人工智能原理第11章--人臉識別課件

1、張明 副教授 人工智能原理：基于Python語言和TensorFlow第11章 人臉識別人臉識別概念人臉識別的流程人臉識別種類人臉檢測性別和年齡識別11.1 人臉識別概念從20世紀(jì)后半葉開始，計算機(jī)視覺技術(shù)獲得了飛速的發(fā)展。與視覺圖像相關(guān)聯(lián)的軟件技術(shù)和硬件技術(shù)逐漸應(yīng)用于人們的日常生活中，并逐漸成為人類社會信息來源的一個重要組成部分，這些技術(shù)的廣泛普及與應(yīng)用也促使了計算機(jī)視覺技術(shù)的不斷革新和改進(jìn)。計算機(jī)視覺技術(shù)被廣泛應(yīng)用于智能安檢、人機(jī)交互等領(lǐng)域。計算機(jī)視覺技術(shù)是人工智能技術(shù)的一個重要組成部分，也是當(dāng)下計算機(jī)技術(shù)發(fā)展的一個前沿領(lǐng)域，經(jīng)過多年的不斷發(fā)展，已經(jīng)形成了以數(shù)字處理、計算機(jī)圖形圖像等多種技

2、術(shù)相融合的綜合性技術(shù)，并具有較強的邊緣性和學(xué)科交互性。在這其中，人臉識別技術(shù)是一個熱門的研究方向，也是目前生物特征識別技術(shù)中備受研發(fā)人員和科技人員關(guān)注的一個技術(shù)分支。11.1 人臉識別概念 人臉識別，是基于人體的面部特征信息所進(jìn)行身份信息識別的一種生物識別技術(shù)。通常情況下，通過使用攝像頭或者其他視頻采集設(shè)備可以采集到包含有人臉的圖像或視頻流并進(jìn)行進(jìn)一步的檢測工作，然后針對圖像或視頻流中的人臉信息進(jìn)行自動的跟蹤和相應(yīng)的一系列技術(shù)操作。11.1 人臉識別概念20世紀(jì)50年代：大量的認(rèn)知科學(xué)家開始著手對人臉識別領(lǐng)域的技術(shù)展開研究。20世紀(jì)60年代：正式開啟了對人臉識別工程化的應(yīng)用研究。當(dāng)時主要應(yīng)用的

3、方法是通過人臉的幾何結(jié)構(gòu)，進(jìn)一步分析人臉器官特征點及其之間的拓?fù)潢P(guān)系。20世紀(jì)90年代：1991年，著名的“特征臉”（Eigenface）方法第一次將主成分分析和統(tǒng)計特征這兩種技術(shù)引入到人臉識別領(lǐng)域。2000年2012年：在這12年間，伴隨著機(jī)器學(xué)習(xí)理論的不斷發(fā)展，研究學(xué)者們紛紛將遺傳算法、支持向量機(jī)（Support Vector Machine，SVM）、Boosting、流形學(xué)習(xí)等科學(xué)理論應(yīng)用于人臉識別領(lǐng)域中。11.1 人臉識別概念2013年：微軟亞洲研究院的研究學(xué)者們第一次嘗試了10萬級別的大規(guī)模訓(xùn)練數(shù)據(jù)，并基于高維LBP特征和Joint Bayesian方法在LFW人臉數(shù)據(jù)庫上獲得了9

4、5.17%的訓(xùn)練精度。這一結(jié)果充分表明在大規(guī)模訓(xùn)練數(shù)據(jù)集的應(yīng)用前提下，非受限環(huán)境下的人臉識別效果能夠獲得顯著的提升。2014年以后：隨著大數(shù)據(jù)和深度學(xué)習(xí)的發(fā)展及廣泛應(yīng)用，神經(jīng)網(wǎng)絡(luò)重受矚目，并在圖像分類、手寫體識別、語音識別等應(yīng)用中獲得了比以往經(jīng)典方法更顯著的訓(xùn)練效果。11.1 人臉識別概念在我國，從2015年開始，政府密集出臺了一系列有利于人工智能和人臉識別發(fā)展的政策。這其中，2015年1月7日發(fā)布的關(guān)于銀行業(yè)金融機(jī)構(gòu)遠(yuǎn)程開立人民幣銀行賬戶的指導(dǎo)意見（征求意見稿），給人臉識別的普及打開了一絲縫隙；在這之后的2015年5月和12月，政府分別出臺了安全防范視頻監(jiān)控人臉識別系統(tǒng)技術(shù)要求信息安全技術(shù)網(wǎng)

5、絡(luò)人臉識別認(rèn)證系統(tǒng)安全技術(shù)要求等法律法規(guī)，為人臉識別在金融、安防、醫(yī)療等領(lǐng)域的普及打下了堅實的基礎(chǔ)，掃清了政策障礙。在2017年，人工智能這個詞首次寫入我國的國家政府報告中，作為人工智能的重要細(xì)分領(lǐng)域，國家對人臉識別相關(guān)的政策支持力度也在不斷地加大。2017年12月發(fā)布的促進(jìn)新一代人工智能產(chǎn)業(yè)發(fā)展三年行動計劃（2018-2020年）甚至對人臉識別的具體標(biāo)準(zhǔn)做了規(guī)定：“到2020年，復(fù)雜動態(tài)場景下人臉識別有效檢出率超過97%，正確識別率超過90%”。11.2 人臉識別的流程通常情況下，我們可以將人臉識別技術(shù)原理簡單分為三個步驟：第一步，構(gòu)建出一個包含了大量人臉圖像信息的數(shù)據(jù)庫第二步，通過各種技術(shù)

6、途徑來獲得當(dāng)前要識別的目標(biāo)人臉圖像第三步，將當(dāng)前目標(biāo)人臉圖像與數(shù)據(jù)庫中已有的人臉圖像進(jìn)行對比及篩選11.2 人臉識別的流程整個人臉識別技術(shù)流程按細(xì)節(jié)可分為以下幾個組成部分： 人臉圖像的采集。 人臉圖像的檢測。 人臉圖像的預(yù)處理。 人臉圖像的特征提取。 人臉圖像的匹配與識別。 活體鑒別。11.2.1 人臉圖像的采集人臉識別系統(tǒng)需要做的第一步工作就是針對人臉的圖像進(jìn)行采集。采集人臉圖像通常情況下有兩種途徑，分別是已存人臉圖像的批量導(dǎo)入和人臉圖像的實時采集。已存人臉圖像的批量導(dǎo)入是指將通過各種方式采集好的人臉圖像批量導(dǎo)入到人臉識別系統(tǒng)中，人臉識別系統(tǒng)會自動完成人臉圖像的逐個采集工作。人臉圖像的實時采

7、集是指通過調(diào)用攝像機(jī)或攝像頭等攝像器材將人臉圖像信息采集下來，它包括靜態(tài)圖、動態(tài)圖、人體面部8個主要角度的圖像信息、人體面部不同表情的圖像信息等內(nèi)容，用戶處于攝像器材的拍攝范圍內(nèi)，設(shè)備會自動進(jìn)行面部信息搜索并采集下相應(yīng)的圖像信息。11.2.2 人臉圖像的檢測人臉識別的檢測主要涉及以下兩個方面的內(nèi)容。（1）首先對將要檢測的目標(biāo)圖像進(jìn)行概率統(tǒng)計，然后得到要檢測的目標(biāo)圖像的特征信息，最后建立關(guān)于要檢測的目標(biāo)圖像的具體模型。（2）使用建立的目標(biāo)檢測模型來對輸入的圖像信息進(jìn)行匹配，如果有相應(yīng)的匹配內(nèi)容，則輸出匹配的區(qū)域部分，如果沒有相應(yīng)的匹配內(nèi)容則停止輸出。人臉檢測是人臉識別預(yù)處理過程中的其中一部分，在

8、圖像中準(zhǔn)確地標(biāo)注出目標(biāo)對象的人臉位置和人臉尺寸。人臉圖像中所包含的模式特征異常豐富，結(jié)構(gòu)特征、顏色特征、直方圖特征等特征信息都屬于模式特征的一部分。人臉檢測就是將這些信息過濾出來，并加以應(yīng)用。11.2.3 人臉圖像的預(yù)處理人臉圖像預(yù)處理是指基于前一個階段人臉檢測的結(jié)果，對人臉圖像進(jìn)行進(jìn)一步處理，以便為后續(xù)的人臉特征提取流程提供相應(yīng)的服務(wù)。在現(xiàn)實環(huán)境下采集圖像，由于圖像受到光線明暗不同、臉部表情變化、陰影遮擋等眾多外在因素的干擾，使得系統(tǒng)獲取的人臉圖像會受到各種條件的限制和干擾而產(chǎn)生一定程度的變化，從而導(dǎo)致采集圖像質(zhì)量不理想，因此人臉圖像的預(yù)處理在具體實施過程中，需要對系統(tǒng)采集到的人臉圖像進(jìn)行光

9、線、旋轉(zhuǎn)、切割、過濾、降噪、放大縮小等一系列的復(fù)雜預(yù)處理，從而使得該人臉圖像無論是從光線、角度、距離、大小等任何方面來衡量，均能夠符合下一個處理流程中人臉圖像的特征提取的標(biāo)準(zhǔn)要求。如果圖像預(yù)處理做不好，將會嚴(yán)重影響后續(xù)的人臉特征提取與識別。我們將介紹三種圖像預(yù)處理的方法：灰度調(diào)整、圖像濾波和圖像尺寸歸一化。11.2.4 人臉圖像的特征提取人臉圖像特征提取是指針對人臉上的一些具體特征來提取。目前主流的人臉識別系統(tǒng)所使用的特征通常分為人臉視覺特征和人臉圖像像素統(tǒng)計特征。特征提取的方法一般包括基于知識的人臉圖像特征提取和基于代數(shù)特征的人臉圖像特征提取。以基于知識的人臉圖像特征提取為例。因為人臉主要是

10、由眼睛、額頭、鼻子、耳朵、下巴、嘴巴等部位組成，這些部位以及它們之間的結(jié)構(gòu)關(guān)系都可以用幾何形狀特征來進(jìn)行描述，即每個人的人臉圖像都可以有一個與之相對應(yīng)的幾何形狀特征，它可以幫助我們作為識別人臉的重要差異特征，這也是基于知識的提取方法中的一種。11.2.5 人臉圖像的匹配與識別人臉圖像的匹配與識別是指將提取出來的人臉圖像的特征數(shù)據(jù)信息與數(shù)據(jù)庫中所存在的人臉特征模板進(jìn)行搜索匹配，并計算出不同的相似度數(shù)值，接著再依據(jù)相似度數(shù)值的高低來對用戶的身份信息進(jìn)行精準(zhǔn)判別。在此過程中，我們需要設(shè)定一個閾值，當(dāng)通過搜索匹配計算出來的相似度超過了我們所設(shè)定的這個閾值，那么就輸出匹配的結(jié)果。目前在進(jìn)行人臉圖像匹配的

11、過程中，一般有兩種匹配方式。11.2.5 人臉圖像的匹配與識別第一種方式是將兩張圖像進(jìn)行一對一的匹配比較，通過提取兩張圖像上的人臉特征進(jìn)行相似度對比，最終返回相對應(yīng)的相似度得分，系統(tǒng)再根據(jù)特征匹配程度來決定是“拒絕”還是“接收”。它常用于判斷兩個輸入人臉是否屬于同一個人，從而進(jìn)行身份信息的核實，也就是我們常說的“人臉驗證”，這樣的方式常用在身份識別、信息安全、相似臉查詢和金融等應(yīng)用查詢領(lǐng)域。第二種方式是將多張圖片進(jìn)行一對多的匹配比較，在大規(guī)模的人臉數(shù)據(jù)庫中找出與待檢索人臉相似度最高的一個或者多個人臉，系統(tǒng)通過預(yù)先創(chuàng)建的待查人員的面部特征索引，在數(shù)十萬甚至上百萬張人臉數(shù)據(jù)庫圖片中進(jìn)行迅速查找，找

12、到需要確定的某張圖，甚至于，此方式還可以使用視頻流，目標(biāo)對象進(jìn)入視頻識別范圍后就會自動開始進(jìn)行人臉識別的工作，也就是我們常說的“人臉檢索”，這樣的方式常用在身份確認(rèn)、身份查詢以及安全防護(hù)等應(yīng)用場景中。11.2.6 活體鑒別生物特征識別所面臨的其中一個共同問題就是要真正的生物體和非生物體進(jìn)行活體鑒別。例如指紋識別系統(tǒng)需要鑒別出待識別的指紋信息是來自真人的手指還是指紋手套。人臉識別系統(tǒng)也面臨這樣的問題，它需要鑒別出所采集到的人臉圖像，是來自真實的人臉還是含有人臉的照片，因此，投入實際應(yīng)用的人臉識別系統(tǒng)需要再增加一項活體鑒別的環(huán)節(jié)。例如，系統(tǒng)會要求目標(biāo)對象進(jìn)行左右轉(zhuǎn)頭，眨眼睛，開口說話等動作，以便進(jìn)

13、一步進(jìn)行活體鑒別。11.3 人臉識別種類 人臉檢測 人臉關(guān)鍵點檢測 人臉驗證11.3.1 人臉檢測在實際生活中，人臉檢測主要是進(jìn)行人臉識別的預(yù)處理。首先在圖像中對人臉進(jìn)行檢測并定位出人臉的具體位置和大小，然后返回一個人臉的高精確度框圖坐標(biāo)。人臉檢測是對人臉進(jìn)行分析和處理的第一個階段。早期的人臉檢測方法是通過選擇圖像中的某個矩形區(qū)域作為檢測窗口，在選定的這個檢測窗口中來進(jìn)行一系列特征信息的提取，然后對這個選定的圖像區(qū)域進(jìn)行一些特征描述，最后再以這些特征描述信息為基礎(chǔ)并結(jié)合算法模型來進(jìn)行判斷，判斷所選定的窗口區(qū)域是否是人臉。整個人臉檢測的過程最后就變成了針對所有滑動窗口進(jìn)行遍歷的一個過程。11.3

14、.1 人臉檢測目前主流的人臉檢測方法是使用Adaboost算法。此算法是一種迭代算法，常應(yīng)用于分類領(lǐng)域，其核心思想是針對同一個訓(xùn)練集，訓(xùn)練不同數(shù)量的功能較弱的分類方法，再將這些功能較弱的分類方法進(jìn)行組合，最終形成功能較強的最終分類方法。在人臉檢測的過程中，首先使用Adaboost算法，從訓(xùn)練集中挑選出一部分最能夠代表人臉的矩形框特征（即所謂的弱分類方法），再按照加權(quán)投票的方式，將這些矩形框特征重新構(gòu)建，最終形成一個新的特征（即所謂的強分類方法），將此過程重復(fù)若干次，最終將訓(xùn)練所得到的若干個強分類方法串聯(lián)起來，形成一個能夠有效提高檢測速度的最終分類方法。11.3.2 人臉關(guān)鍵點檢測人臉關(guān)鍵點檢測

15、有時也被稱為人臉關(guān)鍵點定位或人臉對齊。它是指依據(jù)給定的人臉圖像進(jìn)行定位，確定出人臉面部的關(guān)鍵點坐標(biāo)位置并返回相應(yīng)的數(shù)值。人臉面部的關(guān)鍵點包括人臉的五官輪廓、臉輪廓等，因為會受到姿態(tài)、位置及物品遮擋等客觀因素的影響，人臉關(guān)鍵點檢測也是一個有難度的環(huán)節(jié)。目前有些IT公司所研發(fā)的人臉識別技術(shù)已經(jīng)可以提供出高達(dá)100多個關(guān)鍵點的高精度檢測技術(shù)，另外，無論是針對靜態(tài)的圖片信息還是動態(tài)的視頻流信息，所檢測出的關(guān)鍵點均能完美地與人臉五官輪廓進(jìn)行貼合。11.3.2 人臉關(guān)鍵點檢測人臉關(guān)鍵點檢測是人臉識別過程中最重要的環(huán)節(jié)，人臉關(guān)鍵點檢測的精確度對眾多科研領(lǐng)域和應(yīng)用領(lǐng)域都具有舉足輕重的作用?？梢酝ㄟ^它來對姿態(tài)進(jìn)

16、行相應(yīng)識別，對表情進(jìn)行識別，對疲勞狀態(tài)進(jìn)行檢測識別，對嘴型進(jìn)行識別等。因此，獲取高精度的人臉關(guān)鍵點就成了最重要的工作，也是當(dāng)下最熱門的領(lǐng)域，它的技術(shù)突破與否，直接影響到了計算機(jī)視覺、計算機(jī)模式識別、計算機(jī)圖像處理等領(lǐng)域的發(fā)展。人臉關(guān)鍵點檢測所使用的方法分為以下三種方式： 基于ASM和AAM的傳統(tǒng)方式。 基于級聯(lián)形狀回歸的方式。 基于深度學(xué)習(xí)的方式。11.3.2 人臉關(guān)鍵點檢測人臉關(guān)鍵點檢測方法根據(jù)是否需要參數(shù)化模型又可分為基于參數(shù)化形狀模型和基于非參數(shù)化形狀模型的兩類方法。目前使用最廣泛的是基于非參數(shù)化形狀模型的深度學(xué)習(xí)方法。11.3.2 人臉關(guān)鍵點檢測在這些最重要的人臉關(guān)鍵點檢測方法中，按照

17、出現(xiàn)的時間先后順序，依次為：1）ASM（Active Shape ModeL）算法2）AAM（Active Appearance ModeL）算法3）CLM（Constrained LocaL ModeL）算法4）CSR（Cascaded Shape Regression）算法5）CNN（ConvoLutionaL NeuraL Networks）算法ASM算法它最早于1995年被提出，主要是通過形狀模型對物體進(jìn)行抽象，是一種基于點分布模型（Point Distribution ModeL，PDM）的算法。在點分布模型算法中，人的面部、手、心臟、肺部等部位的幾何形狀，可以通過若干個關(guān)鍵點的坐標(biāo)

18、依次串聯(lián)形成一個形狀向量來進(jìn)行表示。ASM算法的基礎(chǔ)理論是：物體圖像的結(jié)構(gòu)能夠被一系列的點來表示出來，這些點可以是表示邊緣的點，也可以是表示內(nèi)部結(jié)構(gòu)的點，甚至于可以是表示外部的點。ASM算法可以用來提取物體的特征點或作為表示物體特征的一種形式。它的優(yōu)點是模型簡單、架構(gòu)清晰，易于使用者進(jìn)行理解和應(yīng)用，并且對輪廓形狀有比較強的約束，適用于表示一些典型的形狀和典型的形狀改變，是一種很成熟的算法。ASM算法它的流程一般為先通過人工標(biāo)定的方法標(biāo)定訓(xùn)練集，經(jīng)過訓(xùn)練獲得形狀模型，再通過特征點的匹配實現(xiàn)特定物體的匹配?？傮w分為訓(xùn)練和搜索兩個階段，在第一個階段的訓(xùn)練過程中，首先構(gòu)建形狀模型，搜集n個訓(xùn)練樣本，再

19、通過手動的方式標(biāo)記臉部特征點，然后將訓(xùn)練集中特征點的坐標(biāo)串成特征向量，并對形狀進(jìn)行歸一化和對齊，將對齊后的形狀特征做PCA處理，最后是為每個特征點構(gòu)建局部特征。它的目的是在每次迭代過程中每個特征點可以尋找到新的位置。為了防止因光照而產(chǎn)生變化，在局部特征的選取上采用梯度特征；在第二個階段的搜索過程中，首先需要計算嘴巴或者嘴巴和眼睛的位置，并做簡單的尺寸變化和旋轉(zhuǎn)變化，將人臉進(jìn)行對齊，然后在對齊后的各個點附近進(jìn)行搜索，對每個局部特征點進(jìn)行匹配操作，得到初步形狀，接著采用平均人臉模型對匹配結(jié)果進(jìn)行修正，不斷對此過程進(jìn)行迭代至最后。AAM主動外觀模型算法它在ASM算法的基礎(chǔ)上，對紋理進(jìn)行進(jìn)一步統(tǒng)計建模

20、，并將形狀和紋理兩個統(tǒng)計模型進(jìn)一步融合為表觀模型。簡單來講，就是利用“外觀信息”對對象進(jìn)行識別，這里面的外觀信息指的是形狀和紋理。AAM識別目標(biāo)的方式與人臉識別中的“分類器”方法類似，即通過之前所建立好的外觀訓(xùn)練模型（一個文件）來對目標(biāo)對象進(jìn)行識別?；贏AM的人臉特征定位方法在建立人臉模型的過程中，不僅需要考慮人臉的局部特征信息，還需要綜合考慮全局形狀和紋理信息，并通過對人臉形狀特征和紋理特征進(jìn)行統(tǒng)計分析，最終構(gòu)建出人臉混合模型。在圖像的匹配過程中，為了能夠快速準(zhǔn)確地進(jìn)行人臉特征點的標(biāo)定，在對被測試人臉對象進(jìn)行特征點定位時采取“匹配比較調(diào)整后再匹配再比較”的過程?；贏AM算法的人臉特征識別

21、在人機(jī)交互、人臉識別、人臉表情分析、人臉三維動畫建模等方面有著比較廣泛的應(yīng)用。11.3.3 人臉驗證人臉驗證是指通過分析對比從而判斷兩張人臉是否屬于同一個人。輸入兩張人臉數(shù)據(jù)，將會得到一個相似度數(shù)值，從而進(jìn)行相似度的評估。11.4 人臉檢測LFW數(shù)據(jù)集數(shù)據(jù)預(yù)處理與檢測11.4.1 LFW數(shù)據(jù)集人臉識別領(lǐng)域最重要的數(shù)據(jù)集合是LFW數(shù)據(jù)庫，它是由美國的馬薩諸塞大學(xué)（University of Massachusetts）阿姆斯特分校（Amherst）計算機(jī)視覺實驗室整理完成的一個數(shù)據(jù)庫。11.4.2 數(shù)據(jù)預(yù)處理與檢測通過dLib進(jìn)行人臉識別網(wǎng)絡(luò)訓(xùn)練后，得到dLib_face_recognition

22、_resnet_modeL_v1.dat。通常大家在LFW人臉數(shù)據(jù)集上對該模型進(jìn)行精度驗證。以下梳理驗證過程。（1）在原始LFW數(shù)據(jù)集中，截取人臉圖像并保存。例如：可以使用開源人臉檢測對齊seetaface將人臉剪切出來，并保存，建議以原圖像名稱加一個后綴來命名人臉圖像（2）通過Python，MatLab，或者C+，構(gòu)建訓(xùn)練時的網(wǎng)絡(luò)結(jié)構(gòu)并加載dLib_face_recognition_ resnet_modeL_v1.dat。 （3）將截取的人臉?biāo)腿刖W(wǎng)絡(luò)，每個人臉都可以得到網(wǎng)絡(luò)前向運算的最終結(jié)果，一般為一個N維向量，并保存，建議以原圖像名稱加一個后綴命名。11.4.2 數(shù)據(jù)預(yù)處理與檢測（4）L

23、FW提供了6000對人臉驗證txt文件，Lfw_pairs.txt，其中第1個3000對是同一個人的兩幅人臉圖像；第2個3000對是兩個不同人的人臉圖像。按照該List，在（3）保存的數(shù)據(jù)中，找到對比人臉對應(yīng)的N維特征向量。（5）通過余弦距離/歐式距離計算兩張人臉的相似度。同臉和異臉分別保存到各自對應(yīng)的得分向量中。 （6）同臉得分向量按照從小到大排序，異臉得分向量按照從大到小排序。 （7）FAR（錯誤接受率）從01，按照萬分之一的單位，利用排序后的向量，求FRR（錯誤拒絕率）或者TPR（True Positive Ratio）。（8）根據(jù)（7）可繪制ROC曲線。11.4.2 數(shù)據(jù)預(yù)處理與檢測對

24、于閾值的確定，有如下步驟：（1）將測試人臉對分為10組，用來確定閾值并驗證精度。（2）自己擬定一個人臉識別相似度閾值范圍，在這個范圍內(nèi)逐個確認(rèn)在某一閾值下，選取其中1組數(shù)據(jù)統(tǒng)計同臉判斷錯誤和異臉判定錯誤的個數(shù)。（3）選擇錯誤個數(shù)最少的那個閾值，用剩余9組，判斷識別精度。 （4）步驟（2）和（3）執(zhí)行10次，將每次（3）獲取的精度進(jìn)行累加并求平均，得到最終判定精度。閾值的確定也可以用下述方式替換，即自己擬定一個人臉識別相似度閾值范圍，在這個范圍內(nèi)逐個確認(rèn)在某一閾值下，針對所有人臉對統(tǒng)計同臉判斷錯誤和異臉判定錯誤的個數(shù)，從而計算得出判定精度。11.5 性別和年齡識別性別識別是利用計算機(jī)視覺來辨別和

25、分析圖像中的人臉性別屬性。多年來，人臉性別分類在人類身份認(rèn)證、人機(jī)接口、視頻檢索以及機(jī)器人視覺中的潛在應(yīng)用而備受關(guān)注。性別分類是一個復(fù)雜的大規(guī)模二次模式分類問題，分類器將數(shù)據(jù)錄入并劃分男性和女性。目前最主要的性別識別方法有：基于特征臉的性別識別算法、基于Fisher準(zhǔn)則的性別識別方法和基于Adaboost+SVM的人臉性別分類算法三大類?；谔卣髂樀男詣e識別算法主要是使用PCA（主成分分析）。在計算過程中通過消除數(shù)據(jù)中的相關(guān)性，將高維圖像降低到低維空間，而訓(xùn)練集中的樣本則被映射成低維空間中的一點。當(dāng)需要判斷測試圖片的性別時，就需要先將測試圖片映射到低維空間中，然后計算離測試圖片最近的樣本點是哪

26、一個，將最近樣本點的性別賦值給測試圖片即可?；贔isher準(zhǔn)則的性別識別方法主要利用LDA（線性投影分析）的思想。它是通過將樣本空間中的男女樣本投影到過原點的一條直線上，并確保樣本在該線上的投影類內(nèi)距離最小，類間距離最大，從而分離出識別男女的分界線。11.5 性別和年齡識別基于Adaboost+SVM的人臉性別分類算法主要分為兩個階段，如圖所示。（1）訓(xùn)練階段：通過對樣本圖像進(jìn)行預(yù)處理，提取圖像的Gabor小波特征，通過Adaboost分類器進(jìn)行特征降維，最后對SVM分類器進(jìn)行訓(xùn)練。（2）測試階段：通過對樣本圖像進(jìn)行預(yù)處理，提取圖像的Gabor小波特征，通過Adaboost分類器進(jìn)行特征降維

27、，最后用訓(xùn)練好的SVM分類器進(jìn)行識別，輸出識別結(jié)果。11.5 性別和年齡識別年齡估計定義并不明確，它既可以是分類問題，亦可是回歸問題。如果將年齡分成幾類，比如：少年、青年、中年和老年時，年齡估計就是分類問題；如果精確估計具體年齡時，年齡估計就是回歸問題。年齡估計是一個比性別識別更為復(fù)雜的問題。原因在于：人的年齡特征在外表上很難準(zhǔn)確地被觀察出來，即使是人眼也很難準(zhǔn)確地判斷出一個人的年齡。再看人臉的年齡特征，它通常表現(xiàn)在皮膚紋理、皮膚顏色、光亮程度和皺紋紋理等方面，而這些因素通常與個人的遺傳基因、生活習(xí)慣、性別、性格特征和工作環(huán)境等方面相關(guān)。所以說，我們很難用一個統(tǒng)一的模型去定義人臉圖像的年齡。若

28、想要較好地估出人的年齡層，則需要通過大量樣本的學(xué)習(xí)，比如說年齡估計開始。11.5 性別和年齡識別基于人臉圖像進(jìn)行年齡估計的效果11.5 性別和年齡識別年齡估計大致分為預(yù)估和詳細(xì)評估兩個階段：（1）預(yù)估階段：提取出照片中人臉的肌膚紋理特征，對年齡范圍做一個大致的評估，得出一個特定的年齡段。（2）詳細(xì)評估階段：通過支持向量機(jī)的方法，建立了對應(yīng)于多個年齡段的多個模型分類器，并選擇合適的模型進(jìn)行匹配。這其中，以一項融合LBP和HOG特征的人臉年齡估計算法最為人們所熟知。11.5 性別和年齡識別該算法提取與年齡變化關(guān)系緊密的人臉的局部統(tǒng)計特征LBP（局部二值化模式）特征和HOG（梯度直方圖）特征，如圖所示，并用CCA（典型相關(guān)分析）的方法融合，最后通過SVR（支持向量機(jī)回歸）的方法對人臉庫進(jìn)行訓(xùn)練和測試。11.5.1 數(shù)據(jù)預(yù)處理所用的網(wǎng)絡(luò)包含：3個卷積層，還有2個全連接層如圖11-10所示。這個算是層數(shù)比較少的CNN網(wǎng)絡(luò)模型了，這樣可以避免過擬合。對于年齡的識別，分為8個年齡段，相當(dāng)于8分