·506· 智能系统学报 第8卷 升，实验效果显著).然而，现实生活环境复杂多变、 性人脸图像和100张女性人脸图像组成测试库 人口众多、人脸特征多样性较为丰富，多样本图像参 该人脸图像库中，每人只有一张人脸图像被选 与训练时，对性别识别模型的泛化能力提出了较高 入，保证了参与过训练的人一定不能参与测试，训练 要求.允许参与训练的人进行测试，所得识别率有一 库和测试库相互独立，使所得识别率具有更强的说 定的局限性：只有测试的人和训练的人相互独立，所 服力、泛化能力和鲁棒性，更加贴近现实生活. 得结论才更具有说服力.本文建立了训练集和测试 2性别特征提取 集相互独立的人脸图像库. 基于人脸图像的性别识别研究方法主要从全局 性别特征提取的目的是更多地提取性别信息， 特征和局部特征两大方面进行分析.在全局特征提 尽量减少其他信息.全局特征和局部纹理特征相结 取方面，Golomb等[)提出了全相连的2层神经元网 合使得性别特征的描述更加全面. 络；Cottrell和Metcalfe[先对样本进行主成分分析 2.1全局特征提取 (principal component analysis,PCA),然后训练反向 PCA提取了能够反映图像间差异的一部分特 传播(back propagation,BP)神经元网络用于识别人 征向量，使得图像数据维数降低，同时保持了图像空 脸的性别特征；Tamura等)提出了3层的BP网络， 间特征的完整性，能够对图像进行特征重建，PCA 对多重分辨率的人脸图像进行性别分类：Moghadd- 是图像全局特征的反映，结合正交化的线性判别分 am等[o使用支持向量机(support vector machine, 析方法，可以增加全局特征类别区分度】 SVM)分类器的方法对人脸图像进行性别分类：Sha- 2.1.1PCA原理 khnarovich等[]利用基于类Haar基特征的AdaBoost 将图像用一维向量表示，人脸图像的训练集则 方法，建立了一个性别识别系统：Costen等[)为了提 可以表示为{XIi=1,2,…,M,M为人脸图像的数 取重要的特征，使类间距离最大化，构建了稀疏矩阵 量4].求取平均脸向量u: SVM分类方法：Saatci和Towm)提出了主动外观模 型(active appearance model,AAM)提取的特征来训 练SVM分类器；Brunelli和Poggio]通过输入特定 计算图像数据的协方差矩阵： 的几何特征，训练了包含2个径向基函数(radial ba- sis function,RBF)竞争网络的HyperBF,实现性别分 r=豆-0-0 类.在局部特征方面，Edelman等)用人脸的整体、 协方差矩阵T经过奇异值分解后得到图像的 人脸的上半部分和下半部分分别进行训练，采用了 特征值和特征向量.前N个最大特征值对应的特征 神经元网络进行分类：吕宝粮等[]将支持向量机的 向量组成的投影空间为{E1k=1,2,…,N}.将M 应用细化，利用模块化的方法提升支持向量机的分 幅人脸图像向该投影空间投影，通过人脸矩阵重建， 类效率：孙宁等)利用局部二元模式(local binary 就可以得到N个特征脸图像.图1为本文训练库所 patterns,.LBP)级联和Boosting LBP2种方法实现了 生成的前10个特征脸图像 人脸性别的检测以PCA算法为代表的全局特征方 法在训练性别识别模型时，强烈依赖特征数据的维 数)：以LBP为代表的局部特征方法又对划分区域 的数量十分敏感)本文提出全局特征与局部纹理 特征相结合的性别特征提取方法，能够很好地解决 上述问题 图1特征脸 1人脸库的建立 Fig.1 Eigenfaces 对PCA算法进行改进得到的2DPCA算法和 文中人脸图像库由1400个人的正面人脸图像 2D2PCA算法[5)，也具有严密的数学推理依据，但 构成，男女比例为1：1.定位人眼并确定双眼连线中 实验证明，对于性别识别而言，2DPCA和2D2PCA 间位置，以该点为中心，对人眼间距进行水平、等距 的实验效果劣于PCA.根据特征脸进行人脸图像的 处理，通过旋转、缩放和剪切操作将人脸图像归一化 重建过程，使得PCA不仅具有严密的数学推理依 到46×46像素大小，随机抽取600张男性人脸图像 据，还得到了图像重建的验证 和600张女性人脸图像作为训练库，剩余100张男 特征脸图像的获取有效地减少了图像信息的冗升，实验效果显著［２］ ．然而，现实生活环境复杂多变、 人口众多、人脸特征多样性较为丰富，多样本图像参 与训练时，对性别识别模型的泛化能力提出了较高 要求．允许参与训练的人进行测试，所得识别率有一 定的局限性；只有测试的人和训练的人相互独立，所 得结论才更具有说服力．本文建立了训练集和测试 集相互独立的人脸图像库． 基于人脸图像的性别识别研究方法主要从全局 特征和局部特征两大方面进行分析．在全局特征提 取方面，Ｇｏｌｏｍｂ 等［３］提出了全相连的 ２ 层神经元网 络； Ｃｏｔｔｒｅｌｌ 和 Ｍｅｔｃａｌｆｅ ［４］先对样本进行主成分分析 （ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ， ＰＣＡ），然后训练反向 传播（ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ， ＢＰ）神经元网络用于识别人 脸的性别特征；Ｔａｍｕｒａ 等［５］提出了 ３ 层的 ＢＰ 网络， 对多重分辨率的人脸图像进行性别分类；Ｍｏｇｈａｄｄ⁃ ａｍ 等［６］ 使用支持向量机（ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ， ＳＶＭ）分类器的方法对人脸图像进行性别分类；Ｓｈａ⁃ ｋｈｎａｒｏｖｉｃｈ 等［７］利用基于类 Ｈａａｒ 基特征的 ＡｄａＢｏｏｓｔ 方法，建立了一个性别识别系统；Ｃｏｓｔｅｎ 等［８］为了提 取重要的特征，使类间距离最大化，构建了稀疏矩阵 ＳＶＭ 分类方法；Ｓａａｔｃｉ 和 Ｔｏｗｎ ［９］ 提出了主动外观模 型（ａｃｔｉｖｅ ａｐｐｅａｒａｎｃｅ ｍｏｄｅｌ， ＡＡＭ）提取的特征来训 练 ＳＶＭ 分类器；Ｂｒｕｎｅｌｌｉ 和 Ｐｏｇｇｉｏ ［１０］ 通过输入特定 的几何特征，训练了包含 ２ 个径向基函数（ｒａｄｉａｌ ｂａ⁃ ｓｉｓ ｆｕｎｃｔｉｏｎ， ＲＢＦ）竞争网络的 ＨｙｐｅｒＢＦ，实现性别分 类．在局部特征方面，Ｅｄｅｌｍａｎ 等［１１］ 用人脸的整体、 人脸的上半部分和下半部分分别进行训练，采用了 神经元网络进行分类；吕宝粮等［１２］ 将支持向量机的 应用细化，利用模块化的方法提升支持向量机的分 类效率；孙宁等［１３］ 利用局部二元模式（ ｌｏｃａｌ ｂｉｎａｒｙ ｐａｔｔｅｒｎｓ， ＬＢＰ）级联和 Ｂｏｏｓｔｉｎｇ ＬＢＰ ２ 种方法实现了 人脸性别的检测．以 ＰＣＡ 算法为代表的全局特征方 法在训练性别识别模型时，强烈依赖特征数据的维 数［４］ ；以 ＬＢＰ 为代表的局部特征方法又对划分区域 的数量十分敏感［１３］ ．本文提出全局特征与局部纹理 特征相结合的性别特征提取方法，能够很好地解决 上述问题． １ 人脸库的建立 文中人脸图像库由 １ ４００ 个人的正面人脸图像 构成，男女比例为 １ ∶ １．定位人眼并确定双眼连线中 间位置，以该点为中心，对人眼间距进行水平、等距 处理，通过旋转、缩放和剪切操作将人脸图像归一化 到 ４６×４６ 像素大小，随机抽取 ６００ 张男性人脸图像 和 ６００ 张女性人脸图像作为训练库，剩余 １００ 张男 性人脸图像和 １００ 张女性人脸图像组成测试库． 该人脸图像库中，每人只有一张人脸图像被选 入，保证了参与过训练的人一定不能参与测试，训练 库和测试库相互独立，使所得识别率具有更强的说 服力、泛化能力和鲁棒性，更加贴近现实生活． ２ 性别特征提取 性别特征提取的目的是更多地提取性别信息， 尽量减少其他信息．全局特征和局部纹理特征相结 合使得性别特征的描述更加全面． ２．１ 全局特征提取 ＰＣＡ 提取了能够反映图像间差异的一部分特 征向量，使得图像数据维数降低，同时保持了图像空 间特征的完整性，能够对图像进行特征重建，ＰＣＡ 是图像全局特征的反映，结合正交化的线性判别分 析方法，可以增加全局特征类别区分度． ２．１．１ ＰＣＡ 原理 将图像用一维向量表示，人脸图像的训练集则 可以表示为 Ｘｉ { ｜ ｉ ＝ １，２，…，Ｍ} ， Ｍ 为人脸图像的数 量［１４］ ．求取平均脸向量 ｕ： ｕ ＝ １ Ｍ ∑ Ｍ ｉ ＝ １ Ｘｉ ． 计算图像数据的协方差矩阵： Γ ＝ １ Ｍ ∑ Ｍ ｉ ＝ １ Ｘｉ ( － ｕ) Ｘｉ ( － ｕ) Ｔ ． 协方差矩阵 Γ 经过奇异值分解后得到图像的 特征值和特征向量．前 Ｎ 个最大特征值对应的特征 向量组成的投影空间为 Ｅｋ { ｜ ｋ ＝ １，２，…，Ｎ} ． 将 Ｍ 幅人脸图像向该投影空间投影，通过人脸矩阵重建， 就可以得到 Ｎ 个特征脸图像．图 １ 为本文训练库所 生成的前 １０ 个特征脸图像． 图 １ 特征脸 Ｆｉｇ．１ Ｅｉｇｅｎｆａｃｅｓ 对 ＰＣＡ 算法进行改进得到的 ２ＤＰＣＡ 算法和 ２Ｄ２ＰＣＡ 算法［１５］ ，也具有严密的数学推理依据，但 实验证明，对于性别识别而言，２ＤＰＣＡ 和 ２Ｄ２ＰＣＡ 的实验效果劣于 ＰＣＡ．根据特征脸进行人脸图像的 重建过程，使得 ＰＣＡ 不仅具有严密的数学推理依 据，还得到了图像重建的验证． 特征脸图像的获取有效地减少了图像信息的冗 ·５０６· 智 能 系 统 学 报 第 ８ 卷