基于最小最大模塊化分類器和人臉圖像的性別分類研究.pdf

1、生物特征作為人類個體的內(nèi)在屬性，具有很強的個體獨立性和區(qū)別差異性。因此，如何有效地將個人的生物特征應(yīng)用于計算機智能信息處理應(yīng)用領(lǐng)域吸引了廣大研究學(xué)者們的濃厚興趣，從而能夠使得計算機能夠更好地具備類似于人類的感知識別能力?，F(xiàn)階段，應(yīng)用于機器識別的人類生物特征識別主要包括人臉識別、指紋識別、虹膜識別和掌紋識別等，并廣泛應(yīng)用于安全驗證系統(tǒng)，視頻會議，人機交互系統(tǒng)等。近年來，基于人臉圖像的生物特征識別研究取得了巨大的發(fā)展，而性別分類作為人臉識別

2、的一個研究子集，不僅能夠應(yīng)用在商業(yè)統(tǒng)計系統(tǒng)，智能機器人研究等領(lǐng)域，同時又是驗證機器學(xué)習(xí)大規(guī)模分類器性能的一個很好的代表性問題，具有極高的研究價值。與人臉識別類似，性別分類主要分為圖像預(yù)處理，生物特征提取和模式識別等三個部分。本文主要對于應(yīng)用在性別分類的特征提取和分類識別技術(shù)進行了系統(tǒng)、詳細的研究，并重點分析了在性別分類問題上使用最小最大化模塊分類器的分類性能。 在人臉圖像的預(yù)處理階段，本文主要采取了幾何變換，直方圖均衡和關(guān)鍵區(qū)域

3、增強等方法。這些工作有效地對人臉圖像進行了歸一化工作，改善了圖像質(zhì)量，降低了計算復(fù)雜度，從而有利于提高后續(xù)算法的實施精度和收斂速度。 在性別特征提取階段，文中詳細討論了人臉圖像全局特征和局部特征的提取方法，例如基于圖像灰度的全局特征提取方法，基于小波濾波器變換的特征提取方法和基于局部二值模式的特征提取方法等，并提出了一種基于尺度不變性的特征變換提取方法。其中重點介紹了本論文中所使用的基于尺度不變的局部特征變換方法，并在實驗中將其

4、與不同的方法進行了性能對比。 在性別分類階段，本文著重于研究基于最小最大模塊化分類器在人臉性別識別階段的性能。最小最大模塊化分類器主要由兩部分組成：對識別問題進行有效地分解和組合通過分解得到的多個子問題的分類結(jié)果。 利用最小最大化模型，我們可以實現(xiàn)對不同分類器的性能提高。在本文中，我們主要介紹了最小最大模塊化支持向量機的原理并詳細分析了其任務(wù)分解方法和模塊集成規(guī)則，包括隨機分解，超平面分解，等分聚類分解和基于先驗知識的分

5、解等，并提出一種新的基于訓(xùn)練樣本譜聚類的任務(wù)分解策略，從而能夠?qū)崿F(xiàn)近似地根據(jù)大規(guī)模訓(xùn)練樣本的分布來自動劃分子問題并提高各個子模塊的分類精度，保證分類的有效性和穩(wěn)定性。 最后，我們在CAS-PEAL人臉數(shù)據(jù)庫上進行了性別分類的仿真實驗，比較了不同的特征提取方法在人臉性別特征上的表征能力，以及最小最大模塊化支持向最機和傳統(tǒng)的支持向量機的分類能力。同時還將本文中提出的新的基于譜聚類的任務(wù)分解方法應(yīng)用于最小最大模塊化支持向量機中，通過實