图片的人脸性别识别方法及系统技术方案

本发明专利技术实施例提供一种图片的人脸性别识别方法和系统，其中，所述方法包括：将利用PCA算法构造的特征向量子空间与利用LDA算法构造的特征向量子空间进行融合，得到融合特征向量子空间；将训练样本图片矩阵投影到融合特征向量子空间，获得训练样本图片矩阵中多个识别特征，将测试样本图片投影到融合特征向量子空间，获得测试样本图片的识别特征；计算测试样本图片的识别特征与训练样本图片矩阵中多个识别特征的距离，得到与测试样本图片的识别特征距离最小的训练样本图片；将测试样本图片的人脸性别确定为距离最小的训练样本图片的人脸性别。不存在光照敏感的缺陷，实现了PCA的特征压缩，解决了LDA的小样本集的问题，提高了识别速度。

【技术实现步骤摘要】

本专利技术实施例涉及性别识别
，尤其涉及一种图片的人脸性别识别方法及系统。
技术介绍
人脸的性别识别研究始于二十世纪九十年代，问题起初是由心理学家进行研究的，他们致力于了解人类是如何分辨男女性别的。接着，有人从计算机视觉的角度进行研究，主要目标是要得到一个性别分类器。十多年来人脸的性别识别得到了长足的发展，尤其在近些年，更成为一个热门的研究课题，得到大量来自计算机视觉、模式识别、人工智能、心理学等各领域的研究人员的关注。性别识别在身份识别中可以充当“过滤器”的功能，利用检测出来的性别信息可以显著降低进行身份识别的搜索数量，从而提高身份认证识别速度与精度。性别识别也是智能人机接口领域的重要研究内容之一。让计算机理解人脸面相的丰富信息并能加以分类，这恰是智能人机接口研究需要解决的问题之一，也是机器智能的重要表现。它的最终解决可以极大的改善目前呆板、不方便的人机交互环境，提供更为个性化的服务。例如可以在大型游乐场所、主题公园的导游车上配备这类系统，让计算机根据使用者不同的性别分布，随机应变地推荐一些更具针对性的商品或者旅游景点。也可以为超市、商店等提供分类更详细的统计信息，提供收集潜在客户数据的自动化途径，帮助其向消费者提供更具针对性的促销服务，从而在一定程度上改变人们的生活质量和生活方式。自2001年美国“911”恐怖袭击发生以来，安全性成为了人们日益关注的主要问题。为此，各国都投入大量物力人力研究并发展各类识别技术。性别识别也能在安保系
统、身份验证系统中起到很大的作用，例如在某些需要限制异性出入的场所可以提供实时的视频监控。又例如可以在奥运会中用来监测，防止个别参赛选手“男扮女装”，利用力量、速度、耐力、爆发力等方面的优势，窃取奖牌的舞弊行为。目前常用于人脸的性别识别的方案包括结合主元分析(Principal Components Analysis，PCA)算法和线性鉴别分析(Linear Discriminant Analysis，LDA)算法，其中，PCA算法具有较高的正确识别率和识别速度，是一种基于图像灰度的识别算法，但是存在对光照敏感的缺陷。LDA算法则在处理原始图像数据的同时考虑了原始图像不同类别之间的分类特征，实现了数据从原始图像空间向特征空间的转化，改善了光照敏感性，但识别速度较慢。
技术实现思路
本专利技术实施例提供一种图片的人脸性别识别方法及系统，用以解决现有的性别识别方案存在光照敏感的缺陷，以及识别速度慢的问题。本专利技术实施例提供一种图片的人脸性别识别方法，包括：将利用PCA算法构造的第一特征向量子空间与利用LDA算法构造的第二特征向量子空间进行融合，得到融合特征向量子空间；将训练样本图片矩阵投影到所述融合特征向量子空间，获得所述训练样本图片矩阵中的多个识别特征，将测试样本图片投影到所述融合特征向量子空间，获得所述测试样本图片的识别特征；计算所述测试样本图片的识别特征与所述训练样本图片矩阵中的多个识别特征的距离，并确定得到与所述测试样本图片的识别特征距离最小的训练样本图片；将所述测试样本图片的人脸性别确定为所述距离最小的训练样本图片的人脸性别。相应地，本专利技术实施例还提供一种图片的人脸性别识别系统，包括：融合模块，用于将利用PCA算法构造的第一特征向量子空间与利用LDA算法构造的第二特征向量子空间进行融合，得到融合特征向量子空间；投影模块，用于将训练样本图片矩阵投影到所述融合特征向量子空间，获得所述训练样本图片矩阵中的多个识别特征，将测试样本图片投影到所述融合特征向量子空间，获得所述测试样本图片的识别特征；计算模块，用于计算所述测试样本图片的识别特征与所述训练样本图片矩阵中的多个识别特征的距离，并确定得到与所述测试样本图片的识别特征距离最小的训练样本图片；确定模块，用于将所述测试样本图片的人脸性别确定为所述距离最小的训练样本图片的人脸性别。本专利技术实施例提供的图片的人脸性别识别方法及系统，将PCA算法构造的特征子空间与LDA算法构造的特征子空间进行融合，获得融合特征向量子空间，去掉了图片大量的冗余信息，同时保留了图片的有用信息。然后将训练样本图片矩阵与测试样本图片分别向融合特征向量子空间进行投影，获得训练样本图片矩阵的多个识别特征和测试样本图片的识别特征，最后利用最近邻准则将多个训练样本图片的识别特征与测试样本图片的识别特征进行一一比较，确定与测试样本图片距离最小的训练样本图片，则测试样本图片的人脸性别与距离最小的训练样本图片的人脸性别相同，不存在光照敏感的缺陷，既实现了PCA算法的特征压缩，又解决了LDA算法的小样本集的问题，提高了识别速度。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例一中的一种图片的人脸性别识别方法的步骤流程
图；图2为本专利技术实施例二中的一种图片的人脸性别识别系统的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例一详细介绍本专利技术实施例一提出的一种图片的人脸性别识别方法，用于识别测试样本图片中的人脸性别。预先准备一定数量的训练样本图片，组成训练样本图片矩阵。其中，每张训练样本图片的人脸性别为已知的。本专利技术实施例依靠已知人脸性别的训练样本图片与待识别出人脸性别的测试样本图片进行比较，选择出与测试样本图片欧式距离最近的训练样本图片，则待识别出人脸性别的测试样本图片的人脸性别与欧式距离最近的训练样本图片的人脸性别相同。参照图1，示出了本专利技术实施例一中的一种图片的人脸性别识别方法的步骤流程图。步骤100，将利用PCA算法构造的第一特征向量子空间与利用LDA算法构造的第二特征向量子空间进行融合，得到融合特征向量子空间。一个m*n的图像，可用灰度值作为原始特征数据。有N个样本其特征数据用Xi表示(i＝1,2,3……N)。把Xi写成列向量的形式，行数为m*n。求平均差值Di＝Xi-X，求协方差矩阵然后利用5奇异值分解求C的特征值λi，按从大到小的顺序排列，取前j个特征值，使
得前j个特征值的和占总的比例大于等于90％。求对应特征值的特征向量U1、U2、U3……Uj(正交的，不相关)，形成第一特征向量子空间。假设有一集合χ包含N个d维样本x1，x2，….，xN，其中N1个属于ω1类的样本记为子集χ1，N2个属于ω2类的样本记为χ2。若对xn的分量作线性组合可得标量yn＝wT*xn，n＝1、2….N，这样便得到N个一维样本yn组成的集合，即得到第二特征向量子空间，并可分为两个子集y1和y2。所述步骤100具体可以为：将利用PCA算法构造的第一特征向量子空间与利用LDA算法构造的第二特征向量子空间相乘，得到融合特征向量子空间。即Ws＝W1*W2。所述融合特征向量本文档来自技高网...

【技术保护点】
一种图片的人脸性别识别方法，其特征在于，包括：将利用PCA算法构造的第一特征向量子空间与利用LDA算法构造的第二特征向量子空间进行融合，得到融合特征向量子空间；将训练样本图片矩阵投影到所述融合特征向量子空间，获得所述训练样本图片矩阵中的多个识别特征，将测试样本图片投影到所述融合特征向量子空间，获得所述测试样本图片的识别特征；计算所述测试样本图片的识别特征与所述训练样本图片矩阵中的多个识别特征的距离，并确定得到与所述测试样本图片的识别特征距离最小的训练样本图片；将所述测试样本图片的人脸性别确定为所述距离最小的训练样本图片的人脸性别。

【技术特征摘要】
1.一种图片的人脸性别识别方法，其特征在于，包括：将利用PCA算法构造的第一特征向量子空间与利用LDA算法构造的第二特征向量子空间进行融合，得到融合特征向量子空间；将训练样本图片矩阵投影到所述融合特征向量子空间，获得所述训练样本图片矩阵中的多个识别特征，将测试样本图片投影到所述融合特征向量子空间，获得所述测试样本图片的识别特征；计算所述测试样本图片的识别特征与所述训练样本图片矩阵中的多个识别特征的距离，并确定得到与所述测试样本图片的识别特征距离最小的训练样本图片；将所述测试样本图片的人脸性别确定为所述距离最小的训练样本图片的人脸性别。2.根据权利要求1所述的方法，其特征在于，所述将利用PCA算法构造的第一特征向量子空间与利用LDA算法构造的第二特征向量子空间进行融合，得到融合特征向量子空间，包括：将利用PCA算法构造的第一特征向量子空间与利用LDA算法构造的第二特征向量子空间相乘，得到融合特征向量子空间。3.根据权利要求1所述的方法，其特征在于，所述融合特征向量子空间的行数表示所述训练样本图片矩阵的维数；所述融合特征向量子空间的列数表示利用LDA算法降维后的训练样本图片矩阵的的特征向量的个数。4.根据权利要求1所述的方法，其特征在于，所述确定得到与所述测试样本图片的识别特征距离最小的训练样本图片，包括：确定得...

【专利技术属性】
技术研发人员：魏征，
申请(专利权)人：乐视网信息技术北京股份有限公司，
类型：发明
国别省市：北京;11