CN1713211A - 计算机自动性别识别的最大最小模块化网络方法 - Google Patents

Abstract

一种计算机自动性别识别的最大最小模块化网络方法，用于智能信息处理技术领域。本发明步骤如下：(1)对人脸图像进行特征提取，称为人脸图像特征向量，形成样本集合；(2)将同类性别的样本集合根据年龄信息进行分解，分成不同的子集合；(3)按照M³网络的分解和组合方法对这些子集合进行训练，然后组合成M³网络分类器；(4)最后进行性别识别。本发明可以大弧度地提高性别识别的精度。

Description

计算机自动性别识别的最大最小模块化网络方法

技术领域

本发明涉及的是一种信息处理技术领域的识别方法，具体是一种计算机自动性别识别的最大最小模块化网络方法。

背景技术

计算机自动性别识别的基本过程是对人脸图像进行特征提取，用特征提取后的特征向量训练分类器，然后进行识别。一种有效的特征提取方法是对人脸图像的关键点(眼睛，鼻子，嘴巴等)定位后，然后作Gabor小波变换。最后用得到的男性和女性人脸图像的特征训练模式分类器。

经对现有技术的文献检索发现，B.L.Lu and M.Ito在《IEEE Trans.NeuralNetworks》vol.10，no.5，pp.1244-1256，999上发表的文章“Task Decompositionand Module Combination Based on Class Relations：A Modular Neural Networkfor Pattern Classification”(“基于类关系的问题分解和模块结合：一种用于模式分类的模块化神经网络”)中，介绍的最大最小模块化网络(简称M³网络)，是一种新型的模式分类器。网络将K类问题分解成多个二类问题，每个二类问题在根据具体要求进行模块细分，通过MIN，MAX和INV原理将细分模块组合起来，完成二类分类任务。最后再将这些二类问题组合起来，完成多类分类任务。其中分类模块可以是某种简单的判别器，如线性分类器、高斯零交叉函数分类器或者支持向量机等。在训练模式分类器的时候，由于同类性别样本是由不同年龄的样本组成的(例如男性样本可由1-80岁的样本组成)。如果将这些同类性别样本作为一个大类来训练分类器，将会降低分类器的识别精度。

在进一步的检索中，尚未发现任何关于自动性别识别的训练样本的基于年龄信息的分解，以及用M³网络进行自动性别识别的报道。

发明内容

本发明的目的在于针对现有技术中存在的不足，提供一种计算机自动性别识别的最大最小模块化网络方法，使其将同类性别的训练样本根据年龄信息进行分解，然后利用M³网络对分解后的训练样本进行训练，最后进行识别。从而大幅度提高现有的性别识别系统的准确性。

本发明是通过以下技术方案实现的，步骤如下：

(1)对不同人脸图像进行特征提取，称为人脸图像特征向量，形成样本集合。

(2)将同类性别的样本集合根据年龄信息进行分解，分成不同的子集合。

(3)按照M³网络的分解和组合方法对这些子集合进行训练，然后组合成M³网络分类器.

(4)最后进行性别识别。

所述的将同类性别的样本集合根据年龄信息进行分解，具体如下：

设男性样本为 $X^{+}={\left\{(x_i^{+},+1)\right\}}_{i=1}^{l^{+}},$ 女性样本为 $X^{-}={\left\{(x_i^{-},+1)\right\}}_{i=1}^{l^{-}},$ 其中l⁺，l^-分别表示男性和女性的样本数。进一步将X⁺和X^-细分N⁺和N^-子部分，分别记为：

$X_j^{+}=\{({x_i^{+}}^j,+1){\}}_{i=1}^{l_j^{+}},j=1,...,N^{+}$

$X_j^{-}=\{({x_i^{-}}^j,-1){\}}_{i=1}^{l_j^{-}},j=1,...,N^{-}$

这里 ${\∪}_{j=1}^{N^{+}}{X}_j^{+}=X^{+},$ 1≤N⁺≤l⁺且 ${\∪}_{j=1}^{N^{-}}{X}_j^{-}=X^{-},$ 1≤N^-≤l^-。

本发明首先采集786张男性图像和1269张女性图像，然后通过Gabor小波变换将这些人脸图像转换成1584维的向量。将786张男性图像和1269张女性图像按年龄信息分成模块，然后训练M³-SVM。然后对同样条件下的采集到的人脸图像的图像进行性别识别。通过这样的改进，本发明系统比原来的系统(即：直接把训练样本用SVM训练后，再进行识别的方法)有了很大的提高，可以大弧度地提高性别识别的精度，其中对于R20和U30的测试集合，系统地识别率分别从85.77％和80.88％提高到91.53％和86.03％.

附图说明

图1最大最小模块化支持向量机网络与原始支持向量机的识别结果比较。

具体实施方式

本发明对同类性别的训练样本根据年龄信息进行分解，然后利用M³网络对分解后的训练样本进行训练，最后进行识别，从而提高识别精度。结合本发明的内容提供以下实施例：

对786男性图像和1269女性图像特征提取后，分别得到同样数目的人脸特征向量。按年龄信息如：0~9，10~19，20~29，30~39，40~49，50~59，and超过60岁，将男性和女性样本均分解成7个子集。用最大最小模块化支持向量机网络训练这些样本然后进行识别。测试的人脸特征向量如表一所示。表二和图1比较了改进前(原始支持向量机)的和改进后(最大最小模块化支持向量机)的识别结果。其中图1中SVM(虚线)表示在表一的测试集合得到的识别结果。Pk-M³-SVM(实线)表示用年龄信息分解，最大最小模块化支持向量机网络进行识别的结果。

表一，自动性别识别的测试集合(分别是不同条件下的人脸特征)

测试样本集合	样本数	测试样本集合	样本数
				B0F	1278	G1	813
B1F	1066	R10	814
				D10	820	R20	815
D20	819	R30	805
				D30	816	U10	819
EX1	805	U20	816
				EX2	815	U30	816
EX4	805

        表二，改进前的和改进后的识别率

测试集合	识别率
			SVM	PK-M3-SVM
	B0F	91.5500			92.0200
B1F			87.6200	89.6800
	D10	90.7300			92.4400
D20			89.1300	91.3300
	D30	82.3500			84.6800
EX1			83.3500	85.2200
	EX2	88.4500			89.0700
EX4			90.8100	92.1700

G1	86.0900	86.1000
			R10	90.7900	93.8600
R20	85.7700	91.5300
			R30	81.2400	84.4700
U10	89.3800	92.5500
			U20	85.6600	89.4600
U30	80.8800	86.0300

注：均为线性SVM

从上可以看出，改进后的识别结果都好于未改进后的识别结果。特别的对于R20和U30的测试集合，系统地识别率分别从85.77％和80.88％提高到91.53％和86.03％.

Claims (2)

1、一种计算机自动性别识别的最大最小模块化网络方法，其特征在于，步骤如下：

(1)对人脸图像进行特征提取，称为人脸图像特征向量，形成样本集合；

(2)将同类性别的样本集合根据年龄信息进行分解，分成各项子集合；

(3)按照M³网络的分解和组合方法对这些子集合进行训练，然后组合成M³网络分类器；

(4)最后进行性别识别。

2、根据权利要求1所述的计算机自动性别识别的最大最小模块化网络方法，其特征是，所述的将同类性别的样本集合根据年龄信息进行分解，具体如下：

设男性样本为 $X^{+}=\{(x_i^{+},+1){\}}_{i=1}^{l^{+}},$ 女性样本为 $X^{-}=\{(x_i^{-},+1){\}}_{i=1}^{l^{-}},$ 其中l⁺，l^-分别表示男性和女性的样本数，进一步将X⁺和X^-细分N⁺和N^-子部分，分别记为：

$X_j^{+}=\{(x_i^{{+}^j},+1){\}}_{i=1}^{l_j^{+}},$ j＝1，...，N⁺

$X_j^{-}=\{(x_i^{{-}^j},-1){\}}_{i=1}^{l_j^{-}},$ j＝1，...，N^-

这里 ${\∪}_{j=1}^{N^{+}}{X}_j^{+}=X^{+},$ 1≤N⁺≤l⁺且 ${\∪}_{j=1}^{N^{-}}{X}_j^{-}=X^{-},$ 1≤N^-≤l^-。