C、将所述卷积神经网络的输出层作为性别分类层的输入层，不同性别作为性别分类层的输出层，对性别分类层进行学习；

所述检测步骤包括：

将输入待检人员的人脸图像输入学习后的卷积神经网络，由性别分类层输出性别。

由上，基于卷积神经网络通过平均脸约束学***均脸的特征表达，进而对检测模型进行训练，有效的解决了现有技术无法很好的表达所有的特征的情况，从而实现性别的准确识别。

可选的，步骤A所述对人脸图像数据库进行分类包括：依据人脸对应的性别和肤色进行分类。

由上，可实现对于不同肤色和性别的人脸进行初级分化，完成原始数据的累计。

可选的，步骤B包括：

将平均脸的各位置像素，表示为(X₁、X₂，……，X_n)，配置为卷积神经网络输出层的各个神经单元；

将对应类别的各人脸的各位置像素，表示为(O₁、O₂，……，O_n)，配置为卷积神经网络输入层的各个神经单元配置；

使所述输入层的各人脸的各位置像素与输出层的平均脸的各位置像素区别最小的方式对CNN进行学习。

其中，卷积神经网络输出层的各个神经单元与卷积神经网络输入层的各个神经单元数量匹配。

由上，通过人脸数据库数据对于卷积神经网络中的卷基层和隐含层的学习，实现其输出的特征表达。

可选的，所述使所述输入层的各人脸的各位置像素与输出层的平均脸的各位置像素区别最小的方式包括：采用对应各位置像素的最小平方差和的方式。

可选的，步骤C中，所述性别分类层包括softmax分类层。

可选的，所述对性别分类层进行学习的步骤包括：

采用反向传播算法进行学习，计算

E (w) = - \ln p (t | w) = - Σ_{n = 1}^{N} {t_{n} \ln y_{n} + (1 - t_{n}) \ln (1 - y_{n})} + \frac{λ}{2} {| | w | |}^{2}

的最小值，式中w为所述softmax分类层的参数，tn为所述人脸图像数据库中第n个样本的真实性别，yn为第n个样本通过模型后的性别，为权重腐蚀。

可选的，所述性别分类层包括向量机分类或逻辑回归分类。

附图说明

图1为本发明的流程图；

图2为基于平均脸特征的性别检测模型的原理示意图。

具体实施方式

本发明所涉及基于平均脸特征的性别检测方法，其中，基于卷积神经网络通过平均脸约束学***均脸的特征表达，有效的解决了现有经典的人工设计的特征无法很好的表达不同环境与角度下的人脸的局限性。

如图1所示，本发明包括以下步骤：

S10：将人脸数据分类，计算不同类别的平均脸。

本实施例中，根据肤色与性别，将人脸数据集进行分类，本实施例采用以下6个类别：白-男、白-女、黑-男、黑-女、黄-男、黄-女。以上每个类别的数据应包含不同的光照与姿势，并将其缩放到统一像素尺寸上。针对于每个类别下的人脸数据集，通过计算该类别数据集中的各个人脸图像数据，即各个人脸图像相同位置的像素平均值，得到每个类别的平均脸。其中，计算出的平均脸可以表示为一数组，如(X₁、X₂，……，X_n)，分别对应该平均脸各个位置像素平均值。本步骤即得到6个类别的平均脸。

S20：对应上述各类平均脸，对卷积神经网络(CNN，ConvolutionalNeural Networks)进行学习。

其中，对CNN进行学***均脸数据作为输出层，对应该平均脸所属类别下的人脸数据集中的人脸各位置作为输入层，对CNN的中间层(本实施例中，中间层是对卷积层、隐含层的统称)进行学习，或称对CNN模型进行训练。下面进行详细说明：

本实施例中，将CNN输出层的神经单元个数配置为与输入层相匹配，并如下配置：

如图2所示，CNN输出层对应平均脸数据，CNN输出层的各个神经单元配置为平均脸的各位置像素，如上表示为(X₁、X₂，……，X_n)。

CNN输入层各个神经单元配置为与输出层平均脸所属类别下的人脸数据集中的各人脸的各位置像素，表示为(O₁、O₂，……，O_n)。

对CNN进行学***均脸数据的平方差和最小。具体的，对应每个样本对应的平方差和计算表示为：E(w)＝1/2[(O₁-X₁)*(O₁-X₁)+……+(O_n-X_n)*(O_n-X_n)]。通过求解使E(w)最小，即使对应每个样本CNN输入层的人脸图像各位置与输出层的平均脸的各位置的区别最小，以达到对CNN中卷积层和隐含层的学习。CNN中的卷基层和隐含层都是有参数的，本步骤学习的目的就是得到上述参数值，区别于现有的经典的人工设定的特征，其计算的步骤与参数是人为设定的。而本方案中的特征是基于样本集学习得到的。

S30：对步骤S20中CNN输出层的特征进行性别分类学习。

在已学习的CNN后加入softmax分类层，所述softmax分类层的输出层神经单元配置为性别，分为男、女2个。分类层的输入层的数据为前面学习好的CNN网路的输出，即上面的(O₁、O₂，……，O_n)通过CNN后的输出值。使用反向传播算法，基于交叉熵对softmax分类层进行学习，使所述输出层的性别与输入层的特征表达相匹配。分类层的目标函数为：

E (w) = - \ln p (t | w) = - Σ_{n = 1}^{N} {t_{n} \ln y_{n} + (1 - t_{n}) \ln (1 - y_{n})} + \frac{λ}{2} {| | w | |}^{2},

学习的方向就是找到一个w使得这个目标函数的值越来越小，公式中的w就是softmax分类层的参数，tn为第n个样本(第n个人脸)的性别真实值，yn为第n个样本通过模型后的性别检测值；为权重腐蚀，权重腐蚀的目的是防止过拟合。

本步骤仅对softmax分类层的参数进行学习，而前面的CNN网路中的参数不再改变，softmax分类层此时就是一个分类器，用于依据特征进行性别分类。另外，还可采用如支持向量机、逻辑回归等其他分类算法实现性别分类，在此不做赘述。

步骤S40：输入待检人员的头像，检测其性别。

在实际的性别鉴别过程中，向CNN网路的输入层输入待检人员头像，其输出层输出便可得出待鉴别图像的特征表达，softmax分类层依据所述特征表达进行性别识别，输出识别结果。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，总之凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.基于平均脸特征的性别检测方法，其特征在于，包括学习步骤和检测步骤：

所述学习步骤包括：

所述检测步骤包括：

将待检人员的人脸图像输入学习后的卷积神经网络，由性别分类层输出性别。

2.根据权利要求1所述的方法，其特征在于，步骤A所述对人脸图像数据库进行分类包括：依据人脸对应的性别和肤色进行分类。

3.根据权利要求1所述的方法，其特征在于，步骤B包括：

将对应类别的各人脸的各位置像素，表示为(O₁、O₂，……，O_n)，配置为卷积神经网络输入层的各个神经单元；

使所述输入层的各人脸的各位置像素与输出层的平均脸的各位置像素区别最小的方式对卷积神经网络进行学习。

4.根据权利要求3所述的方法，其特征在于，所述使所述输入层的各人脸的各位置像素与输出层的平均脸的各位置像素区别最小的方式包括：采用对应各位置像素的最小平方差和的方式。

5.根据权利要求1所述的方法，其特征在于，步骤C中，所述性别分类层包括softmax分类层。

6.根据权利要求1所述的方法，其特征在于，步骤C中所述对性别分类层进行学习的步骤包括：

采用反向传播算法进行学习，计算

E (w) = - \ln p (t | w) = - Σ_{n = 1}^{N} {t_{n} \ln y_{n} + (1 - t_{n}) \ln (1 - y_{n})} + \frac{λ}{2} {| | w | |}^{2}

使其结果最小，式中w为所述softmax分类层的参数，tn为所述人脸图像数据库中第n个样本的真实性别，yn为第n个样本通过模型后的性别，为权重腐蚀。

7.根据权利要求1所述的方法，其特征在于，所述性别分类层包括向量机分类或逻辑回归分类。