一种基于集成卷积神经网络的性别识别方法技术

本发明专利技术公开了一种基于集成卷积神经网络的性别识别方法，步骤如下：S1、首先随机组合形成若干个新的训练数据集，然后选取出M个经过上述新的训练数据集训练得到的卷积神经网络分类器作为基分类器；S2、获取待测人脸图像；S3、在测试时，将待测人脸图像分别输入步骤S1获取到的M个基分类器，然后融合M个基分类器输出的性别类别，获得最终的一个性别类别。本发明专利技术通过随机得到新的训练数据集训练得到的卷积神经网络分类器作为基分类器，然后将待测人脸图像输入至M个基分类器，最后融合M个基分类器输出的性别类别，获得最终的一个性别类别，具有识别准确率高、减少人脸图象的性别特征提取对人的依赖性以及应用广泛的优点。

【技术实现步骤摘要】

本专利技术涉及图像处理
，特别涉及一种基于集成卷积神经网络的性别识别方法。
技术介绍
人脸性别识别在个性化服务、智能监控等方面具有很大的应用价值。例如商品推荐，男性和女性的商品需求区别很大，人脸性别识别会帮助商家了解男性和女性不同的喜好和需求，从而改进产品，提供更良好的用户体验和内容质量。人脸性别识别还可以帮助智能设备如穿戴设备提供定制化的服务，因为不同性别有不同偏好、生活习惯和独有特征。目前有很多人脸性别识别方法，大体上将性别识别系统分为两个部分：人脸图像的特征提取和性别识别算法。人脸图像的特征提取包括人脸五官距离特征，像素特征，局部二进制模式，Gabor小波变换等，而性别识别算法就是依靠机器学习算法来实现，效果比较显著的有支持向量机(SVM)、神经网络、K最近邻算法、高斯混合模型、随机森林、Softmax回归模型等等。国内外学者在解决人脸性别识别问题时，大都采用这些分类算法，但是这些分类算法极大地依赖于对人脸图像的特征提取，而目前采用的特征抽取方法是人工设计的，再通过特征选择算法剔除冗余或者不相关的特征，得出最优或者次优特征子集，目的是提高识别准确率。另一方面是降低特征的维数，从而提升模型训练速度。这个过程极大地依赖人工专家的经验和反复实验完成的，不仅工作量大，而且很难找到一种最优的人脸性别特征表达，从而影响了人脸性别识别的效果。另一方面，单个分类器如卷积神经网络作为人脸性别识别的方法，需要调整许多参数，参数调优复杂，工作量大，难以获得最优参数，因而影响整体的人脸性别识别性能。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供一种识别准确率高的基于集成卷积神经网络的性别识别方法。本专利技术的目的通过下述技术方案实现：一种基于集成卷积神经网络的性别识别方法，步骤如下：S1、首先随机组合形成若干个新的训练数据集，然后选取出M个经过上述新的训练数据集训练得到的卷积神经网络分类器作为基分类器；S2、获取待测人脸图像；S3、在测试时，将待测人脸图像分别输入步骤S1获取到的M个基分类器，然后融合M个基分类器输出的性别类别，获得最终的一个性别类别。优选的，所述步骤S1中基分类器获取过程具体如下：S11、选择一个基准数据集和若干辅助数据集；其中基准数据集分割成基准训练数据集和基准测试数据集；S12、辅助数据集随机组合后加入到基准训练数据集中，构成若干个新的训练数据集；S13、随机生成一定数量的卷积神经网络模型；S14、利用步骤S12中得到的若干个新的训练数据集分别对步骤S13生成的卷积神经网络模型进行训练，得到多个卷积神经网络分类器；S15、分别计算步骤S14获取的各卷积神经网络分类器在基准测试数据集上的识别准确率；S16、选择识别准确率排名前M的M个卷积神经网络分类器作为基分类器。更进一步的，步骤S13随机生成的卷积神经网络模型包括五层卷积层的卷积神经网络模型和六层卷积层的卷积神经网络模型。更进一步的，所述五层卷积层的卷积神经网络模型的输入层至输出层之间依次连接有第一数据层Date11层、第二数据层Date12层、第一卷积层conv11层、第一下采样层P11层、第一LRN层L11层、第二卷积层conv12层、第二下采样层P12层、第二LRN层L12层、第三卷积层conv13层、第四卷积层conv14层、第五卷积层conv15层、第五下采样层P15层、第一全链接层Q11层、第一Dropout层D11层、第二全链接层Q12层和第二Dropout层D12层；第一卷积层conv11层、第二卷积层conv12层、第三卷积层conv13层、第四卷积层conv14层、第五卷积层conv15层、第一全链接层Q11层、第二全链接层Q12层下对应分别连接第一激活函数层ReLU11层、第二激活函数层ReLU12层、第三激活函数层ReLU13层、第四激活函数层ReLU14层、第五激活函数层ReLU15层、第六激活函数层ReLU16层和第七激活函数层ReLU17层。更进一步的，所述第一卷积层conv11层的卷积核大小为11*11，卷积核个数为96；所述第二卷积层conv12层的卷积核大小为5*5，卷积核个数为256，卷积核的边缘增补为2；所述第三卷积层conv13层的卷积核大小为3*3，卷积核个数为384，卷积核的边缘增补为1；所述第四卷积层conv14层的卷积核大小为3*3，卷积核个数为384，卷积核的边缘增补为1；所述第五卷积层conv15层的卷积核大小为3*3，卷积核个数为256，卷积核的边缘增补为1；所述第一下采样层P11层下采样领域大小为3*3，池化步长为2，下采样后特征图大小变为27*27；所述第二下采样层P12层下采样领域大小为3*3，池化步长为2，下采样后特征图大小变为13*13；所述第五下采样层P15层下采样领域大小为3*3，池化步长为2，下采样后特征图大小变为6*6。更进一步的，所述六层卷积层的卷积神经网络模型的输入层至输出层之间依次连接有第一数据层Date21层、第二数据层Date22层、第一卷积层conv21层、第一下采样层P21、第一LRN层L21、第二卷积层conv22、第二下采样层P22、第二LRN层L22、第三卷积层conv23、第四卷积层conv24层、第五卷积层conv25层、第六卷积层conv26层、第六下采样层P26层、第一全链接层Q21层、第一Dropout层D21层、第二全链接层Q22和第二Dropout层D22；其中第一卷积层conv21层、第二卷积层conv22层、第三卷积层conv23层、第四卷积层conv24层、第五卷积层conv25层、第六卷积层conv26层、第一全链接层Q21层、第二全链接层Q22层下对应分别连接第一激活函数层ReLU21层、第二激活函数层ReLU22层、第三激活函数层ReLU23层、第四激活函数层ReLU24层、第五激活函数层ReLU25层、第六激活函数层ReLU26层、第七激活函数层ReLU27层和第八激活函数层ReLU28层。更进一步的，所述第一卷积层conv21层的卷积核大小为11*11，卷积核个数为96；所述第二卷积层conv22层的卷积核大小为5*5，卷积核个数为256，卷积核的边缘增补为2；所述第三卷积层conv23层的卷积核大小为3*3，卷积核个数为384，卷积核的边缘增补为1；所述第四卷积层conv24层的卷积核大小为3*3，卷积核个数为384，卷积核的边缘增补为1；所述第五卷积层conv25层的卷积核大小为3*3，卷积核个数为256，卷积核的边缘增补为1；所述第六卷积层conv26层的卷积核大小为3*3，卷积核个数为256，卷积核的边缘增补为1；所述第一下采样层P21层下采样领域大小为3*3，池化步长为2，下采样后特征图大小变为27*27；所述第二下采样层P22层下采样领域大小为3*3，池化步长为2，下采样后特征图大小变为13*13；所述第六下采样层P26层下采样领域大小为3*3，池化步长为2，下采样后特征图大小变为6*6。更进一步的，所述M为5，即步骤S16中将识别准确率排名前5的5个卷积神经网络分类器作为基分类器，得到的为5个基分类器，分别为第一基分类器、第二基分类器、第三基分类器、第四基分类器和第五基分类器；其中第一本文档来自技高网...

【技术保护点】
一种基于集成卷积神经网络的性别识别方法，其特征在于，步骤如下：S1、首先随机组合形成若干个新的训练数据集，然后选取出M个经过上述新的训练数据集训练得到的卷积神经网络分类器作为基分类器；S2、获取待测人脸图像；S3、在测试时，将待测人脸图像分别输入步骤S1获取到的M个基分类器，然后融合M个基分类器输出的性别类别，获得最终的一个性别类别。

【技术特征摘要】
1.一种基于集成卷积神经网络的性别识别方法，其特征在于，步骤如下：S1、首先随机组合形成若干个新的训练数据集，然后选取出M个经过上述新的训练数据集训练得到的卷积神经网络分类器作为基分类器；S2、获取待测人脸图像；S3、在测试时，将待测人脸图像分别输入步骤S1获取到的M个基分类器，然后融合M个基分类器输出的性别类别，获得最终的一个性别类别。2.根据权利要求1所述的基于集成卷积神经网络的性别识别方法，其特征在于，所述步骤S1中基分类器获取过程具体如下：S11、选择一个基准数据集和若干辅助数据集；其中基准数据集分割成基准训练数据集和基准测试数据集；S12、辅助数据集随机组合后加入到基准训练数据集中，构成若干个新的训练数据集；S13、随机生成一定数量的卷积神经网络模型；S14、利用步骤S12中得到的若干个新的训练数据集分别对步骤S13生成的卷积神经网络模型进行训练，得到多个卷积神经网络分类器；S15、分别计算步骤S14获取的各卷积神经网络分类器在基准测试数据集上的识别准确率；S16、选择识别准确率排名前M的M个卷积神经网络分类器作为基分类器。3.根据权利要求2所述的基于集成卷积神经网络的性别识别方法，其特征在于，步骤S13随机生成的卷积神经网络模型包括五层卷积层的卷积神经网络模型和六层卷积层的卷积神经网络模型。4.根据权利要求3所述的基于集成卷积神经网络的性别识别方法，其特征在于，所述五层卷积层的卷积神经网络模型的输入层至输出层之间依次连接有第一数据层Date11层、第二数据层Date12层、第一卷积层conv11层、第一下采样层P11层、第一LRN层L11层、第二卷积层conv12层、第二下采样层P12层、第二LRN层L12层、第三卷积层conv13层、第四卷积层conv14层、第五卷积层conv15层、第五下采样层P15层、第一全链接层Q11层、第一Dropout层D11层、第二全链接层Q12层和第二Dropout层D12层；第一卷积层conv11层、第二卷积层conv12层、第三卷积层conv13层、第四卷积层conv14层、第五卷积层conv15层、第一全链接层Q11层、第二全链接层Q12层下对应分别连接第一激活函数层ReLU11层、第二激活函数层ReLU12层、第三激活函数层ReLU13层、第四激活函数层ReLU14层、第五激活函数层ReLU15层、第六激活函数层ReLU16层和第七激活函数层ReLU17层。5.根据权利要求4所述的基于集成卷积神经网络的性别识别方法，其特征在于，所述第一卷积层conv11层的卷积核大小为11*11，卷积核个数为96；所述第二卷积层conv12层的卷积核大小为5*5，卷积核个数为256，卷积核的边缘增补为2；所述第三卷积层conv13层的卷积核大小为3*3，卷积核个数为384，卷积核的边缘增补为1；所述第四卷积层conv14层的卷积核大小为3*3，卷积核个数为384，卷积核的边缘增补为1；所述第五卷积层conv15层的卷积核大小为3*3，卷积核个数为256，卷积核的边缘增补为1；所述第一下采样层P11层下采样领域大小为3*3，池化步长为2，下采样后特征图大小变为27*27；所述第二下采样层P12层下采样领域大小为3*3，池化步长为...

【专利技术属性】
技术研发人员：文贵华，吴泽银，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44