基于PCA与LBP的人脸性别分类方法

(南昌大学 信息工程学院,江西 南昌 330031)

摘要:主成分分析方法(PCA)和局部二元模式算子(LBP)相融合的特征提取方法结合了PCA在提取全局特征方面的优势和LBP在提取局部纹理细节方面的优势,能够从人脸图像中提取出较好的用于支持向量机(SVM)进行人脸性别识别分类的特征。在提取图像的LBP特征时,对传统的LBP方法做了改进,采用级联的方法提取图像的LBP直方图特征。并将提取出来的LBP特征与PCA特征相结合用于SVM,实验结果表明,LBP和PCA相融合的特征较单独的PCA特征和LBP特征在性别识别上具有明显的优势。

关键词:纹理;性别分类;主成分分析;局部二元模式;支持向量机

中图分类号:TP391文献标识码:A文章编号:1009-3044(2009)28-8023-03

Gender Classification Based on PCA and LBP

LI Kun-lun, WANG Ming-yan

(Department of Computer, Nanchang University, Nanchang 330031, China)

Abstract: The method which combined the characteristic of principal components analysis (PCA) with local binary pattern (LBP)'s combines the advantage in global features of PCA with the advantage in Details of local texture of LBP and could extract better characteristics from face image for support vector machine (SVM) to gender classification.Using Cascade method rather than traditional LBP method to extract LBP histogram characteristics of images and combine the features of LBP and PCA from extraction for SVM. The experimental results show that the characteristics combined PCA with LBP has obvious advantages than the PCA and LBP separately in Gender identification.

Key words: texture; gender classification; principal components analysis; local binary pattern;support vector machine

人脸识别技术是模式识别和计算机视觉领域最富挑战性的研究课题之一,也是近年来的研究热点,人脸性别识别作为人脸识别技术的重要组成部分也受到了广泛地关注。从20世纪90年代初期开始,国外一些学者就开始了人脸性别识别问题的研究,其中以神经网络、支持向量机和Adaboost 方法最具代表性。1991年,Gollomb等人[1]训练了一个全联结的两层神经元网络,用来识别30x30的人脸样本的性别,在90张图像上的正确识别率为91.9%。1995年,Brunelli等人[2]设计了HyperBF网络,提取人脸的16个几何特征并利用不同性别人脸的差异进行判别,在168张图片的实验中获取79%的正确识别率。1998年,Gutta等人[3]应用径向基神经网络和判定树的混合系统来进行性别分类,在FERET人脸库的3000张图片上,分类正确率达到96%。2002年,Moghaddam和Yang [4]在FERET人脸库上比较了各种不同的性别分类方法,指出支持向量机比其他的分类器(如:最近邻分类器,线性分类器等)有更好的识别性能。2005年,Lian和Lu[5]使用Gabor小波方法提取特征,用支持向量机进行性别分类,在2055张人脸图片上,正确识别率达到91.53%。2006年,他们又针对多角度的性别识别问题,使用局部二元模式算子对人脸图像进行特征提取[6],使用支持向量机分类器,在CAS-PEAL人脸库上取得了96.75%的正确识别率。从现有的人脸性别识别方法上来看,在提取人脸特征的时候多用的是主成分分析、独立成分分析、小波分析、局部二元模式算子等。鉴于各种方法都有不同的适应环境和各自的优缺点,只使用一种特征提取方法很难同时获得好的鲁棒性和高的精确度,本文提出一种主成分分析和局部二元模式算子相融合的特征提取方法,该方法结合了主成分分析在提取全局特征方面的优势和局部二元模式算子在局部纹理细节方面的优势,能够从人脸图像中提取出较好地用于人脸性别识别分类的特征。在分类器选择上,选用了性能和泛化能力较强的支持向量机。

1 主成分分析的特征提取方法

主成分分析是一种常用的特征提取方法。它根据图像的统计特性进行正交变换,其目的是在数据空间中找到一组向量以尽可能地解释数据的方差,从而用降维后的低维向量保存原数据中的主要信息。采用如下步骤提取图像的PCA特征: