基于平均脸预学习的性别检测方法
【专利摘要】本发明基于平均脸预学习的性别检测方法，包括学习步骤和检测步骤：学习步骤：A、对人脸图像数据库进行分类，计算各类人脸图像的平均脸；B、将所述各平均脸数据配置为卷积神经网络的输出层、各平均脸所属类别下的人脸数据集中的人脸各位置配置为卷积神经网络的输入层，对卷积神经网络进行预学习；C、用性别分类层替换卷积神经网络的输出层，并对所述卷积神经网络和所述性别分类层进行最终学习；检测步骤：将待检人员的人脸图像输入学习后的卷积神经网络，由性别分类层输出性别。本发明避开一些比较差的次最优解，有效解决深度神经网路无法通过经典的学习方法一次得到比较好的模型的局限，通过预学习的步骤提高性别检测的准确性。
【专利说明】基于平均脸预学习的性别检测方法
【技术领域】
[0001] 本发明涉及电子设备的人脸性别识别领域，特别涉及一种基于平均脸预学习的性 别检测方法。
【背景技术】
[0002] 现有技术中，性别识别算法大体分为三类，一类是基于语音，一类是基于人的步 态，一类是基于人脸图像。由于目前人脸检测的技术比较成熟，基于人脸图像的方案变得更 简单、直接。但由于现实环境中复杂的背景、光照和摄像头本身的精度差别以及人脸的角度 等等因素，极大的增加了性别识别的难度，导致准确率比较低，稳定性不高。
[0003] 进一步详细分析，基于人脸图像的性别识别的技术最大的问题是准确率低，不稳 定。导致这个问题有多方面的因数：
[0004] 1.现实环境中光照复杂，摄像头本身的参数和精度千差万别。
[0005] 2.现实中人脸的角度的变化非常多。
[0006] 3.不同人种的肤色差异较大。
[0007] 以上三个因素极大的增加了在人脸图像中性别识别器的识别难度。传统的基于 hand-crafted的特征（如LBP，HOG, Gabor等），无法对复杂的各种各样的人脸图像有很好 的表达能力。传统的解决光照、角度与肤色的方法可以分为两类：
[0008] 1、在检测中，对检测图像进行预处理，减少由于光照、角度、不同肤色带来的差异 性。
[0009] 2、基于各种不同的数据集，训练多个分类器。
[0010] 由于环境的差异导致图像千差万别。预处理的方法无法很好的消除这一影响。方 法二将由于环境引起的复杂度在训练时进行解决。由于差异性比较大，训练器的个数与如 何组合不同的训练器的结果都难以有个很好的解决方案。最新研究表明深度神经网路拥有 很强的模型表达能力（如CNN在很多方面都取得了比较好的成果），但由于深度神经网路的 局部极小值很多，导致很难通过经典的学习算法一次得到很好的模型。
【发明内容】
[0011] 本申请提供一种基于平均脸预学习的性别检测方法，通过对卷积神经网络的卷积 层进行预学习，避开一些比较差的次最优解，有效的解决了深度神经网路在现有的传统技 术上无法通过学习得到比较好的模型的局限性，从而提高性别检测的准确性。
[0012] 所述基于平均脸预学习的性别检测方法包括学习的步骤和检测步骤：
[0013] 所述学习的步骤包括：
[0014] A、对人脸图像数据库进行分类，并计算各类人脸图像的平均脸；
[0015] B、将所述各平均脸数据配置为卷积神经网络的输出层、各平均脸所属类别下的人 脸数据集中的人脸各位置配置为卷积神经网络的输入层，对卷积神经网络进行预学习；
[0016] C、用性别分类层替换卷积神经网络的输出层，并对所述卷积神经网络和所述性别 分类层进行最终学习；
[0017] 所述检测步骤包括：
[0018] 将输入待检人员的人脸图像输入学习后的卷积神经网络，由性别分类层输出性 别。
[0019] 由上，通过对卷积神经网络的预学习，避开一些比较差的次最优解，有效的解决了 深度神经网路在现有的传统技术上无法通过学习得到比较好的模型的局限性。
[0020] 可选的，步骤A所述对人脸图像数据库进行分类包括：依据人脸对应的性别和肤 色进行分类。
[0021] 由上，可实现对于不同肤色和性别的人脸进行初级分化，完成原始数据的累计。
[0022] 可选的，将平均脸的各位置像素表示为（Xi、X2,……，Xn)，配置为卷积神经网络输 出层的各个神经单元；
[0023] 将对应类别的各人脸的各位置像素表示为（OpO2,……，On)，配置为卷积神经网 络输入层的各个神经单元配置；
[0024] 使所述输入层的各人脸的各位置像素与输出层的平均脸的各位置像素区别最小 的方式对卷积神经网络进行学习。
[0025] 其中，卷积神经网络输入层的各个神经单元与卷积神经网络输出层的各个神经单 元数量匹配。
[0026] 由上，通过人脸数据库数据对于卷积神经网络中的卷基层和隐含层的学习，实现 其输出的特征表达。
[0027] 可选的，所述使所述输入层的各人脸的各位置像素与输出层的平均脸的各位置像 素区别最小的方式包括：采用对应各位置像素的最小平方差和的方式。
[0028] 基于输入层和输出层神经单元的平方差和的约束，对卷积网路进行预学习，使之 具有较好的起始值，从而避开一些比较差的次最优解。
[0029] 可选的，步骤C中，对所述卷积神经网络和所述性别分类层进行最终学习包括：使 所述性别分类层输出的性别与卷积神经网络输入层的计算所述平均脸的人脸图像数据库 中各个图像的真实性别相匹配。
[0030] 可选的，使所述性别分类层输出的性别与卷积神经网络输入层的计算所述平均 脸的人脸图像数据库中各个图像的真实性别相匹配：采用反向传播算法进行学习，计算
【权利要求】
1. 一种基于平均脸预学习的性别检测方法，其特征在于，包括学习的步骤和检测步 骤： 所述学习的步骤包括： A、 对人脸图像数据库进行分类，并计算各类人脸图像的平均脸； B、 将所述各平均脸数据配置为卷积神经网络的输出层、各平均脸所属类别下的人脸数 据集中的人脸各位置配置为卷积神经网络的输入层，对卷积神经网络进行预学习； C、 用性别分类层替换卷积神经网络的输出层，并对所述卷积神经网络和所述性别分类 层进行最终学习； 所述检测步骤包括： 将待检人员的人脸图像输入学习后的卷积神经网络，由性别分类层输出性别。
2. 根据权利要求1所述的方法，其特征在于，步骤A所述对人脸图像数据库进行分类包 括：依据人脸对应的性别和肤色进行分类。
3. 根据权利要求1所述的方法，其特征在于，将平均脸的各位置像素表示为（\、 X2,……，Xn)，配置为卷积神经网络输出层的各个神经单元； 将对应类别的各人脸的各位置像素表示为（OpOy……，〇n)，配置为卷积神经网络输 入层的各个神经单元配置； 使所述输入层的各人脸的各位置像素与输出层的平均脸的各位置像素区别最小的方 式对卷积神经网络进行学习。 其中，卷积神经网络输出层的各个神经单元与卷积神经网络输入层的各个神经单元数 量匹配。
4. 根据权利要求3所述的方法，其特征在于，所述使所述输入层的各人脸的各位置像 素与输出层的平均脸的各位置像素区别最小的方式包括：采用对应各位置像素的最小平方 差和的方式。
5. 根据权利要求1所述的方法，其特征在于，步骤C中，对所述卷积神经网络和所述性 别分类层进行最终学习包括：使所述性别分类层输出的性别与卷积神经网络输入层的计算 所述平均脸的人脸图像数据库中各个图像的真实性别相匹配。
6. 根据权利要求5所述的方法，其特征在于，使所述性别分类层输出的性别与卷积神 经网络输入层的计算所述平均脸的人脸图像数据库中各个图像的真实性别相匹配包括：采 用反向传播算法进行学习，计算
使其结果最小，式中w为所述性别分类层和所述卷积神经网络的卷积层、隐含层的参数，tn为所述人脸图像数据库中第n个样本的真实性别，yn为第n个样本通过模型后的性别，
为权重腐蚀。
7. 根据权利要求1所述的方法，其特征在于，所述性别分类层包括softmax分类层。
【文档编号】G06K9/62GK104408470SQ201410720517
【公开日】2015年3月11日 申请日期:2014年12月1日 优先权日:2014年12月1日
【发明者】沈飞, 谢衍涛 申请人:中科创达软件股份有限公司