一种图像分析中更新性别分类器的方法及性别分类器技术

本发明专利技术公开了一种图像分析中更新性别分类器的方法，所述方法包括以下 步骤：对待测人脸图像进行特征提取，得到待测人脸图像的特征向量；利用性 别分类器对得到的特征向量对应的性别进行识别，确定性别识别结果满足设定 的置信度要求的特征向量；将性别识别结果满足设定的置信度要求的特征向量 加入性别分类器的训练样本集中，得到更新后的训练样本集；利用更新后的训 练样本集训练性别分类器，得到更新后的性别分类器。通过本发明专利技术，提高了性 别分类器的自我训练能力，使性别识别的准确性更高、适应性更强。本发明专利技术还 公开了一种性别分类器。

【技术实现步骤摘要】

本专利技术涉及图像分析技术，尤其涉及一种图像分析中更新性别分类器的方 法及性别分类器。
技术介绍
基于人脸图像的性别识别在计算机视觉、人机交互、视频监控和视频检索 等方面有广阔的应用前景。性别识别是一种二分类识别，常用的分类方法都可 以用于性别识别，即可以采用不同分类策略的性别分类器来进行性别识别。性别分类器中建立了多种人脸特征向量中，每种人脸特征向量和性别的对 应关系，其输入为人脸特征向量，根据建立的对应关系可以输出人脸特征向量 对应的性别。也可以认为性别分类器具有人脸4全测和特征提取的功能，此时， 性别分类器的输入为人脸图像，对输入的人脸图像进行人脸检测，对检测到的 面部区域进行特征提取，得到人脸特征向量，进而确定所述人脸图像的性别。 如图1所示，为传统的性别分类器训练的框图，将得到的特征向量和该特征向 量对应的性别保存并训练得到 一个性别分类器。在利用已训练结束的性别分类器对当前的人脸图像的性别进行识别时，性 别识别结果将高度依赖于前期的训练，也就是前期建立的人脸特征向量和性别 的对应关系。而前期的训练通常采用已有的训练样本，得到的分类器对训练集 中的样本具有较好的分类结果，由于参与训练的样本在样本空间中通常只占很 小的一部分，随着可能出现的待识别的样本越来越复杂，事先训练好的分类器 在实际应用中往往出现识别率下降等问题，无法获得满意的性别识别结果
技术实现思路
本专利技术实施例提供一种图像分析中更新性别分类器的方法及性别分类器， 提高性别分类器对性别识别的准确性和对样本的适应性。一种图像分析中更新性别分类器的方法，所述方法包括以下步骤对待测人脸图像进行特征提取，得到待测人脸图像的特征向量；利用性别分类器对得到的特征向量对应的性别进行识别，确定性别识别结果满足设定的置信度要求的特征向量；将性别识别结果满足设定的置信度要求的特征向量加入性别分类器的训练样本集中，得到更新后的训练样本集；利用更新后的训练样本集训练性别分类器，得到更新后的性别分类器。 一种性别分类器，所述性别分类器包括性别识别模块，用于对待测人脸图像进行特征提取后得到的特征向量对应 的性别进行识别；置信度确定模块，用于确定性别识别结果满足设定的置信度要求的特征向量；数据保存模块，用于将性别识别结果满足设定的置信度要求的特征向量加入训练样本集中，得到更新后的训练样本集；更新训练模块，用于利用更新后的训练样本集进行训练更新。本专利技术通过将每次进行性别识别的测试样本作为对性别分类器的训练样本，动态更新性别分类器中的训练样本集，利用更新后的训练样本集训练性别分类器，实现对性别分类器的动态更新，利用更新后的性别分类器对待测样本进行识别时，可以提高性别识别的准确性。附图说明图1为现有技术中性别分类器训练的框图2为本专利技术实施例 一 中图像分析中更新性别分类器的方法流程示意图； 图3 (a)为本专利技术实施例二中的性别分类器的结构示意图；图3 (b)为本专利技术实施例二中的性别分类器中置信度确定模块的结构示意图。具体实施例方式下面结合说明书附图对本专利技术进行详细描述。如图2所示，为本专利技术实施例一中图像分析中更新性别分类器的方法流程 示意图，该方法包括以下步骤步骤101:通过对已有的特征向量和特征向量对应的性别进行识别，建立 性别分类器。本步骤可以是利用传统的方法，通过已有的样本和离线训练的方式，建立初始的性别分类器。步骤102:对待测人脸图像进行特征提取，得到待测人脸图像的特征向量。 建立性别分类器后，可以利用该性别分类器进行性别识别的操作。 本实施例中，可以是性别分类器对人脸图像进行特征提取，也可以是使用其他特征提取设备对人脸图像进行特征提取，并将得到的特征向量传输给性别分类器。步骤103:利用性别分类器对得到的特征向量对应的性别进行识别，得到 性别识别结果。在性别分类器中建立的特征向量与性别的对应关系可以包括特征向量对 应的待测性别为男性的概率和对应的待测性别为女性的概率，将概率较高的待 测性别作为所述特征向量对应的性别。性别分类器利用建立的多种对应关系，计算出当前识别的特征向量中待测 性别为男性的概率和对应的待测性别为女性的概率，并将概率较高的待测性别 作为当前识别的特征向量对应的性别。步骤104:确定性别识别结果满足设定的置信度要求的特征向量。在步骤102中，待测人脸图像可以是多个，因此，步骤103中分别对多个7特征向量对应的性别进行识别。虽然得到了每个特征向量对应的性别，但性别识别结果的可信度还不能确定。例如某特征向量中待测性别为男性的概率为 0.6，待测性别为女性的概率为0.4,则可以确定该特征向量对应的性别为男性。 但男性和女性的概率比较接近，在精确度较高的系统中，这一识别结果的可信 度较低。因此，需要对得到的性别识别结果的可信度进行衡量，即确定各性别 识别结果的置信度，从中选择出识别结果的置信度较高的特征向量。步骤105:将性别识别结果满足设定的置信度要求的特征向量加入性别分 类器的训练样本集中，得到更新后的训练样本集。在本实施例中，特征向量对应的性别与该特征向量加入的训练样本集对应 的性别可以相同，即特征向量对应的性别是男性时，加入的男性训练样本集； 特征向量对应的性别是女性时，加入的女性训练样本集。这样，训练出的样本 集能够正确体现与该样本集对应的性别的特征向量。另外，特征向量对应的性別与该特征向量加入的训练样本集对应的性别不 同，即特征向量对应的性别是男性时，加入的女性训练样本集；特征向量对应 的性别是女性时，加入的男性训练样本集。这样，训练出的样本集能够正确体 现与该样本集对应的相反的性别的特征向量。步骤106:利用更新后的训练样本集训练性别分类器，得到更新后的性别 分类器。通过步骤101至步骤106的方案，不断地利用新的样本更新性别分类器， 使性别分类器中的样本更加丰富、完善，提高性别识别的准确性。 下面分别对实施例一的各步骤进行详细说明。在本专利技术各实施例中涉及的性别分类器的类型不限定，可以是支持向量机 (Support Vector Machine, SVM)，也可以是其他i殳备。在步骤102中，人脸图像的特征向量可以有多种，例如Gabor特征向量、 LBP特征向量、小波特征向量和几何特征向量等。每种特征有对应的提取方法。 在使用Gabor特征时，提取得到待测人脸图像的Gabor特征向量，可以通8过人脸检测和人脸对准，将人脸区域归一化为预定尺寸，然后进行预处理，根据公式(1 )计算出Gabor特征。从计算出的X维Gabor特征向量中进行特征挑选，挑选出维数为Y的有效特征向量。X=w*h*S*0 (1) 其中X为Gabor特征的维数；w为归一化后图像的宽度；h为归一化后图像的高度;S为Gabor滤波器的尺度个数、O为Gabor滤波器的方向个数。 通常，X的数目在数十万左右，通过特征挑选后，Y的数目在数千左右。 在步骤104中，确定性别识别结果满足设定的置信度要求的特征向量的方法包括首先，性别分类器确定步骤103中的特征向量对应的待测性别为男性的概 率和对应的待测性别为女性的概率。然后，按照公式(2)确定性别分类器对特征向量识别的置信度。从公式(2)中可以看出，置信度越高，表示性别分类器的识别结果的可信程度越高，反之，置信度越低，表示本文档来自技高网...

【技术保护点】
一种图像分析中更新性别分类器的方法，其特征在于，所述方法包括以下步骤：　对待测人脸图像进行特征提取，得到待测人脸图像的特征向量；　利用性别分类器对得到的特征向量对应的性别进行识别，确定性别识别结果满足设定的置信度要求的特征向量； 　将性别识别结果满足设定的置信度要求的特征向量加入性别分类器的训练样本集中，得到更新后的训练样本集；　利用更新后的训练样本集训练性别分类器，得到更新后的性别分类器。

【技术特征摘要】

【专利技术属性】
技术研发人员：王俊艳，黄英，
申请(专利权)人：王俊艳，黄英，
类型：发明
国别省市：11