[发明专利]一种针对人脸图像的性别特征选择方法及装置

权利要求书

1.一种针对人脸图像的性别特征选择方法，其特征在于，包括：

步骤B：对裁剪对齐的人脸图像进行主成分分析转换，将人脸图像中图像像素信息转换为主成分特征集；

步骤C：将所述主成分特征集通过遗传算法及分类器获取特征子集。

2.根据权利要求1所述的方法，其特征在于，所述方法在步骤B之前还包括：

步骤A：对人脸图像进行预处理，获取裁剪对齐后的人脸图像。

3.根据权利要求2所述的方法，其特征在于，所述步骤A包括：

使用Matlab所提供的Viola Jones算法工具包vision.CascadeObjectDetector对人脸图像进行裁剪对齐处理；

对裁剪对齐处理后的人脸图像进行缩小，缩小至n*n像素，n为整数。

4.根据权利要求1所述的方法，其特征在于，所述步骤B包括：使用主成分分析法PCA将裁剪对齐的人脸图像中图像灰度值信息转换为PCA特征向量，由所述特征向量形成所述主成分特征集。

5.根据权利要求4所述的方法，其特征在于，所述步骤B包括：

步骤B1：加载FERET数据训练集中已预处理的X1个样本I(p)，得到X1*N向量集I_j(p),j∈[1,X1]&p∈[1,N]，其中X1＝4/5*X，X为总样本数，N＝n*n，n为人脸图像的像素；

步骤B2：计算平均脸M(p):

步骤B3：计算差值脸Dj(p):

D_j(p)＝I_j(p)-M(p)；

步骤B4：计算协方差矩阵C(N*N):

C＝D_j(p)^T*D_j(p)；

步骤B5：求出协方差矩阵C的特征向量EV；

步骤B6：加载FERET数据集所有样本，得到X*N向量集S_k(p),k∈[1,X]&p∈[1,N]

步骤B7：使用步骤B2所得平均脸M(p)，计算出所有样本的差值脸Sd:

Sd_k(p)＝S_k(p)-M(p)；

步骤B8：将差值脸投影到特征向量上，得到样本新特征矩阵Eigen-Projects(X*N):

EP＝Sd_k(p)*EV。

6.根据权利要求5所述的方法，其特征在于，所述步骤C包括：

将所述主成分特征集通过遗传算法筛选出一组能提高分类性能的人脸性别特征，并在该组人脸性别特征的基础上训练出神经网络分类器。

7.根据权利要求6所述的方法，其特征在于，所述步骤C包括：

步骤C1：配置GA选择器；

步骤C2：以随机值0或1初始化种群个体基因序列G(i)，每一个体共N个基因，值为1表示被选择的特征基因:

G(i)∈{0,1},i∈[1,N]；

步骤C3：从X个样本中随机抽取4/5，即X1个样本构成SVM训练集，并以特征基因对应的Eigen-Features训练SVM分类器:

Eigen-Features＝Eigen-Projects(G(i)),G(i)＝1；

步骤C4：使用SVM分类器预测剩余1/5，即X2＝1/5*X个样本的性别，并与样本实际性别比对，获得识别率AR；

步骤C5：计算拟合值F:

F＝α*(1.0-AR)+β*(FG/SG)；

其中FG是选择的特征基因数，SG是样本基因总数，α、β表示权重系数；

步骤C6：根据拟合值F对种群执行选择、变异和交叉运算，并更新下一代种群；

步骤C7：若达到迭代次数要求，则结束；否则，返回步骤C3进行下一次迭代。

8.根据权利要求7所述的方法，其特征在于，所述α取0.9，β取0.1。