第6期 李同宇，等：基于特征融合的人脸图像性别识别 ·509 的局部特征，并将测试图像的全局特征与其级联，获 -·本文算法 ★-ULBP+SVM 得各测试图像的性别特征： 100e ·ULBP+PCA+SVM 7)用4)中获得的高维空间分类面判断测试图 p 95 解 ★ 像的性别属性 90 85 训练图像 测试图像 429 321 260 143 127 数据维数 PCA ULBP PCA ULBP 投影空间 (c)16个块时PCA算法的识别率 OLDA OLDA 一16个块，每个块11×11像素大小 投影空间 100- *121个块，每个块4×4像素大小 性别特征 995 训练集性别特征 性别特征 断 0 85 SVM 80200100503510620 t 本文算法所提取的数据维数 分类面 (d)本文算法的识别率 识别率 图4识别率 Fig.4 Recognition rate 图3本文算法流程 Fig.3 Flow chart of our algorithm 图4(a)是不同贡献率条件下，PCA、2DPCA和 PCA+OLDA的性别识别率.其中，PCA+OLDA方法 5 实验结果及分析 是本文提出的全局性别特征提取方法，其贡献率指 在本文所建的人脸图像库中，46×46像素大小 PCA的贡献率，OLDA的特征数据为39维：PCA的 的图像经过ULBP编码后变为44×44像素大小.可 数据维数为429~43：2DPCA的数据维数为414~49. 以将编码后的图像分为16个块进行直方图统计，即 PCA和2DPCA在贡献率下降时，识别率波动较大 每个块大小为11×11像素：或者将图像分为121个 而对于大小不同、光照不同的图像，贡献率很难统一 块进行直方图统计，即每个块大小为4×4像素 控制，所以，对贡献率较为敏感的方法鲁棒性较差 PCA算法对所得特征值按照由大到小的顺序进行 本文提出的全局特征在不同贡献率条件下，表现较 排序，提取的前N个特征值之和占总特征值的百分 为平稳、数据维数低、识别率维持在93%左右，而且 比，称为贡献率[20].根据不同的贡献率反馈提取特 总体高于PCA和2DPCA的识别率. 征值的多少，OLDA算法则用提取的数据维数进行 图4(b)和(c)是把图像分为121个块和16个 量化，如图4所示 块时，ULBP、ULBP+PCA和本文算法的性别识别率. ULBP的特征即为局部特征，其维数分别为7139维 -PCA+SVM 100r ★2DPCA+SVM 和944维：ULBP+PCA特征即为局部特征经过PCA 95 PCA+OLDA+SVM 降维后所得特征，其维数为429~127：0LDA算法数 90 85 据维数为39维，即本文算法的数据维数分别为 ★ 8 7178~983维.图4(b)中局部特征和本文算法的识 0.990.980.970.930.920.870.800.60 贡献率 别率都在95%左右：局部特征经过PCA降维后，其 (a)PCA、2DPCA和PCA+OLDA的识别率 识别率维持在93%左右，说明局部特征进行数据降 。一本文算法 维后，识别率下降.图4（℃）中局部特征与其经过 ULBP+SVM 100 ULBP+PCA+SVM PCA降维后所得特征受分块影响较大，识别率下降 95 5%,可以说明这2种方法过于依赖图像所分的块大 90 85 小，而本文方法对图像所分块大小不敏感.图4(d) 8 是本文方法在PCA的数据维数一定时，不同OLDA 429 321 260 143 127 数据维数 特征提取维数在2种分块条件下的识别率.PCA的 (b)121个块时PCA算法的识别率 数据维数为429维，OLDA算法提取的特征维数在 200~0.本文方法在100~10维，表现相当稳定.0L的局部特征，并将测试图像的全局特征与其级联，获 得各测试图像的性别特征； ７）用 ４）中获得的高维空间分类面判断测试图 像的性别属性． 图 ３ 本文算法流程 Ｆｉｇ．３ Ｆｌｏｗ ｃｈａｒｔ ｏｆ ｏｕｒ ａｌｇｏｒｉｔｈｍ ５ 实验结果及分析 在本文所建的人脸图像库中， ４６ × ４６ 像素大小 的图像经过 ＵＬＢＰ 编码后变为 ４４ × ４４ 像素大小．可 以将编码后的图像分为 １６ 个块进行直方图统计，即 每个块大小为 １１×１１ 像素；或者将图像分为 １２１ 个 块进行直方图统计，即每个块大小为 ４ × ４ 像素． ＰＣＡ 算法对所得特征值按照由大到小的顺序进行 排序，提取的前 Ｎ 个特征值之和占总特征值的百分 比，称为贡献率［２０］ ．根据不同的贡献率反馈提取特 征值的多少，ＯＬＤＡ 算法则用提取的数据维数进行 量化，如图 ４ 所示． （ａ）ＰＣＡ、２ＤＰＣＡ 和 ＰＣＡ＋ＯＬＤＡ 的识别率 （ｂ）１２１ 个块时 ＰＣＡ 算法的识别率 （ｃ）１６ 个块时 ＰＣＡ 算法的识别率 （ｄ）本文算法的识别率 图 ４ 识别率 Ｆｉｇ．４ Ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ 图 ４（ａ）是不同贡献率条件下，ＰＣＡ、２ＤＰＣＡ 和 ＰＣＡ＋ＯＬＤＡ 的性别识别率．其中，ＰＣＡ＋ＯＬＤＡ 方法 是本文提出的全局性别特征提取方法，其贡献率指 ＰＣＡ 的贡献率，ＯＬＤＡ 的特征数据为 ３９ 维；ＰＣＡ 的 数据维数为 ４２９～４３；２ＤＰＣＡ 的数据维数为 ４１４～４９． ＰＣＡ 和 ２ＤＰＣＡ 在贡献率下降时，识别率波动较大． 而对于大小不同、光照不同的图像，贡献率很难统一 控制，所以，对贡献率较为敏感的方法鲁棒性较差． 本文提出的全局特征在不同贡献率条件下，表现较 为平稳、数据维数低、识别率维持在 ９３％左右，而且 总体高于 ＰＣＡ 和 ２ＤＰＣＡ 的识别率． 图 ４（ｂ）和（ｃ）是把图像分为 １２１ 个块和 １６ 个 块时，ＵＬＢＰ、ＵＬＢＰ＋ＰＣＡ 和本文算法的性别识别率． ＵＬＢＰ 的特征即为局部特征，其维数分别为 ７ １３９ 维 和 ９４４ 维；ＵＬＢＰ＋ＰＣＡ 特征即为局部特征经过 ＰＣＡ 降维后所得特征，其维数为 ４２９ ～ １２７；ＯＬＤＡ 算法数 据维数为 ３９ 维，即本文算法的数据维数分别为 ７ １７８～９８３ 维．图 ４（ｂ）中局部特征和本文算法的识 别率都在 ９５％左右；局部特征经过 ＰＣＡ 降维后，其 识别率维持在 ９３％左右，说明局部特征进行数据降 维后，识别率下降． 图 ４ （ ｃ） 中局部特征与其经过 ＰＣＡ 降维后所得特征受分块影响较大，识别率下降 ５％，可以说明这 ２ 种方法过于依赖图像所分的块大 小，而本文方法对图像所分块大小不敏感．图 ４（ ｄ） 是本文方法在 ＰＣＡ 的数据维数一定时，不同 ＯＬＤＡ 特征提取维数在 ２ 种分块条件下的识别率．ＰＣＡ 的 数据维数为 ４２９ 维，ＯＬＤＡ 算法提取的特征维数在 ２００～０．本文方法在 １００ ～ １０ 维，表现相当稳定．ＯＬ⁃ 第 ６ 期 李同宇，等： 基于特征融合的人脸图像性别识别 ·５０９·