人臉檢測及人臉年齡與性別識別方法.pdf

1、隨著媒體和社交網(wǎng)絡的發(fā)展，人臉年齡與性別識別在現(xiàn)實生活中的應用越來越多，吸引了廣泛的研究興趣。由于人臉圖像的生物特征識別是非接觸的，比較簡單快速，還具有一定的娛樂性，在社交網(wǎng)絡、視頻監(jiān)控、人機交互等領域具有廣闊的應用前景。
　　本文主要研究了人臉檢測方法，以及人臉年齡與性別識別方法，并分別提出兩種解決方案，以適應不同的應用場景。第一種方案，使用Faster R-CNN算法進行人臉檢測，提取人臉的CNN特征進行訓練和測試。第二種方案

2、，使用基于比例特征和Adaboost算法進行人臉檢測，提取圖像的LBP特征作為人臉特征。上述兩種方案提取特征之后，均使用隨機森林進行訓練和測試，具體內容如下:
　　(1)第一種方案，由于Faster R-CNN算法在各個目標檢測數(shù)據(jù)集上取得驚人的成績，因此本文在WIDER大規(guī)模人臉數(shù)據(jù)集上，訓練一個Faster R-CNN模型進行人臉檢測，并在FDDB數(shù)據(jù)庫上對該模型進行評估，結果表明該算法有較高的人臉檢測率。為了提高在非限制性環(huán)

3、境下對人臉年齡與性別的識別準確率，本文提出一種基于深度卷積神經(jīng)網(wǎng)絡的人臉特征提取方法，使用“一般到特殊”的微調方案。首先采用在大規(guī)模數(shù)據(jù)集上進行人臉識別預訓練得到的VGG-Face模型;接著使用該模型在CelebA人臉屬性數(shù)據(jù)集上，對選取的5個特定的屬性進行微調訓練，得到人臉屬性模型，這幾個屬性分別是:①是否留胡子，②是否年輕，③是否戴眼鏡，④性別是否為男，⑤是否戴帽子。將所有全連接層的輸出值連接起來，構成一個向量，作為人臉特征;最后使

4、用隨機森林分類器，在Adience數(shù)據(jù)集上訓練和測試。實驗結果表明，該方法的分類準確率較高，提取的人臉CNN特征具有魯棒性。
　　(2)第二種方案，提出基于比例特征和Adaboost的人臉檢測算法，然后提取圖像LBP直方圖作為人臉特征向量。具體的，本文提出的比例特征，描述的是圖像中任意兩個點的比例關系，它具有尺度不變性，有界性等特點。本文使用深度二次樹去學習比例特征及其組合的最優(yōu)子集，使得人臉不同部位可以通過學習的規(guī)則被分割，再使