CN101419671B - 基于模糊支持向量机的人脸性别识别方法 - Google Patents

Abstract

本发明公开了一种基于模糊支持向量机的人脸性别识别方法，属于计算机视觉中的智能监控技术，特别是人脸识别技术。该方法首先分别对人脸训练库的图像和人脸图像采集的图像进行预处理，然后对得到的两组预处理图像进行人脸特征提取和特征选择，接着再进行神经网络训练，产生模糊隶属度；对得到的模糊隶属度结果进行模糊支持向量机的分类器设计，最后再进行人脸性别识别，并输出结果显示。该方法具有很强的环境适应能力，在不同的光照、姿态、表情下都能够保持较强的鲁棒性。该方法可以推广使用到各种监控系统和信息采集系统。

Description

基于模糊支持向量机的人脸性别识别方法 

技术领域

本发明涉及基于模糊支持向量机的人脸性别识别方法，属于计算机视觉中的智能监控技术，特别是人脸识别技术。 

背景技术

人脸是人类最重要的生物特征之一，反映了很多重要的生物信息，如身份、性别、年龄、种族、表情等等。随着计算机技术的飞速发展，基于人脸图像的计算机视觉和模式识别问题也成为近些年研究的热点问题。其中包括人脸区域检测、人脸识别、人脸表情识别等各类识别问题。由于从人脸图像上人们可以获得很多重要信息，因此广义的人脸识别问题就应该包括所有这些信息的识别，比如身份识别、性别识别、种族识别、表情识别和年龄识别等。但是人脸识别研究的学者们大多数都将精力放在人脸的身份识别上，即只区分出输入人脸图像是谁，并且这种身份识别系统需要有后台数据库的支持，对于没有录入数据库的人脸，这种用于人脸身份识别的系统将无能为力。 

对于人脸性别的研究起步较晚，但研究这个问题的意义和实际应用价值却是不可忽视的。在实际公共场所的安检系统中，大多数情况下都是将多种模式识别系统结合在一起，以尽量提高检测识别的准确度，性别识别系统也是其中不可缺少的一部分。对它的研究不仅有助于提供更多个性化的人机交互方式，还可以应用于各种监控系统、电子产品的用户身份鉴别和信息采集系统。如可以使电子产品能够自动的识别出用户的性别，根据识别结果给用户提供相应的用户界面和服务，使得各类电子产品更加的个性化，人性化。又如在一些大型商场可以安装人脸性别识别系统，有助于收集顾客的身份及相关信息，从而根据这些顾客的性别信息进行统计来促进销售服务；也可以在大型游乐场所，主题公园入口配备这样的人脸性别系统，该系统可以根据识别出的性别来为游客推荐更适合的游玩景点。目前，也有一些人脸性别系统应用于商业产品中，比如2004年，日本的OMRON公司业与上海交通大学合作开发了一款配备了人脸性别识别系统的机器人，该机器人可以自动识别出用户的性别，而且遇到男 性，它的领结和肩部就会变成蓝色，遇到女生则会变成红色，并且会大献殷勤，称赞女士漂亮。 

从理论意义上来说，对人脸的性别识别的研究也丰富了原有的人脸识别方法，使得人脸识别系统不但可以识别出被识别者是谁，还能自动给出其性别，从而提高人脸识别的准确率和图像检索效率。因此人脸性别识别问题是计算机人脸识别的重要组成部分。 

目前人脸性别识别要面临光照、姿态、表情等众多因素的影响，识别精度和鲁棒性不高，这种情况在不同的人脸数据库上更加突出。因此需要在人脸性别识别的方法方面开展深入研究，提高分类器的泛化能力。如何更好设计鲁棒性强的分类器是一项非常重要的研究。 

支持向量机(Support Vector Machine，简称为SVM)理论是一种新兴的基于统计学习理论的学习算法，由于它在解决小样本、非线性以及高维模式识别问题中表现出许多特有的优点，并能够推广应用到回归分析等其它机器学习问题中，因而受到广泛的关注。由于在很多应用场合，一些输入样本不能确切地被定义为完全属于某一类，或者只是对一类样本有兴趣，而对于另外的样本则没什么要求，因此普通的支持向量机SVM对于这些问题缺乏很好的解决手段。在本发明中，对于每个输入样本增加一个模糊隶属度，使得普通的支持向量机变成模糊支持向量机(Fuzzy SupportVector Machine，简称为FSVM)，得到不同的最优超平面。这种理论的运用提高了支持向量机SVM抵抗噪声的能力，尤其适合在未能完全揭示输入样本特性的情况。扩展了模糊隶属度概念的支持向量机SVM称作模糊支持向量机FSVM。其中用到的Kuhn-Tucker条件是非线性规划中求最优解的重要条件。 

发明内容

本发明的内容在于公开一种基于模糊支持向量机的人脸性别识别方法，用于对人脸图像进行性别分类，并提高人脸性别识别的鲁棒性。 

为了达到上述目的，本发明的技术解决方案提供了一种基于模糊支持向量机的人脸性别识别方法，该方法包含如下步骤： 

步骤一：分别对人脸训练库的图像和人脸图像采集的图像进行预处理； 

步骤二：分别对步骤一得到的两组预处理图像进行人脸特征提取和特征选择；

步骤三：神经网络产生模糊隶属度； 

用步骤二得到的人脸训练库的图像的人脸特征提取和特征选择结果进行神经网络训练，产生模糊隶属度； 

步骤四：模糊支持向量机的分类器设计； 

用步骤三得到的模糊隶属度结果进行模糊支持向量机的分类器设计； 

步骤五：人脸性别识别； 

用步骤二得到的人脸图像采集的图像的人脸特征提取和特征选择结果并利用步骤四得到的分类器进行人脸性别识别； 

步骤六：输出结果显示。 

本发明的优点在于： 

(1)利用学习矢量量化神经网络的方法求解出不同性别的模糊隶属度数值，能够更好地反映人的性别属性信息； 

(2)将模糊隶属度数值用于支持向量机的性别识别方法中，从而改善支持向量机的分类面，降低性别识别的错误概率，提高性别识别的准确率； 

(3)基于模糊支持向量机的人脸性别识别方法具有较好的鲁棒性，对于不同的人脸图像数据库具有较高的泛化能力，性别识别的精度高。 

附图说明

图1为本发明的性别识别处理流程图； 

图2为本发明人眼定位示意图； 

图3为本发明采用的Gabor变换滤波器组； 

图4为本发明采用Gabor变换滤波器组得到的人脸Gabor特征图； 

图5为本发明的神经网络模型； 

图6为本发明采用的测试样本。 

具体实施方式

下面结合附图和具体实施方式对本发明做进一步详细说明。 

图1所示为本发明性别识别处理流程图，本发明所述方法包含如下步骤： 

步骤一：分别对人脸训练库的图像和人脸图像采集的图像进行预处理； 

人脸图像采集主要包括人脸图像摄入、眼睛定位、脸像分割及归一化处理，其对 人眼定位由以下步骤完成： 

首先，初步获取眼睛的位置范围，然后采用高斯滤波的方法，来去除眼睛周围的头发等所引起的噪声。然后做二值化的处理，再作水平和垂直积分投影来准确地确定双眼的位置，如图2所示。 

步骤二：分别对步骤一得到的两组预处理图像进行人脸特征提取和特征选择； 

特征提取及特征选择主要采用Gabor变换提取特征，然后采用优化方法进行特征的选择，其具体步骤如下： 

首先通过Gabor变换的幅度、频率、相位特征来表示人脸特征，通过取m个角度和n个尺度可以得到一组具有自相似性质的拥有M＝m×n个滤波器的多通道Gabor变换滤波器组，如图3所示。其中每个滤波器用于抽取一定方向和尺度下的人脸图像局部区域特征，如图4所示。将人脸图像输入该滤波器组，得到M个不同滤波结果，图像中每一个点将对应一个M维的特征矢量。本发明采用n＝5五个角度和m＝8八个方向来进行滤波，共有8×5＝40个滤波器组。 

提取完特征后，由于特征的维数较大，直接送入后续的分类器将大大增加训练的时间复杂度，同时这些特征中也有很多无效的冗余特征会影响分类准确率，所以再使用Adboost优化方法来对特征进行选择。 

步骤三：神经网络产生模糊隶属度； 

对从步骤二得到的人脸训练库的图像的人脸特征提取和特征选择结果进行神经网络训练，产生模糊隶属度； 

对于性别识别而言，通常意义上理解这应该是一个硬分类的问题，即男女之间有明确的分类界限。但是对我们人类而言有时候只从人脸上不能明确的区分出男女性别来，比如有的人脸非常中性化。同样对于计算机而言，人脸性别识别本身就是一件非常具有挑战性的工作。让计算机明确的判断性别必然存在着很大的误差，所以该发明将模糊的思想引入性别分类中。给不同的特征样本赋予不同的隶属度，即表示不同的矢量属于所属类别的程度，用以表征其对构建最优分类面的不同贡献。 

在采用模糊技术处理时，模糊隶属度的设计是整个模糊算法的关键，这要求模糊隶属度必须能够客观、准确地反映系统中样本存在的不确定性。目前，构造模糊隶属度的方法很多，但是还没有一个可遵循的一般性规则。主要方法有统计法、经验法等。 该发明中提出了一种新的模糊隶属度的定义方法，将神经网络的方法引入构建用于模糊支持向量机的模糊隶属度，如图5所示： 

图中输入矢量[x₁，x₂，x₃，...，x_n-1，x_n]为步骤二中用Adboost优化方法优化得到的Gabor人脸特征，模型[v₁，v₂，...，v_c]为神经网络中的隐层节点，由图5可知：步骤二中用Adboost优化方法优化得到的Gabor人脸特征[x₁，x₂，x₃，...，x_n-1，x_n]作为输入矢量，输入到神经网络中的隐层节点[v₁，v₂，...，v_c]，经过学习得到性别属性的模糊隶属度。 

该发明借鉴前人对神经网络中隶属度的定义，给出了一种用于模糊支持向量机的模糊隶属度。这个模糊隶属度是经过神经网络学习生成的，在模糊支持向量机中使用此模糊隶属度，可以较好的反映出每个样本属于每一类的程度，从而用模糊支持向量机构建最优分类器。 

本发明给出的模糊隶属度定义如下： 

$u_i={[1+{\left(\frac{D_i}{D_m}\right)}^{\frac{1}{m-1}}]}^{-1}---\left(1\right)$

其中  $D_i=\underset{j}{\min }{\left|\right|x_i-v_j\left|\right|}^2,$    $D_m=\underset{j}{\min }{\left|\right|x_i-v_j\left|\right|}^2,$ j＝1，2，…c； 

c为竞争层神经元的数目；m∈[1，+∞]，是一个权重指数。 

步骤四：模糊支持向量机的分类器设计； 

用步骤三得到的模糊隶属度结果进行模糊支持向量机的分类器设计； 

将上述产生的模糊隶属度应用到模糊支持向量机中，综合考虑了各样本对性别分类贡献的差异，从而可提高性别分类性能。 

设输入一个带隶属度标记的训练样本集S： 

(y₁，x₁，s₁)，...，(y_l，x_l，s_l)； 

其中每个训练数据x_i∈R^N，并相应的有y_i∈{-1，1}以及一个隶属度σ≤s_i≤1，这里定义足够小的σ>0，i＝1，...，l；l取自然数，为训练样本个数。 

由于每个隶属度s_i代表相应的数据x_i属于某一类的程度，并且参数ξ_i可以看作在支持向量机中的误差的测度，所以变量s_iξ_i可以视为带有不同权重的误差测度。优化超平面的问题可以等效为下面式子：

最小化       $\frac{1}{2}w\·w+C\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{s}_i{\mathrm{\ξ}}_i$

约束条件为 y_i(w·z_i+b)≥1-ξ_i      (2) 

           ξ_i≥0，i＝1，……，l 

这里C是一个常数， 表示通过映射函数 将x从R^N影射到z的特征空间中的向量。 

w，b分别表示分类超平面w·x+b＝0的线性系数和偏移量。 

公式(2)可以转换成： 

最大化       $W\left(\mathrm{\α}\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}K(x_i,x_j)$

约束条件为   $\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i=0---\left(3\right)$

           0≤α_i≤s_iC，i＝1，……，l 

这里采用Kuhn-Tucker条件定义为： 

$\stackrel{\‾}{{\mathrm{\α}}_i}(y_i(\stackrel{\‾}{w}\·z_i+\stackrel{\‾}{b})-1+\stackrel{\‾}{{\mathrm{\ξ}}_i})=0,i=1,\·\·\·\·\·\·,l$                (4) 

$(s_{i}C-\stackrel{\‾}{{\mathrm{\α}}_i})\stackrel{\‾}{{\mathrm{\ξ}}_i}=0,i=1,\·\·\·\·\·\·,l$

式中

表示核函数； 

求解上述方程，得到w和b，得到一个分类超平面w·x+b＝0，将男女性别的属性空间分成两部分。w·x+b>0时，在分类面的上半部分，代表男性的属性区域；w·x+b<0时，在分类面的下半部分，代表女性的属性区域； 

使用不同的s_i的值，可以很好地控制相应的训练变量x_i的分类误判率，从而使分类的准确度提高。一个比较小的s_i可以降低参数ξ_i的影响，从而使错误分类相关数据x_i的概率变小。 

步骤五：人脸性别识别； 

用步骤二得到的人脸图像采集的图像的人脸特征提取和特征选择结果并利用步骤四得到的分类超平面进行人脸性别识别； 

倘若输入的人脸图像被模糊支持向量机的分类面方程w·x+b＝0划分到上半部分，则表明该输入样本被判定的结果是男性；反之，则表明该输入样本被判定的结果是女性。 

步骤六：输出结果显示。 

本发明基于模糊支持向量机的人脸性别识别方法的主要特点是利用神经网络训练产生模糊隶属度，然后应用到模糊支持向量机中，改善分类面，进而可以提高人脸 性别识别的准确率。 

本发明的训练人脸库采用经典的美国人脸数据库(Facial RecognitionTechnology，简称为FERET)，共选取300张256灰度图像，其中有160张男性和140张女性照片。图像大小为256＊384。这些人脸图像涵盖了不同的年龄，表情和一些戴眼镜或者有胡须的图像。 

训练图像首先通过眼睛的定位，然后分割，并作归一化处理，通过Gabor小波变换获得人脸的特征向量，再通过Adboost优化方法进行特征选择，选择有用的、具有可辨别性的特征。 

通过神经网络训练产生模糊隶属度，送到模糊支持向量机中产生最优分类面。其中训练阶段的策略是使用交叉验证。首先任意选取4/5的样本集进行训练，然后再使用余下的1/5进行测验，依次进行无交叉的循环。 

本发明的测试方法随机采集135位个体，图6显示部分样本，每位采集10幅图像，共采集1350幅图像，并选取其中男性的图像150幅和女性的图像150幅进行测验。 

同时与其他方法进行比较，如表1所示： 

表1 

  

	女	男	总计
				本发明方法	76.67％	83.33％	78.33％
支持向量机方法	70％	73.33％	71.67％
				线性分类方法	56.67％	63.33％	60％
最近邻方法	56.67％	60％	58.33％

由表1可见，选取使用支持向量机SVM、线形可分性分析(Linear DiscriminantAnalysis，简称为LDA)和最近邻(Nearest Neighbor，简称为NN)等分类器方法进行比较，发现本发明所使用的基于模糊支持向量机的人脸性别识别方法要优于其他的方法，分类器泛化能力较强，对不同变化的人脸图像具有很强的鲁棒性。

Claims (2)

1.基于模糊支持向量机的人脸性别识别方法，其特征在于，该方法包括如下步骤：

步骤一：分别对人脸训练库的图像和人脸图像采集的图像进行预处理；

步骤二：分别对步骤一得到的两组预处理图像进行人脸特征提取和特征选择；

特征提取及特征选择先采用Gabor变换提取特征，然后采用Adboost优化方法进行特征的选择；

步骤三：神经网络产生模糊隶属度；

对从步骤二得到的人脸训练库的图像的人脸特征提取和特征选择结果进行神经网络训练，产生模糊隶属度；

首先，给不同的特征样本赋予不同的隶属度；

然后，在采用模糊技术处理时，将步骤二中用Adboost优化方法得到的Gabor人脸特征作为输入矢量，输入到神经网络中的隐层节点，经过学习得到性别属性的模糊隶属度；

所述的模糊隶属度是经过神经网络学习生成的，在模糊支持向量机中使用此模糊隶属度表示每个样本属于每一类的程度，用模糊支持向量机构建最优分类器；

步骤四：模糊支持向量机的分类器设计；

用步骤三得到的模糊隶属度结果进行模糊支持向量机的分类器设计；

输入一个带隶属度标记的训练样本集S：

(y₁，x₁，s₁)，...，(y_l，x_l，s_l)；

其中，每个训练数据x_i∈R^N，并相应的有y_i∈{-1，1}以及一个隶属度σ≤s_i≤1，这里定义足够小的σ＞0，i＝1，...，l；l取自然数，为训练样本个数；

优化分类超平面的问题等效为下面式子：

最小化 $\frac{1}{2}w\&CenterDot;w+C\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{s}_i{\mathrm{\&xi;}}_i$

约束条件为 y_i(w·z_i+b)≥1-ξ_i

           ξ_i≥0，i＝1，……，l

其中，C是一个常数，

表示通过函数将x从R^N映射到z的特征空间中的向量；每个隶属度S_i代表相应的数据x_i属于某一类的程度，参数ξ_i代表在支持向量机中的误差的测度，变量s_iξ_i代表带有不同权重的误差测度；w，b分别表示分类超平面w·x+b＝0的线性系数和偏移量；

上面式子转换成：

最大化 $W\left(\mathrm{\&alpha;}\right)=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i-\frac{1}{2}\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{\mathrm{\&alpha;}}_j{y}_i{y}_{j}K(x_i,x_j)$

约束条件为 $\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{y}_i{\mathrm{\&alpha;}}_i=0$

0≤α_i≤s_iC，i＝1，……，l

其中，

表示核函数；

这里采用Kuhn-Tucker条件定义为：

$\stackrel{\&OverBar;}{{\mathrm{\&alpha;}}_i}(y_i(\stackrel{\&OverBar;}{w}\&CenterDot;z_i+\stackrel{\&OverBar;}{b})-1+\stackrel{\&OverBar;}{{\mathrm{\&xi;}}_i})=0,i=1,......,l$

$(s_{i}C-\stackrel{\&OverBar;}{{\mathrm{\&alpha;}}_i})\stackrel{\&OverBar;}{{\mathrm{\&xi;}}_i}=0,i=1,......,l$

由求解上述方程得出的w和b，得到一个分类超平面w·x+b＝0；该分类超平面将男女性别的属性空间分成两部分：

w·x+b＞0时，在分类面的上半部分，代表男性的属性区域；

w·x+b＜0时，在分类面的下半部分，代表女性的属性区域；

步骤五：人脸性别识别；

用步骤二得到的人脸图像采集的图像的人脸特征提取和特征选择结果并利用步骤四得到的分类超平面进行人脸性别识别；

倘若输入的人脸图像被模糊支持向量机的分类面方程w·x+b＝0划分到上半部分，则表明该输入样本被判定的结果是男性；反之，则表明该输入样本被判定的结果是女性；

步骤六：输出结果显示。

2.根据权利要求1所述的基于模糊支持向量机的人脸性别识别方法，其特征在于，步骤三中所述的模糊隶属度定义如下：

$u_i={[1+{\left(\frac{D_i}{D_m}\right)}^{\frac{1}{m-1}}]}^{-1}$

其中，

j＝1，2，…c；c为竞争层神经元的数目；m∈[1，+∞]，是一个权重指数；v_j是神经网络中的隐层节点。

Images