CN111046708A - 基于Wasserstein距离的人脸性别判别算法 - Google Patents
基于Wasserstein距离的人脸性别判别算法 Download PDFInfo
- Publication number
- CN111046708A CN111046708A CN201811195596.XA CN201811195596A CN111046708A CN 111046708 A CN111046708 A CN 111046708A CN 201811195596 A CN201811195596 A CN 201811195596A CN 111046708 A CN111046708 A CN 111046708A
- Authority
- CN
- China
- Prior art keywords
- face
- distribution
- comparison library
- gender
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 37
- 241000282414 Homo sapiens Species 0.000 title claims description 16
- 238000009826 distribution Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 3
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 210000000056 organ Anatomy 0.000 claims description 2
- 238000012067 mathematical method Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
基于Wasserstein距离的人脸性别判别算法,分为三个步骤,第一步是构建对比库,选择不同性别构建不同分布的对比库;第二步是对目标人脸进行处理,包括预处理、人脸对齐、像素转换和直方图分布等;第三步是计算Wasserstein距离,计算目标分布与第一步建立的对比库中不同分布的距离,选择与对比库最接近的类型,由此判断性别;该算法采用新的数学方法来解决人脸性别识别问题,针对目前人脸性别识别的需求,拓展了人脸性别识别的思路,提升了人脸性别识别的方案多样性。在理论上,该算法考虑到不同人种之间的差距,合理选择对比库,提升了算法的适用性。
Description
技术领域
本发明涉及模式识别领域,尤其涉及在人脸检测与性别识别应用中,采用Wasserstein距离这一最优化数学方法、寻找两个数据之间的相关关系、推断出目标人脸的性别即基于Wasserstein距离的人脸性别判别算法。
背景技术
随着目前对人脸识别广泛而深入的研究,很多人希望在人脸识别方面,算法不仅能有判断身份的特点,还应该有主观情感的判断,比如美丑。于是性别判断成为了一个研究重点。当前对于性别判断的算法,主要由基于主成分分析(PCA)的人脸性别识别方法,和基于线性投影分析(LDA)的人脸性别识别方法。这两种识别方法都利用了人脸图像数据的相关度进行对比,获得性别信息。但从实际计算结果来看,一般准确率在60%左右,准确度仅略高于随机判断。相对而言,PCA和LDA这两种算法在计算上均为了速度而舍弃了某些信息,针对这一问题,该专利提出一种基于Wasserstein距离的人脸性别判别算法。
Wasserstein距离又叫Earth-Mover距离(EM距离),是概率论中的一个基本理论,该距离函数用于分析两个分布之间的距离,或者说从A分布变换到B分布所需要移动的最短距离。这是一个与最优化相结合的概念,能够巧妙分析不同分布之间的距离,在统计分析中有非常有价值的应用。同时Wasserstein距离是一个包含全局信息的距离函数,其特性也可以应用于人脸性别鉴定,保障了数据的完整性,理论上有很高可靠性。
发明内容
本发明提出了一种基于Wasserstein距离的人脸性别判别算法,该算法采用新的数学方法来解决人脸性别识别问题,针对目前人脸性别识别的需求,拓展了人脸性别识别的思路,提升了人脸性别识别的方案多样性。在理论上,该算法考虑到不同人种之间的差距,合理选择对比库,提升了算法的适用性。
基于Wasserstein距离的人脸性别判别算法,分为三个步骤,第一步是构建对比库,选择不同性别构建不同分布的对比库;第二步是对目标人脸进行处理,包括预处理、人脸对齐、像素转换和直方图分布等;第三步是计算Wasserstein距离,计算目标分布与第一步建立的对比库中不同分布的距离,进而选择与对比库最接近的类型,从而判断性别。
(1)对比库的构建
从人脸判定性别本身来说就极易造成误差,即使是一个经验丰富的人,也不能百分百保证对每一个待测对象的性别都作出精准的判别。但是我们可以通过算法的不断改进,尽量让算法和人的识别效果接近。更细致的判断就必须交给医学手段。鉴于此,根据人类的种族分布和个性差异,在对比库的构建上,选择蒙古人种(黄色人种)、高加索人种(白色人种)、尼格罗人种(黑色人种)这三大主流人种分类,每个人种下包括男性和女性照片各若干张,包含了姿态、光照、年龄等各种因素。
该算法的整体结构如图一所示,示例图片均来自MultiPIE数据集。在数据处理上,首先进行人脸对齐,按照特征提取获得的眼睛和嘴巴部位以及人脸轮廓,向外拓展出一个包含整张人脸的矩形区域,为方便后期对比的一致性,这里将矩形内像素改为128像素*128像素。随后计算该人脸的直方图分布。按照人种-性别-顺序编号,例如,黄种人男性第十五个可以编号为Y-M-15,白种人女性第二十一个可以编号为W-F-21。第一个字母表示人种,第二个字母表示性别,第三个数字表示序号。
(2)获取待检目标人脸及直方图分布
获取的目标人脸可以来自网络,也可以来自摄像头,由于没有统一标准,所以相对于对比库,目标人脸的提取和对齐工作更为重要,所以在其他操作前需对来自真实环境的图像进行白平衡等预处理。考虑到后续统一规格处理,希望的目标的待检人脸像素不要太低。同样根据对比库的构建方案,采用同样的特征提取算法,获得人脸主要器官和轮廓,并拓展出一个包含整张人脸的矩形区域,并降低像素至128像素*128像素。完成上述过程之后,将该矩形区域进行直方图统计,获得直方图分布。在这里基本完成了对于目标待检人脸的准备工作。
在上述两步特征提取可采用ASM(Active Shape Model)算法,这是一种点状分布的人脸特征提取算法。仅供参考。
(3)计算Wasserstein距离并确定性别
式中P为待检目标的直方图分布,为对比库中已知的分布,n即为总对比库数量。分别计算待检分布与对比库分布的Wasserstein距离,即可获得与待检目标分布最接近的对比库,将与待检目标最接近的对比库的人种和性别,做为待检目标所属的人种和性别。
同时为了提高算法的鲁棒性,该算法不以距离最近的第一名作为唯一判断结果,而选取距离最近的前k名进行对比,对前k名进行分类,选取出现次数最多的大类,作为最终判断结果。
基于Wasserstein距离的人脸性别判别算法,根据Wasserstein距离这一统计学、数学概念,设计了一种基于该距离的人脸性别判定算法。Wasserstein距离这一计算方法,本身在统计学和最优化的应用中一直有着较高的认可度,同时相比于传统人脸性别判定的算法,该算法引入范数空间,对于高维数据的处理,细节把握效果更好,更容易得到更加精准的结果。当然,对于利用人脸进行性别判断,本身的难度就要大于其他生物方式,该算法能够一定程度上拓宽人脸性别判断的计算思路。同时在最终判定上,该算法充分考虑了鲁棒性的需求,不以最高分决定目标类别。
附图说明
图1是基于Wasserstein距离的人脸性别判别算法整体结构。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,但本发明所要保护的范围并不限于此。
基于Wasserstein距离的人脸性别判别算法由Wasserstein距离为主题,由于涉及最优化问题,所需的计算量较大,所以对比库的规模不能太大。在对比库的建立上,选取每个人种中每个性别30张照片,共计180个对比样本,基本能够满足识别需求,注意样本选择要包含光照、遮挡、姿态等因素;图像处理上,将人脸图像优先转换为灰度图像,利用ASM算法对人脸的特征进行提取;在计算中,利用Wasserstein距离计算样本分布出与目标分布的距离,并按从小到大排序为W1,W2,W3,…,考虑到设计的样本种类有六类,而类与类之间的差距较大,可以选择与待检目标最接近的前6个进行统计,出现频率最高的大类可以作为最终的性别判定,若选取的数量较多,反而会导致偏差;同时,在最终比对结果上,除了选取前k个进行分类,还可以考虑最终结果排序,例如W1,W2,W3,…Wk,对其进行权重划分,距离越近,权重越大,距离越远权重越小,最后计算每个大类的总权值,总权值最大的作为性别判断类别。
Claims (4)
1.基于Wasserstein距离的人脸性别判别算法,其特征在于:分为三个步骤,第一步是构建对比库,选择不同性别构建不同分布的对比库;第二步是对目标人脸进行处理,包括预处理、人脸对齐、像素转换和直方图分布等;第三步是计算Wasserstein距离,计算目标分布与第一步建立的对比库中不同分布的距离,进而选择与对比库最接近的类型,从而判断性别。
2.根据权利要求1所述基于Wasserstein距离的人脸性别判别算法,其特征在于:对比库的构建,根据人类的种族分布和个性差异,选择蒙古人种、高加索人种、尼格罗人种这三大主流人种分类,每个人种下包括男性和女性照片各若干张,包含了姿态、光照、年龄等各种因素。
3.根据权利要求1所述基于Wasserstein距离的人脸性别判别算法,其特征在于:获取待检目标人脸及直方图分布,根据对比库的构建方案,采用同样的特征提取算法,获得人脸主要器官和轮廓,并拓展出一个包含整张人脸的矩形区域,并降低像素至128像素*128像素,完成上述过程之后,将该矩形区域进行直方图统计,获得直方图分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811195596.XA CN111046708A (zh) | 2018-10-15 | 2018-10-15 | 基于Wasserstein距离的人脸性别判别算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811195596.XA CN111046708A (zh) | 2018-10-15 | 2018-10-15 | 基于Wasserstein距离的人脸性别判别算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111046708A true CN111046708A (zh) | 2020-04-21 |
Family
ID=70230047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811195596.XA Pending CN111046708A (zh) | 2018-10-15 | 2018-10-15 | 基于Wasserstein距离的人脸性别判别算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046708A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036291A (zh) * | 2014-06-11 | 2014-09-10 | 杭州巨峰科技有限公司 | 基于人种分类的多特征性别判断方法 |
CN104598888A (zh) * | 2015-01-28 | 2015-05-06 | 广州远信网络科技发展有限公司 | 一种人脸性别的识别方法 |
CN104778481A (zh) * | 2014-12-19 | 2015-07-15 | 五邑大学 | 一种大规模人脸模式分析样本库的构建方法和装置 |
WO2016110005A1 (zh) * | 2015-01-07 | 2016-07-14 | 深圳市唯特视科技有限公司 | 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法 |
-
2018
- 2018-10-15 CN CN201811195596.XA patent/CN111046708A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036291A (zh) * | 2014-06-11 | 2014-09-10 | 杭州巨峰科技有限公司 | 基于人种分类的多特征性别判断方法 |
CN104778481A (zh) * | 2014-12-19 | 2015-07-15 | 五邑大学 | 一种大规模人脸模式分析样本库的构建方法和装置 |
WO2016110005A1 (zh) * | 2015-01-07 | 2016-07-14 | 深圳市唯特视科技有限公司 | 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法 |
CN104598888A (zh) * | 2015-01-28 | 2015-05-06 | 广州远信网络科技发展有限公司 | 一种人脸性别的识别方法 |
Non-Patent Citations (2)
Title |
---|
姚乃明等: "基于生成式对抗网络的鲁棒人脸表情识别" * |
郑昌金等: "基于LBP特征和熵正则化Wasserstein距离的人脸表情识别" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4273359B2 (ja) | 年齢推定システム及び年齢推定方法 | |
US10891511B1 (en) | Human hairstyle generation method based on multi-feature retrieval and deformation | |
WO2019037346A1 (zh) | 优化人脸图片质量评价模型的方法及装置 | |
JP5633080B2 (ja) | 属性値推定装置、属性値推定方法、プログラム及び記録媒体 | |
CN109145921A (zh) | 一种基于改进的直觉模糊c均值聚类的图像分割方法 | |
CN104598871B (zh) | 一种基于相关回归的面部年龄计算方法 | |
CN105303152B (zh) | 一种人体再识别方法 | |
CN105139040A (zh) | 一种排队状态信息检测方法及其*** | |
CN101167087A (zh) | 在对图像中的人的识别过程中使用时间 | |
WO2013075295A1 (zh) | 低分辨率视频的服装识别方法及*** | |
CN106203476B (zh) | 一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法 | |
JP2007048172A (ja) | 情報分類装置 | |
Liu et al. | Automatically face detection based on BP neural network and Bayesian decision | |
Sari et al. | Indonesian traditional food image identification using random forest classifier based on color and texture features | |
CN113780145A (zh) | ***形态检测方法、装置、计算机设备和存储介质 | |
CN106529441A (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
CN110321935B (zh) | 业务事件关系确定方法及装置、计算机可读存储介质 | |
CN109344758B (zh) | 基于改进局部二值模式的人脸识别方法 | |
EP2697064A2 (en) | System and method for demographic analytics based on multimodal information | |
CN111652260A (zh) | 一种人脸聚类样本数量的选择方法及*** | |
CN110083724A (zh) | 一种相似图像检索方法、装置及*** | |
CN111898533B (zh) | 一种基于时空特征融合的步态分类方法 | |
CN111222473B (zh) | 一种对视频中人脸进行聚类的分析识别方法 | |
CN106326927B (zh) | 一种鞋印新类别检测方法 | |
US20100211622A1 (en) | Data processing device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200421 |
|
RJ01 | Rejection of invention patent application after publication |