人脸检测及人脸年龄与性别识别方法

摘要

随着媒体和社交网络的发展，人脸年龄与性别识别在现实生活中的应用越来越多，吸引了广泛的研究兴趣。由于人脸图像的生物特征识别是非接触的，比较简单快速，还具有一定的娱乐性，在社交网络、视频监控、人机交互等领域具有广阔的应用前景。
　　本文主要研究了人脸检测方法，以及人脸年龄与性别识别方法，并分别提出两种解决方案，以适应不同的应用场景。第一种方案，使用Faster R-CNN算法进行人脸检测，提取人脸的CNN特征进行训练和测试。第二种方案，使用基于比例特征和Adaboost算法进行人脸检测，提取图像的LBP特征作为人脸特征。上述两种方案提取特征之后，均使用随机森林进行训练和测试，具体内容如下:
　　(1)第一种方案，由于Faster R-CNN算法在各个目标检测数据集上取得惊人的成绩，因此本文在WIDER大规模人脸数据集上，训练一个Faster R-CNN模型进行人脸检测，并在FDDB数据库上对该模型进行评估，结果表明该算法有较高的人脸检测率。为了提高在非限制性环境下对人脸年龄与性别的识别准确率，本文提出一种基于深度卷积神经网络的人脸特征提取方法，使用“一般到特殊”的微调方案。首先采用在大规模数据集上进行人脸识别预训练得到的VGG-Face模型;接着使用该模型在CelebA人脸属性数据集上，对选取的5个特定的属性进行微调训练，得到人脸属性模型，这几个属性分别是:①是否留胡子，②是否年轻，③是否戴眼镜，④性别是否为男，⑤是否戴帽子。将所有全连接层的输出值连接起来，构成一个向量，作为人脸特征;最后使用随机森林分类器，在Adience数据集上训练和测试。实验结果表明，该方法的分类准确率较高，提取的人脸CNN特征具有鲁棒性。
　　(2)第二种方案，提出基于比例特征和Adaboost的人脸检测算法，然后提取图像LBP直方图作为人脸特征向量。具体的，本文提出的比例特征，描述的是图像中任意两个点的比例关系，它具有尺度不变性，有界性等特点。本文使用深度二次树去学习比例特征及其组合的最优子集，使得人脸不同部位可以通过学习的规则被分割，再使用一个soft-cascade级联结构的分类器对滑动窗口进行分类，检测人脸位置。接着，本文使用图像分块的方法，分别提取各级人脸图像的LBP直方图特征，并使用随机森林算法进行训练和测试。该方法的实验结果跟上述基于人脸CNN特征的分类方法相比，准确率要低一些。

目录

声明

摘要

第1章 绪论

1．1 研究背景和意义

1．2 研究现状

1．2．1 人脸检测研究现状

1．2．2 人脸年龄估计研究现状

1．2．3 人脸性别识别研究现状

1．3 人脸图像库

1．4 论文主要研究内容及创新点

1．5 论文章节安排

第2章 卷积神经网络的理论基础

2．1 神经网络理论基础

2．1．1 前馈神经网络结构

2．1．2 梯度下降算法

2．1．3 误差反向传播算法

2．2 卷积神经网络的结构组成

2．2．1 卷积层(Convolutional Layer)

2．2．2 池化层(Pooling Layer)

2．2．3 全连接层(Fully Connected Layer)

2．2．4 Softmax分类层

2．2．5 激活函数层

2．3 本章小结

第3章 基于Faster R-CNN的人脸检测方法

3．1．2 空间金字塔池化网络(Spatial Pyramid Pooling Net，SPP-net)

3．1．3 Fast RCNN网络结构

3．2 Faster R-CNN网络

3．3 非极大值抑制

3．4 实验与分析

3．5 本章小结

第4章 基于比例特征和Adaboost的人脸检测方法

4．1 比例特征

4．2 深度二次树

4．3 Gentle Adaboost算法

4．4 人脸检测器实现

4．5 实验与分析

4．6 本章小结

第5章 人脸特征提取方法与分类器介绍

5．1 基于卷积神经网络的人脸特征提取

5．2 LBP特征提取

5．2．1 基本LBP算子

5．2．2 多尺度LBP

5．2．3 旋转不变LBP

5．2．4 均匀模式LBP

5．2．5 LBP直方图特征提取

5．3 随机森林分类器

5．3．1 决策树理论

5．3．2 构造随机森林分类器

5．4 本章小结

第6章 人脸年龄与性别分类实验

6．1 实验数据

6．2 实验与分析

6．2．1 年龄分类实验

6．2．2 性别分类实验

6．2．3 与其它方法比较

6．3 本章小结

7．1 工作总结

7．2 工作展望

参考文献

致谢

在读期间发表的学术论文与取得的研究成果