性別分類與分類器信用值研究.pdf

1、自動性別分類是計(jì)算機(jī)視覺研究的一個(gè)重要課題，它在視頻監(jiān)控，機(jī)器人視覺，智能人機(jī)對話以及自動人口數(shù)據(jù)收集等領(lǐng)域有著廣泛的應(yīng)用。本文的研究重點(diǎn)是基于人臉圖像特征的性別分類及其分類器的信用值問題研究。主要貢獻(xiàn)有以下幾個(gè)方面:
　　1)提出了多分辨率局部Gabor二值模式(MLGBP)特征提取方法，其基本思想是結(jié)合帶有高斯金字塔的多分辨率分析、Gabor濾波器和局部二值模式(LBP)。MLGBP特征提取方法的創(chuàng)新在于:(a)利用帶有高斯金

2、字塔的多分辨率分析引入一系列大小不同的圖像來全面描述人臉的精細(xì)與粗糙局部微觀模式及空間信息;(b)提供兩種劃分不同大小Gabor圖像的方式，一種方式是將來自所有多分辨率圖片的Gabor圖像均等地劃分成互不交疊的區(qū)域，另一種方式是將每個(gè)Gabor圖像根據(jù)其大小按比例劃分成互不交疊的區(qū)域。為了減少原始MLGBP特征的維數(shù)，我們提出了兩種方法用于映射分塊區(qū)域的MLGBP特征，一種是線性判別分析(LDA)從而產(chǎn)生MLGBP-LDA，另一種是映射

3、區(qū)域特征到類的中心連接線上(CCL)而得到MLGBP-CCL。實(shí)驗(yàn)結(jié)果顯示，在絕大多數(shù)情況下，MLGBP-CCL優(yōu)于已有的六種特征算法。
　　2)提出了融合頭發(fā)和人臉特征信息的性別分類方法。首先，我們利用圖像二值化、邊緣識別、輪廓提取及小波變換等獲取一個(gè)幾何頭發(fā)模型，該模型包含的特征屬性有頭發(fā)長度、頭發(fā)面積、頭發(fā)顏色、頭發(fā)紋理及分角位置。其次，利用局部二值模式特征算法用于提取標(biāo)準(zhǔn)化和預(yù)處理后的人臉圖像的特征。為了整合不同的特征，我

4、們提出了基于支持向量機(jī)的模糊積分融合算法。相比使用單一特征，在AR、CAS-PEAL、FERET數(shù)據(jù)庫上的實(shí)驗(yàn)結(jié)果顯示模糊積分融合算法能改進(jìn)分類精度。
　　3)探索了如何將人的先驗(yàn)知識合并到機(jī)器學(xué)習(xí)中，提出了一種帶有信用值的支持向量機(jī)(SVMC)。SVMC方法的創(chuàng)新有以下兩點(diǎn):(a)得出了SVMC的二次規(guī)劃問題，并從理論上分析了在特定情形下SVMC是否能改進(jìn)分類性能;(b)在性別分類問題上將SVMC與傳統(tǒng)的SVM比較。實(shí)驗(yàn)結(jié)果表明

5、，當(dāng)為所有的訓(xùn)練樣本標(biāo)記適當(dāng)?shù)男庞弥禃r(shí)，SVMC能顯著地改進(jìn)分類精度。
　　4)提出了一種帶有自動估計(jì)信用值的支持向量機(jī)（SVMAC），并將其應(yīng)用于模式分類。該工作對學(xué)習(xí)機(jī)器的貢獻(xiàn)在于以下兩點(diǎn):(a)開發(fā)了一種自動計(jì)算每個(gè)訓(xùn)練樣本信用值的算法，從而在訓(xùn)練支持向量機(jī)過程中考慮引入所有訓(xùn)練樣本的信用值標(biāo)簽;(b)嵌入每個(gè)訓(xùn)練樣本的估計(jì)信用值到學(xué)習(xí)中，并得出了相應(yīng)的二次規(guī)劃問題。為了表明該方法的有效性，我們在標(biāo)準(zhǔn)模式分類問題和實(shí)際的性別

6、分類問題上做了一系列實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果顯示SVMAC的泛化性能要優(yōu)于傳統(tǒng)的SVM。
　　5)將SVMAC分類器嵌入到最小最大模塊化網(wǎng)絡(luò)，提出了帶有自動信用值的最小最大模塊化支持向量機(jī)（M3-SVMAC），并應(yīng)用于性別分類。在M3-SVMAC中，我們一方面利用M3網(wǎng)絡(luò)具有的解決大規(guī)模樣本訓(xùn)練和不平衡問題及并行計(jì)算等優(yōu)點(diǎn);另一方面借助了SVMAC相比于傳統(tǒng)SVM所具有更好的分類性能?；谌四槇D像的性別分類實(shí)驗(yàn)結(jié)果表明，M3-SVMAC相比