[發明專利]基于平均臉特征的性別檢測方法

有效

• 申請號: 201410720504.0
• 申請日: 2014-12-01
• 公開（公告）號: CN104463243B
• 公開（公告）日: 2017-09-29
• 發明（設計）人: 沈飛;謝衍濤
• 申請（專利權）人: 中科創達軟件股份有限公司
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06K9/46
• 代理公司: 北京華夏正合知識產權代理事務所(普通合伙)11017
• 代理人: 韓登營,張煥亮

技術領域

本發明涉及圖像識別領域，特別涉及一種基于平均臉特征的性別檢測方法。

背景技術

現有技術中，性別識別算法大體分為三類，其一是基于語音，另一類是基于人的步態，最后一類是基于人臉圖像。

由于目前人臉檢測的技術比較成熟，因此使得本類方法更為簡單、直接。但由于現實環境中復雜的背景、光照和攝像頭本身的精度差別以及人臉的角度等等因素，極大的增加了性別識別的難度，導致準確率比較低。

進一步的，基于人臉圖像的性別識別的技術最大的問題是準確率低，不穩定。導致這個問題有多方面的因數：例如現實環境中光照復雜，攝像頭本身的參數和精度千差萬別；現實中人臉的角度的變化非常多；不同人種的膚色差異較大。

以上三個因素極大的增加了在人臉圖像中性別識別器的識別難度。傳統的采用基于梯度方向垂直識別方法(HOG，Histograms of Original Gradients)、局部二值識別方法(LBP，Local Binary Pattern)和Gabor小波變換方法中主要采用以下兩種方式解決光照、角度與膚色的問題：

一、在檢測中，對檢測圖像進行預處理，減少由于光照、角度、不同膚色帶來的差異性；

二、基于各種不同的數據集，訓練多個分類器。

但由于環境的差異導致圖像千差萬別，第一種方式無法很好的消除這一影響；第二種方式將由于環境引起的復雜度在訓練時進行解決，但由于差異性比較大，訓練器的個數與如何組合不同的訓練器的結果都難以有個很好的解決方案。

另外，上述幾種特征還存在一缺陷，即實施上述特征的步驟和參數都是定的，例如實現方式是采用函數y＝f(x)，其中x是輸入圖像，而y是輸出的特征。上述的手工設計(如LBP，gabor，HOG等)的特征中f(x)的函數形式是認為指定的，且函數的參數也是認為設定的，而不是基于樣本集上通過學習得到的。因此容易存在誤差。

發明內容

本申請提供一種基于平均臉特征的性別檢測方法，基于卷積神經網絡通過平均臉約束學習得到平均臉的特征表達，進而對檢測模型進行訓練，有效的解決了經典人工設計的特征無法很好的表達各種不同的環境與角度下的人臉圖像的局限性，從而實現性別的準確識別。

所述基于平均臉特征的性別檢測方法包括學習的步驟和檢測步驟：

所述學習的步驟包括：

A、對人臉圖像數據庫進行分類，并計算各類人臉圖像的平均臉；

B、將所述各平均臉數據配置為卷積神經網絡的輸出層、各平均臉所屬類別下的人臉數據集中的人臉各位置配置為卷積神經網絡的輸入層，對卷積神經網絡進行學習；

C、將所述卷積神經網絡的輸出層作為性別分類層的輸入層，不同性別作為性別分類層的輸出層，對性別分類層進行學習；

所述檢測步驟包括：

將輸入待檢人員的人臉圖像輸入學習后的卷積神經網絡，由性別分類層輸出性別。

由上，基于卷積神經網絡通過平均臉約束學習得到平均臉的特征表達，進而對檢測模型進行訓練，有效的解決了現有技術無法很好的表達所有的特征的情況，從而實現性別的準確識別。

可選的，步驟A所述對人臉圖像數據庫進行分類包括：依據人臉對應的性別和膚色進行分類。

由上，可實現對于不同膚色和性別的人臉進行初級分化，完成原始數據的累計。

可選的，步驟B包括：

將平均臉的各位置像素，表示為(X₁、X₂，……，X_n)，配置為卷積神經網絡輸出層的各個神經單元；

將對應類別的各人臉的各位置像素，表示為(O₁、O₂，……，O_n)，配置為卷積神經網絡輸入層的各個神經單元配置；

使所述輸入層的各人臉的各位置像素與輸出層的平均臉的各位置像素區別最小的方式對CNN進行學習。

其中，卷積神經網絡輸出層的各個神經單元與卷積神經網絡輸入層的各個神經單元數量匹配。

由上，通過人臉數據庫數據對于卷積神經網絡中的卷基層和隱含層的學習，實現其輸出的特征表達。

可選的，所述使所述輸入層的各人臉的各位置像素與輸出層的平均臉的各位置像素區別最小的方式包括：采用對應各位置像素的最小平方差和的方式。

可選的，步驟C中，所述性別分類層包括softmax分類層。

可選的，所述對性別分類層進行學習的步驟包括：