基于平均脸特征的性别检测方法技术

本发明专利技术提供基于平均脸特征的性别检测方法，包括学习步骤和检测步骤：学习步骤包括：A、对人脸图像数据库进行分类，并计算各类人脸图像的平均脸；B、将所述各平均脸数据配置为卷积神经网络的输出层、各平均脸所属类别下的人脸数据集中的人脸各位置配置为卷积神经网络的输入层，对卷积神经网络进行学习；C、将所述卷积神经网络的输出层作为性别分类层的输入层，不同性别作为性别分类层的输出层，对性别分类层进行学习；检测步骤包括：将待检人员的人脸图像输入学习后的卷积神经网络，由性别分类层输出性别。基于卷积神经网络对平均的脸约束学习得到平均脸的特征表达，有效的解决现有的经典的人工设计的特征的局限性，实现性别的准确识别。

【技术实现步骤摘要】

本专利技术涉及图像识别领域，特别涉及一种。
技术介绍
现有技术中，性别识别算法大体分为三类，其一是基于语音，另一类是基于人的步 态，最后一类是基于人脸图像。 由于目前人脸检测的技术比较成熟，因此使得本类方法更为简单、直接。但由于现 实环境中复杂的背景、光照和摄像头本身的精度差别以及人脸的角度等等因素，极大的增 加了性别识别的难度，导致准确率比较低。 进一步的，基于人脸图像的性别识别的技术最大的问题是准确率低，不稳定。导致 这个问题有多方面的因数：例如现实环境中光照复杂，摄像头本身的参数和精度千差万别； 现实中人脸的角度的变化非常多；不同人种的肤色差异较大。 以上三个因素极大的增加了在人脸图像中性别识别器的识别难度。传统的采用基 于梯度方向垂直识别方法（HOG，Histograms of Original Gradients)、局部二值识别方法 (LBP，Local Binary Pattern)和Gabor小波变换方法中主要采用以下两种方式解决光照、 角度与肤色的问题： 一、在检测中，对检测图像进行预处理，减少由于光照、角度、不同肤色带来的差异 性； 二、基于各种不同的数据集，训练多个分类器。 但由于环境的差异导致图像千差万别，第一种方式无法很好的消除这一影响；第 二种方式将由于环境引起的复杂度在训练时进行解决，但由于差异性比较大，训练器的个 数与如何组合不同的训练器的结果都难以有个很好的解决方案。 另外，上述几种特征还存在一缺陷，即实施上述特征的步骤和参数都是定的，例如 实现方式是采用函数y = f(x)，其中X是输入图像，而y是输出的特征。上述的手工设计 (如LBP，gabor，HOG等）的特征中f(x)的函数形式是认为指定的，且函数的参数也是认为 设定的，而不是基于样本集上通过学习得到的。因此容易存在误差。
技术实现思路
本申请提供一种，基于卷积神经网络通过平均脸 约束学习得到平均脸的特征表达，进而对检测模型进行训练，有效的解决了经典人工设计 的特征无法很好的表达各种不同的环境与角度下的人脸图像的局限性，从而实现性别的准 确识别。 所述包括学习的步骤和检测步骤： 所述学习的步骤包括： A、对人脸图像数据库进行分类，并计算各类人脸图像的平均脸； B、将所述各平均脸数据配置为卷积神经网络的输出层、各平均脸所属类别下的人 脸数据集中的人脸各位置配置为卷积神经网络的输入层，对卷积神经网络进行学习； C、将所述卷积神经网络的输出层作为性别分类层的输入层，不同性别作为性别分 类层的输出层，对性别分类层进行学习； 所述检测步骤包括： 将输入待检人员的人脸图像输入学习后的卷积神经网络，由性别分类层输出性 别。 由上，基于卷积神经网络通过平均脸约束学习得到平均脸的特征表达，进而对检 测模型进行训练，有效的解决了现有技术无法很好的表达所有的特征的情况，从而实现性 别的准确识别。 可选的，步骤A所述对人脸图像数据库进行分类包括：依据人脸对应的性别和肤 色进行分类。 由上，可实现对于不同肤色和性别的人脸进行初级分化，完成原始数据的累计。 可选的，步骤B包括： 将平均脸的各位置像素，表示为（XpX2,……，Xn)，配置为卷积神经网络输出层的 各个神经单元； 将对应类别的各人脸的各位置像素，表示为（OpO2,……，On)，配置为卷积神经网 络输入层的各个神经单元配置； 使所述输入层的各人脸的各位置像素与输出层的平均脸的各位置像素区别最小 的方式对CNN进行学习。 其中，卷积神经网络输出层的各个神经单元与卷积神经网络输入层的各个神经单 元数量匹配。 由上，通过人脸数据库数据对于卷积神经网络中的卷基层和隐含层的学习，实现 其输出的特征表达。 可选的，所述使所述输入层的各人脸的各位置像素与输出层的平均脸的各位置像 素区别最小的方式包括：采用对应各位置像素的最小平方差和的方式。 可选的，步骤C中，所述性别分类层包括softmax分类层。 可选的，所述对性别分类层进行学习的步骤包括： 采用反向传播算法进行学习，计算 ￡(h.') = -= +(丨-（,）丨n(l -+ y u彳I 的最小值，式中 w 为所述 softmax n=\ I 分类层的参数，tn为所述人脸图像数据库中第η个样本的真实性别，yn为第η个样本通过 模型后的性别，f|wf为权重腐蚀。 可选的，所述性别分类层包括向量机分类或逻辑回归分类。 【附图说明】 图1为本专利技术的流程图； 图2为基于平均脸特征的性别检测模型的原理示意图。 【具体实施方式】 本专利技术所涉及，其中，基于卷积神经网络通过平 均脸约束学习得到平均脸的特征表达，有效的解决了现有经典的人工设计的特征无法很好 的表达不同环境与角度下的人脸的局限性。 如图1所示，本专利技术包括以下步骤： SlO :将人脸数据分类，计算不同类别的平均脸。 本实施例中，根据肤色与性别，将人脸数据集进行分类，本实施例采用以下6个类 另IJ:白-男、白-女、黑-男、黑-女、黄-男、黄-女。以上每个类别的数据应包含不同的光 照与姿势，并将其缩放到统一像素尺寸上。针对于每个类别下的人脸数据集，通过计算该类 别数据集中的各个人脸图像数据，即各个人脸图像相同位置的像素平均值，得到每个类别 的平均脸。其中，计算出的平均脸可以表示为一数组，如（Xi、x 2,……，xn)，分别对应该平 均脸各个位置像素平均值。本步骤即得到6个类别的平均脸。 S20 :对应上述各类平均脸，对卷积神经网络（CNN，Convolutional Neural Networks)进行学习。 其中，对CNN进行学习时，需配置好输入层、输出层的神经元个数，然后将各平均 脸数据作为输出层，对应该平均脸所属类别下的人脸数据集中的人脸各位置作为输入层， 对CNN的中间层（本实施例中，中间层是对卷积层、隐含层的统称）进行学习，或称对CNN 模型进行训练。下面进行详细说明： 本实施例中，将CNN输出层的神经单元个数配置为与输入层相匹配，并如下配置： 如图2所示，CNN输出层对应平均脸数据，CNN输出层的各个神经单元配置为平均 脸的各位置像素，如上表示为（Xp χ2，......，χη)。 CNN输入层各个神经单元配置为与输出层平均脸所属类别下的人脸数据集中的各 人脸的各位置像素，表示为（OpO2, ......，on)。 对CNN进行学习时，采用反向传播算法进行CNN模型的预学习，使得每个样本的 输入（每个样本的输入即是对应类别的人脸数据集中的每个人脸数据）与其对应的平 均脸数据的平方差和最小。具体的，对应每个样本对应的平方差和计算表示为：E(W)= 1/2 [ (O1-X1) * (O1-X1) +……+ (On-Xn) * (On-Xn)]。通过求解使E (w)最小，即使对应每个样本CNN 输入层的人脸图像各位置与输出层的平均脸的各位置的区别最小，以达到对CNN中卷积层 和隐含层的学习。CNN中的卷基层和隐含层都是有参数的，本步骤学习的目的就是得到上述 参数值，区别于现有的经典的本文档来自技高网...

【技术保护点】
基于平均脸特征的性别检测方法，其特征在于，包括学习步骤和检测步骤：所述学习步骤包括：A、对人脸图像数据库进行分类，并计算各类人脸图像的平均脸；B、将所述各平均脸数据配置为卷积神经网络的输出层、各平均脸所属类别下的人脸数据集中的人脸各位置配置为卷积神经网络的输入层，对卷积神经网络进行学习；C、将所述卷积神经网络的输出层作为性别分类层的输入层，不同性别作为性别分类层的输出层，对性别分类层进行学习；所述检测步骤包括：将待检人员的人脸图像输入学习后的卷积神经网络，由性别分类层输出性别。

【技术特征摘要】
1. 基于平均脸特征的性别检测方法，其特征在于，包括学习步骤和检测步骤： 所述学习步骤包括： A、 对人脸图像数据库进行分类，并计算各类人脸图像的平均脸； B、 将所述各平均脸数据配置为卷积神经网络的输出层、各平均脸所属类别下的人脸数 据集中的人脸各位置配置为卷积神经网络的输入层，对卷积神经网络进行学习； C、 将所述卷积神经网络的输出层作为性别分类层的输入层，不同性别作为性别分类层 的输出层，对性别分类层进行学习； 所述检测步骤包括： 将待检人员的人脸图像输入学习后的卷积神经网络，由性别分类层输出性别。2. 根据权利要求1所述的方法，其特征在于，步骤A所述对人脸图像数据库进行分类包 括：依据人脸对应的性别和肤色进行分类。3. 根据权利要求1所述的方法，其特征在于，步骤B包括： 将平均脸的各位置像素，表示为（Xi、X2,……，Xn)，配置为卷积神经网络输出层的各个 神经单元； 将对应类别的各人脸的各位置像素，表示为（OpO2,……，On)，配置为卷积神经网络输 入层的各个神经单元； 使所述输入层的...

【专利技术属性】
技术研发人员：沈飞，谢衍涛，
申请(专利权)人：中科创达软件股份有限公司，
类型：发明
国别省市：北京;11