一种基于多特征深度学习的人脸性别识别方法

摘要

人脸性别识别是传统模式识别领域里的最富挑战性的难题之一,在本文中,提出了一种联合学习人脸的高层特征和低层特征的深层网络模型来解决这一难题.本文中的深层网络利用卷积层和下采样层交替处理输入的入脸图像以提取人脸的高层特征,这样提取到的特征具有抽象性,能够很好地表示人脸的局部关联性.同时,网络会同步地利用扁平化处理单元和重建层重建输入的人脸图像,以捕获人脸的低层特征.低层特征具有全局性,且包含有对性别分类有效的信息,可很好地作为高层特征的补充.网络联合两类特征形成一种多特征的结构,同时在低层特征中加入了一个可训练的权重进行调节,然后利用这种通过深层网络学习到的分层次、全方位的人脸特征进行最终的性别判决.实验结果表明,当在混合人脸数据集上测试时,我们的方法取得了超过传统人脸性别识别方法的最高准确率.进一步地,在另外三个公共人脸数据集上进行的泛化能力测试中,我们的方法在三个公共人脸数据集上的平均准确率与局部二值模式特征(LBP)结合支持向量机分类器算法(SVM)的这种传统方法相比,提高了5个百分点;与人脸像素特征结合支持向量机分类器算法这种传统方法相比,提高了近1个百分点.这证明我们的方法在学习能力和泛化能力上都有着超过传统人脸性别识别方法的优秀性能.