基于人脸图像的二阶段性别分类算法

杨晨旭，蔡克参，张红云，苗夺谦

同济大学 计算机科学与技术系，上海201804

人脸是人类个体身份最重要的生物特征之一，包括了性别、年龄、种族、表情等重要特征。其中，人脸图像的性别识别在各种基于计算机视觉的应用中起着重要的作用，例如人机交互、监控安全、网络社交。人脸性别分类就是对于输入图像进行识别，其目标是通过人脸图像特征判断出性别。

最早的性别分类方法是基于简单的神经网络方法，神经网络分为基于人脸图像的像素值的分类和基于人脸几何特征的分类。前者通过神经网络自动获取面部特征，将人脸图像进行训练和测试，神经网络的输出就是分类的概率值。后者通过手工精心设计特征，然后再输入到神经网络。

后来，性别分类方法往往和特征提取算法相结合。常见的人脸图像特征包括哈尔特征（Haar-like features，Haar）[1]、局部二值模式（local binary pattern，LBP）[2]、尺度不变特征变换（scale-invariant feature transform，SIFT）[3]、韦伯局部描述特征（Weber local descriptor，WLD）[4]等，然后将人脸特征向量输入到传统的分类器或神经网络中进行性别研究。传统的分类器主要有贝叶斯分类器[5]、支持向量机（support vector machine，SVM）[6-7]、K最近邻（K-nearest neighbor，KNN）[8]、逻辑回归（logistic regression，LR）[9]等。但是它们无法处理大规模的图像数据，需要足够大的存储空间和运行时间。随着大数据时代的来临，神经网络模型解决了这个问题，它适用于处理大规模的图像数据，有着高效的分类效率。然而，它也存在模型可解释性差、易丢失细节信息等问题，并且由于光照、姿势、表情等因素的影响，大量的图像数据中往往存在一些不确定的脸部图像，导致人脸性别难以分辨，分类准确率低。……