CN104036247A - 基于脸部特征的人脸种族分类方法 - Google Patents

Abstract

基于脸部特征的人脸种族分类方法，它包括如下步骤：1)构建人脸种族图像训练集，对人脸种族图像训练集数据库使用AdaBoost算法检测人脸，并进行处理后得到脸部五官中心区域；2)将得到的人脸图像进行特征提取，进行PCA变换后，采用LDA分析方法提取特征；3)构建人脸种族SVM分类器，将步骤2)得到的特征向量作为分类器输入，训练基于支持向量机的人脸种族SVM分类器；4)对于新的一幅未知种族的人脸图像，经过步骤1)处理后，通过步骤2)训练的数据获取人脸种族特征；5)将该特征通过步骤3)中训练的人脸种族SVM分类器，获得人脸种族所属类别；6)输出结果。它利用基于支持向量机的方法，能快速索引不同种族类别的人脸，能提高后续不同种族人脸性别、年龄判断的准确率。

Description

基于脸部特征的人脸种族分类方法

技术领域

本发明涉及一种人脸种族分类方法，特别是一种基于人脸部特征并采用机器学习技术的人脸种族分类方法，属于图像处理技术领域。

技术背景

人脸蕴藏着丰富的生物信息，人类可通过人脸判别出该个体身份、性别、种族、年龄、表情等信息。随着计算机视觉技术的发展，人脸识别技术也逐渐得到推广使用，随着科技的发展与应用，简单的人脸身份的判别已不能满足日趋多样化日常应用。现实应用，如智能安全监控中还希望通过人脸判别更多的信息，如人脸性别，年龄，种族等属性，同时也实现不同类别的人员统计，以满足个性化的服务实现。

人脸分析已较广泛的应用与安全监控领域，在一些公共场合，如车站，机场，地铁，营业大厅内等人员流动较大的场所，都需要对出入人员进行统计，通过分析记录人脸所蕴含的信息，如性别，年龄，种族，能快速的搜索目标人群，如根据人员某一特征，如所属种族类别进行目标人物快速检索，同时实现不同类别的人员统计，采集更多的人员信息，用于后续分析。而在鉴别出人脸所属种族后，也有利于提高人脸性别的判别和年龄信息估计的准确率，为人脸识别提供更丰富的信息，提升人脸识别的水平。

在现有人脸种族中，大致可概括为蒙古人(Mongolian)、高加索人(Caucasian)、尼格罗人(Negroid)三类，其中蒙古人种主要分布在中、东亚区域，如，中日韩及蒙古地区，高加索人种主要分布欧洲，北美洲以及大洋洲，而尼格罗人主要分布在非洲、拉美、北美以及大洋洲、欧洲部分区域。随着经济的全球一体化，交通的日益发达，各种族人员流动日益增强，各类种族分布并不是只局限于某一区域，几乎在全球各个区域都有这三类种族人员的存在，同时在三类种族之间还存在不同种族混血的情况，对于混血的情况，其外部体现的特征仍会更倾向于某一特定种族。种族之间的差异体现在肤色、脸部特征、体质特征等。肤色常被认为是最显著的区分种族的特征，但有不少因素都影响肤色特征的稳定性：

1.蒙古人与高加索人肤色区域较为接近，并且在不同光照下依据肤色很难将蒙古人与高加索人区分。

2.肤色还会受化妆影响，尤其是女性，例如蒙古人趋于流行肤色美白，而高加索人趋于流行小麦色肤色，

3.肤色信息容易受光照的影响，不具备鲁棒性，在实用场景下容易影响分类的准确性。

发明内容

为解决上述技术问题，本发明的目的在于提供一种基于脸部特征支持向量机的人脸种族分类方法，能够快速索引不同种族类别的人脸，同时提高了后续对不同种族人脸的性别和年龄判断的准确率。

人脸部五官特征，种族之间比较明显的差异集中在脸部眼睛以及鼻子区域，蒙古人眼睛相对小，两眼角相对间距更大，高加索人眼睛大，并且脸部轮廓，鼻翼突出，尼格罗人脸部较大，眼睛相对较大，鼻子平且宽。这类特征不受光照影响，而且在夜间常用的红外相机下更具优势。所以本发明对种族的分类采用基于人脸部特征的方法。

为实现上述目的，本发明采用了如下技术方案：基于人脸部特征的人脸种族分类方法，具体实施步骤如下：

步骤1)构建人脸种族图像训练集，对人脸种族图像训练集数据库使用AdaBoost算法检测人脸，并进行预处理后得到脸部五官中心区域；

步骤2)对步骤1)得到的人脸图像进行特征提取，进行PCA变换后，采用LDA分析方法提取特征；

步骤3)构建人脸种族SVM分类器，将步骤2)得到的特征向量作为分类器输入，训练基于支持向量机的人脸种族SVM分类器，将人脸按种族划分为蒙古人、高加索人、尼格罗人三类；

步骤4)对于新的一幅未知种族的人脸图像，经过步骤1)的处理后，通过步骤2训练的数据获取人脸种族特征；

步骤5)对步骤4获得的新的人脸种族特征，通过步骤3)中训练的人脸种族SVM分类器，获得人脸种族所属类别；

步骤6)输出人脸种族分类结果。

作为优选，步骤1)所述的预处理为：首先，采用基于灰度投影的眼睛定位法，获取眼睛坐标，然后旋转图像得到人脸正面图像；其次，对人脸图像光照使用直方图均衡化的方法进行归一化处理；最后，进行图像尺寸归一化处理，即剪裁人脸，使裁剪后的人脸区域恰好包含整个人脸图像，去除背景区域以及发饰、脸部饰品对效果的影响。

作为优选，步骤1)所述的图像尺寸归一化处理的尺寸为32×32。

作为优选，步骤1)所述的裁剪后的人脸区域为方形区域，裁剪后的脸部边缘离眼睛的距离为0.2倍人脸宽度，眼睛离额头的距离为0.2倍人脸宽度。

本发明的有益效果是通过支持向量机的方法对人脸种族进行识别，通过对种族的识别后，有利于不同种族间性别和年龄的区分，能极大提高后续在不同种族间的性别和年龄判断的准确率。

附图说明

图1为本发明的种族识别流程图。

图2为本发明的人脸各五官比例示意图。

图3为本发明的归一化剪裁人脸比例示意图。

图4为本发明的SVM算法基本原理示意图。

具体实施方式

下面结合具体实施例对本发明作进一步说明：

如图1所示，基于人脸部特征的人脸种族分类方法，该方法首先对训练集图像进行预处理，后进行特征提取，构建SVM分类器训练，得到人脸种族分类器。其次，对未知人脸图像，同样进行预处理，后进行特征提取，经过人脸种族分类器，判断人脸种族信息后结果显示。具体步骤如下：

步骤1)构建人脸种族图像训练集，本发明用于人脸种族图像训练集的训练图像包含了大量公开人脸图像数据库和互联网采集图像，包括FERET、MIT、FDDB、KFDB等数据库，高加索人、尼格罗人和蒙古人都有足够的代表样本，每类人种样本超过8000张。同时为了加强对混血人脸情况的处理，还搜集了混血的网络图像，在每一类种族样本中都添加一定比例的混血图像，使混血图像占该类总样本的1/4，并且选定的混血人脸面部体现的特征更倾向于其归属的人种类别。

对于人脸数据库图像以及采集的图像使用Adaboost算法检测出图像中的人脸，并进行预处理，进行光照归一化，并定位眼睛，对于检测到的人脸区域，采用基于灰度投影的眼睛定位法，获取眼睛坐标，然后旋转图像得到人脸正面图像。由于不同种族的差异主要体现在脸部五官，在保留眉毛区域的前提下可通过一定比例剪裁人脸，因为人脸的比例满足三庭五眼的比例如图2所示，所以能直接根据眼睛位置剪裁人脸图像，在此区域能包含整个人脸五官区域，去除背景区域以及发饰，脸部饰品对效果的影响，对图像尺寸归一化，为了保留足够的脸部五官信息，将人脸五官中心区域归一化到32×32的尺寸，裁剪后的人脸区域为方形区域，裁剪后的脸部边缘离眼睛的距离为0.2倍人脸宽度，眼睛离额头的距离为0.2倍人脸宽度，如图4所示；获得归一化的人脸图像。获得的人脸图像包含蒙古人、高加索人、尼格罗人三类人脸图像。

步骤2)对步骤1)得到的人脸图像进行特征提取，进行PCA变换后，采用LDA分析方法提取特征；利用训练集图像中的人脸获取脸部特征，不同种族差异主要体现在颅面的不同，所以不同种族间存在面部特征差异，如蒙古人人脸部眼角间距相对更宽，尼格罗人鼻子相对更塌陷，鼻头更宽。本发明分别采用PCA，LDA方法获得人脸特征。具体过程描述如下：

首先对原始图像灰度值组成的人脸特征进行PCA分析，降低特征维数，即将原始数据投影到低维的子空间中。

假设训练人脸图像尺寸大小为m×n，则原始数据维数为d＝m×n，将人脸所有灰度值按行抽取，组成d维的向量x_i，PCA分析的目的是寻找一个投影矩阵w_pca，使得投影后的数据在新的子空间中具有大的方差，即减少原始数据的相关性，利用相对少的维数表示样本，达到特征降维，假设训练集图像样本总数为N。

PCA分析实施过程具体如下：

计算协方差矩阵：

$S=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{u}){(x_i-\stackrel{\‾}{u})}^T$

其中：

$\stackrel{\‾}{u}=\frac{1}{N}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i$

对协方差矩阵进行特征值分解：

S＝ΦΛΦ^T

选取前k个最大特征值对应的特征向量，组成新的投影矩阵：

w_pca＝{φ₁，φ₂，...，φ_k}

则对于新的样本x，经过PCA分析后得的低维数据为：

$p=(x-\stackrel{\‾}{u})w_{\mathrm{pca}}$

对于分类问题，利用LDA分析提取可判别的分类信息，LDA是将待分类数据，投影到低维的空间中，使各类别线性可分。假设将蒙古人、高加索人、尼格罗人三类类别分别以标签#1，#2，#3三个类别来表示。

LDA具体实施过程如下：

计算各类内方差：

$S_w=\underset{i=1}{\overset{C}{\mathrm{\Σ}}}{S}_i$

其中：

$S_i=\underset{x\∈{\mathrm{\ω}}_i}{\mathrm{\Σ}}(x-u_i){(x-u_i)}^T$

$u_i=\frac{1}{N_i}\underset{x\∈{\mathrm{\ω}}_i}{\mathrm{\Σ}}x$

计算类间方差：

$S_B=\underset{i=1}{\overset{C}{\mathrm{\Σ}}}{N}_i(u_i-u){(u_i-u)}^T$

其中N_i为各类别样本数，u为所有样本的均值，如下所示：

$u=\frac{1}{N}\underset{\∀x}{\mathrm{\Σ}}x=\frac{1}{N}\underset{\∀x}{\mathrm{\Σ}}{N}_i{u}_i$

最后可得：

S_W ^-1S_Bw_LDA＝λw_LDA

w_LDA即为所求的投影矩阵，将数据投影到可区分的低维空间中。

最后通过PCA、LDA分析后的投影矩阵w＝w_PCA*w_LDA，最后得到的特征向量为f＝w^Tx

步骤3)构建SVM多分类器，通过将步骤2)获得的人脸部特征向量作为分类器输入，训练基于支持向量机的人脸种族分类器，将人脸按种族划分为蒙古人、高加索人、尼格罗人三类。

在现有方法中，基于支持向量机理论的分类方法是基于结构风险最小化的分类方法，相比其他基于经验风险最小的方法，能提供更好的分类性能，同时利用核函数的方法，能很好的处理非线性的情况，本发明采用SVM分类方法，其基本原理如图4所示。使用径向基核函数，训练人脸种族分类器。SVM分类器是寻找一个超平面y＝w^Tx+b，使得各类别间距最大，即可转化为以下的最优化问题：

最后公式 $\begin{array}{c}\begin{array}{cc}\underset{w}{\min }& \frac{1}{2}{\left|\right|w\left|\right|}^2+C{\mathrm{\Σ}}_i{\mathrm{\ξ}}_i\end{array}\\ s.t.\∀i,y_i(w^T{x}_i+b)\≥1-{\mathrm{\ξ}}_i,\\ {\mathrm{\ξ}}_i\≥0\end{array}$ 可化简为：

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

其中K(x_i，x_j)为径向基核函数：

K(x_i，x_j)＝exp(-γ||x_j-x_i||²)

最后可求得分类面：

$y=w^{T}x+b=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x,x_i)$

对于α不等于0点向量，即称作为support vectors。即离分割平面最近的点。

SVM支持向量机判别即等价于该向量与这些支持向量内积之和。

构建SVM多分类器，SVM用于解决二分类问题，对于多分类问题，采用1对1模式构建，即在任意两类之间构建一个分类器，在本发明中分别构建(#1，#2)(#1，#3)，(#2，#3)共3个二分类器；通过SVM训练出来的分类器具有较强的泛化能力，能应用于不同场合。

步骤4)对于新的一幅未知种族的人脸图像，经过步骤1检测人脸后，对人脸图像进行预处理，通过步骤2训练的数据获取人脸种族特征；

步骤5)对步骤4获得的新的人脸种族特征，通过步骤3中训练的人脸种族SVM多分类器，利用步骤2的投影矩阵，获取PCA、LDA分析后的特征向量，再将此向量分别输入各分类器中进行判别，选取得票最多的类别作为最终的人脸所属类别；

步骤6)输出人脸种族分类结果。

Claims (4)

1.基于脸部特征的人脸种族分类方法，其特征在于它包括如下步骤：

步骤1)构建人脸种族图像训练集，对人脸种族图像训练集数据库使用AdaBoost算法检测人脸，并进行预处理后得到脸部五官中心区域；

步骤2)对步骤1)得到的人脸图像进行特征提取，进行PCA变换后，采用LDA分析方法提取特征；

步骤3)构建人脸种族SVM分类器，将步骤2)得到的特征向量作为分类器输入，训练基于支持向量机的人脸种族SVM分类器，将人脸按种族划分为蒙古人、高加索人、尼格罗人三类；

步骤4)对于新的一幅未知种族的人脸图像，经过步骤1)的处理后，通过步骤2训练的数据获取人脸种族特征；

步骤5)对步骤4获得的新的人脸种族特征，通过步骤3)中训练的人脸种族SVM分类器，获得人脸种族所属类别；

步骤6)输出人脸种族分类结果。

2.根据权利要求1所述的基于脸部特征的人脸种族分类方法，其特征在于步骤1)所述的预处理为：首先，采用基于灰度投影的眼睛定位法，获取眼睛坐标，然后旋转图像得到人脸正面图像；其次，对人脸图像进行直方图均衡化进行光照进行归一化处理；最后，进行图像尺寸归一化处理，即剪裁人脸，使裁剪后的人脸区域恰好包含整个人脸图像，去除背景区域以及发饰、脸部饰品对效果的影响。

3.根据权利要求2所述的基于脸部特征的人脸种族分类方法，其特征在于步骤1)所述的图像尺寸归一化处理的尺寸为32×32。

4.根据权利要求1所述的基于脸部特征的人脸种族分类方法，其特征在于步骤1)所述的裁剪后的人脸区域为方形区域，裁剪后的脸部边缘离眼睛的距离为0.2倍人脸宽度，眼睛离额头的距离为0.2倍人脸宽度。