基于最小最大模塊化分類(lèi)器和人臉圖像的性別分類(lèi)研究.pdf

1、生物特征作為人類(lèi)個(gè)體的內(nèi)在屬性，具有很強(qiáng)的個(gè)體獨(dú)立性和區(qū)別差異性。因此，如何有效地將個(gè)人的生物特征應(yīng)用于計(jì)算機(jī)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(jì)算機(jī)能夠更好地具備類(lèi)似于人類(lèi)的感知識(shí)別能力?，F(xiàn)階段，應(yīng)用于機(jī)器識(shí)別的人類(lèi)生物特征識(shí)別主要包括人臉識(shí)別、指紋識(shí)別、虹膜識(shí)別和掌紋識(shí)別等，并廣泛應(yīng)用于安全驗(yàn)證系統(tǒng)，視頻會(huì)議，人機(jī)交互系統(tǒng)等。近年來(lái)，基于人臉圖像的生物特征識(shí)別研究取得了巨大的發(fā)展，而性別分類(lèi)作為人臉識(shí)別

2、的一個(gè)研究子集，不僅能夠應(yīng)用在商業(yè)統(tǒng)計(jì)系統(tǒng)，智能機(jī)器人研究等領(lǐng)域，同時(shí)又是驗(yàn)證機(jī)器學(xué)習(xí)大規(guī)模分類(lèi)器性能的一個(gè)很好的代表性問(wèn)題，具有極高的研究?jī)r(jià)值。與人臉識(shí)別類(lèi)似，性別分類(lèi)主要分為圖像預(yù)處理，生物特征提取和模式識(shí)別等三個(gè)部分。本文主要對(duì)于應(yīng)用在性別分類(lèi)的特征提取和分類(lèi)識(shí)別技術(shù)進(jìn)行了系統(tǒng)、詳細(xì)的研究，并重點(diǎn)分析了在性別分類(lèi)問(wèn)題上使用最小最大化模塊分類(lèi)器的分類(lèi)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(qiáng)等方法。這些工作有效地對(duì)人臉圖像進(jìn)行了歸一化工作，改善了圖像質(zhì)量，降低了計(jì)算復(fù)雜度，從而有利于提高后續(xù)算法的實(shí)施精度和收斂速度。 在性別特征提取階段，文中詳細(xì)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(diǎn)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(shí)驗(yàn)中將其

4、與不同的方法進(jìn)行了性能對(duì)比。 在性別分類(lèi)階段，本文著重于研究基于最小最大模塊化分類(lèi)器在人臉性別識(shí)別階段的性能。最小最大模塊化分類(lèi)器主要由兩部分組成：對(duì)識(shí)別問(wèn)題進(jìn)行有效地分解和組合通過(guò)分解得到的多個(gè)子問(wèn)題的分類(lèi)結(jié)果。 利用最小最大化模型，我們可以實(shí)現(xiàn)對(duì)不同分類(lèi)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(jī)的原理并詳細(xì)分析了其任務(wù)分解方法和模塊集成規(guī)則，包括隨機(jī)分解，超平面分解，等分聚類(lèi)分解和基于先驗(yàn)知識(shí)的分

5、解等，并提出一種新的基于訓(xùn)練樣本譜聚類(lèi)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(lái)自動(dòng)劃分子問(wèn)題并提高各個(gè)子模塊的分類(lèi)精度，保證分類(lèi)的有效性和穩(wěn)定性。 最后，我們?cè)贑AS-PEAL人臉數(shù)據(jù)庫(kù)上進(jìn)行了性別分類(lèi)的仿真實(shí)驗(yàn)，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(jī)和傳統(tǒng)的支持向量機(jī)的分類(lèi)能力。同時(shí)還將本文中提出的新的基于譜聚類(lèi)的任務(wù)分解方法應(yīng)用于最小最大模塊化支持向量機(jī)中，通過(guò)實(shí)