人脸性别识别方法、人脸性别分类器的训练方法及装置与流程

本公开涉及图像处理技术领域，尤其涉及一种人脸性别识别方法、人脸性别分类器的训练方法及装置。

背景技术：

人脸是人类很重要的生物特征。基于人脸的识别功能逐渐成为近几年研究的重点。人脸性别识别在模式识别、人工智能、计算机视觉、信息安全等方面都有着广泛的发展前景和应用价值。

因为男女的脸部特征的差别极其细微，加上人的表情、年龄以及光照等因素的影响，使得通过人脸识别性别更为困难，难以达到理想的准确率。

技术实现要素：

本公开提供一种人脸性别识别方法、人脸性别分类器的训练方法及装置。

第一方面，本公开提供了一种人脸性别识别方法，包括：

对待识别图像进行人脸检测，获取所述待识别图像中的目标人脸；

对所述目标人脸进行人脸特征点提取；

根据所述人脸特征点，获得人脸感兴趣区域图像；

对所述人脸感兴趣区域图像进行特征提取，得到特征图像；

对所述特征图像进行灰度级压缩处理，并获取灰度级压缩后的图像的灰度直方图；

根据所述灰度直方图得到所述目标人脸的性别特征；

将所述目标人脸的性别特征输入至已训练的人脸性别分类器中，得到所述目标人脸的性别识别结果。

可选的，所述对所述目标人脸进行人脸特征点提取之后，根据所述人脸特征点，获得人脸感兴趣区域图像之前，还包括：

根据所述人脸特征点，对所述目标人脸进行几何校正，得到校正后的图像，所述校正后的图像中，所述目标人脸的两个眼睛之间的连线为水平线。

可选的，所述对所述人脸感兴趣区域图像进行特征提取，得到特征图像，之前还包括：

将所述人脸感兴趣区域图像缩放为指定尺寸。

可选的，所述对所述人脸感兴趣区域图像进行特征提取，得到特征图像，包括：采用共生局部二值模式特征提取算法，对所述人脸感兴趣区域图像进行特征提取，得到多个特征图像；

所述根据所述灰度直方图得到所述目标人脸的性别特征包括：连接所述多个特征图像的灰度直方图，得到所述目标人脸的性别特征。

可选的，所述对所述特征图像进行灰度级压缩处理，并获取灰度级压缩后的图像的灰度直方图，包括：

将所述特征图像划分为n×m个尺寸相同的图像分块，n为大于或等于2的正整数，m为大于或等于2的正整数；

针对至少一个所述图像分块，将所述图像分块的灰度级压缩到第一数值，得到灰度级压缩后的图像，所述第一数值小于所述特征图像的灰度级；

获取灰度级压缩后的图像的灰度直方图；

连接n×m块图像分块的灰度直方图，得到所述特征图像的灰度直方图。

第二方面，本公开提供了一种人脸性别分类器的训练方法，包括：

获取多张人脸图像样本，所述多张人脸图像样本中包括多张具有男性人脸的图像以及多张具有女性人脸的图像；

对所述人脸图像样本进行人脸检测，确定所述人脸图像样本中目标人脸的位置；

对所述目标人脸进行人脸特征点提取；

根据所述人脸特征点，获得人脸感兴趣区域图像；

对所述人脸感兴趣区域图像进行特征提取，得到特征图像；

对所述特征图像进行灰度级压缩处理，并获取灰度级压缩后的图像的灰度直方图；

根据所述灰度直方图得到所述目标人脸的性别特征；

采用所有所述人脸图像样本中的目标人脸的性别特征对人脸性别分类器进行训练，得到已训练的人脸性别分类器。

可选的，所述对所述目标人脸进行人脸特征点提取之后，根据所述人脸特征点，获得人脸感兴趣区域图像之前，还包括：

根据所述人脸特征点，对所述目标人脸进行几何校正，得到校正后的图像，所述校正后的图像中，所述目标人脸的两个眼睛之间的连线为水平线。

可选的，所述对所述人脸感兴趣区域图像进行特征提取，得到特征图像，之前还包括：

将所述人脸感兴趣区域图像缩放为指定尺寸。

可选的，所述对所述人脸感兴趣区域图像进行特征提取，得到特征图像，包括：采用colbp特征提取算法，对所述人脸感兴趣区域图像进行特征提取，得到多个特征图像；

所述根据所述灰度直方图得到所述目标人脸的性别特征包括：连接所述多个特征图像的灰度直方图，得到所述目标人脸的性别特征。

可选的，所述对所述特征图像进行灰度级压缩处理，并获取灰度级压缩后的图像的灰度直方图，包括：

将所述特征图像划分为n×m个尺寸相同的图像分块，n为大于或等于2的正整数，m为大于或等于2的正整数；

针对至少一个所述图像分块，将所述图像分块的灰度级压缩到第一数值，得到灰度级压缩后的图像，所述第一数值小于所述特征图像的灰度级；

获取灰度级压缩后的图像的灰度直方图；

连接n×m块图像分块的灰度直方图，得到所述特征图像的灰度直方图。

第三方面，本公开提供了一种人脸性别识别装置，包括：

人脸检测器，用于对待识别图像进行人脸检测，获取所述待识别图像中的目标人脸；

人脸特征点提取器，用于对所述目标人脸进行人脸特征点提取；

人脸感兴趣区域获得器，用于根据所述人脸特征点，获得人脸感兴趣区域图像；

图像特征提取器，用于对所述人脸感兴趣区域图像进行特征提取，得到特征图像；

灰度级压缩处理器，用于对所述特征图像进行灰度级压缩处理，并获取灰度级压缩后的图像的灰度直方图；

性别特征获得器，用于根据所述灰度直方图得到所述目标人脸的性别特征；

性别识别器，用于将所述目标人脸的性别特征输入至已训练的人脸性别分类器中，得到所述目标人脸的性别识别结果。

第四方面，本公开提供了一种人脸性别分类器的训练装置，包括：

人脸图像样本获取器，用于获取多张人脸图像样本，所述多张人脸图像样本中包括多张具有男性人脸的图像以及多张具有女性人脸的图像；

人脸特征点提取器，用于对所述目标人脸进行人脸特征点提取；

人脸感兴趣区域获得器，用于根据所述人脸特征点，获得人脸感兴趣区域图像；

图像特征提取器，用于对所述人脸感兴趣区域图像进行特征提取，得到特征图像；

灰度级压缩处理器，用于对所述特征图像进行灰度级压缩处理，并获取灰度级压缩后的图像的灰度直方图；

性别特征获得器，用于根据所述灰度直方图得到所述目标人脸的性别特征；

训练器，用于采用所有所述人脸图像样本中的目标人脸的性别特征对人脸性别分类器进行训练，得到已训练的人脸性别分类器。

第五方面，本公开提供了一种人脸性别识别装置，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述人脸性别识别方法的步骤。

第六方面，本公开提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现上述人脸性别识别方法的步骤；或者，所述计算机程序被处理器执行时实现上述人脸性别分类器的训练方法的步骤。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本公开的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本公开一些实施例提供的人脸性别识别方法的流程示意图；

图2为本公开一些实施例提供的获取灰度级压缩后的图像的灰度直方图的流程示意图；

图3为本公开一些实施例提供的人脸性别分类器的训练方法的流程示意图；

图4为本公开另外一些实施例提供的获取灰度级压缩后的图像的灰度直方图的流程示意图；

图5为本公开一些实施例提供的人脸性别识别装置的一结构示意图；

图6为本公开一些实施例提供的灰度级压缩处理器的一结构示意图；

图7为本公开一些实施例提供的人脸性别分类器的训练装置的一结构示意图；

图8为本公开另外一些实施例提供的灰度级压缩处理器的一结构示意图；

图9为本公开一些实施例提供的人脸性别识别装置的另一结构示意图；

图10为本公开一些实施例提供的人脸性别分类器的训练装置的另一结构示意图。

具体实施方式

下面将结合本公开中的附图，对本公开中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

请参考图1，图1为本公开一些实施例提供的人脸性别识别方法的流程示意图，该方法包括：

步骤11：对待识别图像进行人脸检测，获取所述待识别图像中的目标人脸；

人脸检测是从图像中搜索人脸并确定人脸的位置和大小。

在一些实施例中，可以采用dlib库进行人脸检测。dlib是一种工具箱，其中包含用于创建复杂软件以解决实际问题的机器学习算法和工具。dlib库包括用于图像中的对象检测的工具，包括正面人脸检测和对象姿势估计等。当然，本公开也可以采用其他算法进行人脸检测。

步骤12：对所述目标人脸进行人脸特征点提取；

在一些实施例中，可以采用dlib库提取68个人脸特征点。当然，如果本公开采用其他算法进行人脸检测，本公开中提取的人脸特征点数目可以为其他数目，在此不做限定。

步骤13：根据所述人脸特征点，获得人脸感兴趣区域(roi)图像；

步骤14：对所述人脸感兴趣区域图像进行特征提取，得到特征图像；

步骤15：对所述特征图像进行灰度级压缩处理，并获取灰度级压缩后的图像的灰度直方图；

假设特征图像压缩前的灰度级为256，即灰度值的范围0～255，将特征图像进行灰度级压缩处理，压缩后的图像的灰度级小于256，例如为16，即图像的灰度值的范围0～15。本公开中灰度级可以为其他范围，在此不做限定。

步骤16：根据所述灰度直方图得到所述目标人脸的性别特征；

步骤17：将所述目标人脸的性别特征输入至已训练的人脸性别分类器中，得到所述目标人脸的性别识别结果。

在本公开中，对特征图像进行灰度级压缩处理，使得特征图像中的特征降维，从而可以减少目标人脸的年龄、表情以及光照等因素对性别识别的影响，提高识别准确率，使得人脸性别识别方法不仅仅适用于实验室场景，可以在自然环境等场景下使用。同时，由于特征图像中的特征降维，也可以有效提高识别的速度，适用于无gpu(图形处理器)的嵌入式设备等对识别速度要求较高的设备。

在一些实施例中，可选的，上述步骤12中的对所述目标人脸进行人脸特征点提取之后，上述步骤13中的根据所述人脸特征点，获得人脸感兴趣区域图像之前，还包括：对所述待识别图像进行预处理。

在一些实施例中，所述预处理可以包括：对待识别图像进行滤波处理。图像滤波，即在尽量保留图像细节特征的条件下对图像的噪声进行抑制，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。在一些实施例中，可以采用高斯滤波器对待识别图像进行滤波处理，去除图像噪声。

在一些实施例中，所述预处理可以包括：根据所述人脸特征点，对所述目标人脸进行几何校正，得到校正后的图像，所述校正后的图像中，所述目标人脸的两个眼睛之间的连线为水平线。

可选的，可以根据人脸特征点，确定仿射变换矩阵，根据仿射变换矩阵，进行目标人脸的几何校正。

从待识别图像中检测出的目标人脸可能会存在倾斜的问题，因而需要将目标人脸进行几何校正，使得校正后的目标人脸中两个眼睛之间的连线为水平线，可以对后续的特征提取过程起到优化的作用。

在进行几何校正后，还需要获取校正后的图像中人脸特征点的坐标，以用于确定人脸感兴趣区域。可选的，可以获取人脸特征点坐标中的最高点、最低点、最左侧点和最右侧点，确定人脸的外接矩阵，并对外接矩阵区域进行截图，得到人脸感兴趣区域图像。

在一些实施例中，可选的，上述步骤14中所述对所述人脸感兴趣区域图像进行特征提取，得到特征图像，之前还包括：将所述人脸感兴趣区域图像缩放为指定尺寸。即对人脸感兴趣区域图像进行降采样，使得人脸感兴趣区域图像为固定大小，从而减少图像分辨率、相机与人脸的距离不固定等因素对人脸性别识别的影响，提高识别方法的鲁棒性。

在一些实施例中，可选的，上述步骤14中所述对所述人脸感兴趣区域图像进行特征提取，得到特征图像，包括：采用colbp(共生局部二值模式)特征提取算法，对所述人脸感兴趣区域图像进行特征提取，得到多个特征图像。例如，得到8个特征图像。本公开中获得的特征图像数目可以为其他数目，在此不做限定。

此时，上述步骤16中的所述根据所述灰度直方图得到所述目标人脸的性别特征包括：连接所述多个特征图像的灰度直方图，得到所述目标人脸的性别特征。

colbp特征提取算法与现有的cnn(卷积神经网络)特征提取算法相比，计算复杂度极大的降低，因而可以有效提高识别的速度，适用于无gpu的嵌入式设备等对识别速度要求较高的设备。

colbp特征提取算法具体可以为：首先使用多个方向滤波器提取人脸感兴趣区域图像在多个方向上的边缘响应特征图像；然后分别对该多个方向上的边缘响应特征图像求取lbp(局部二值模式)特征，得到多个特征图像。例如使用8个方向滤波器提取人脸感兴趣区域图像在多个方向上的边缘响应特征图像；然后分别对该8个方向上的边缘响应特征图像求取lbp特征，得到多个特征图像。8个方向可以分别包括图像的水平中线上的两个方向，竖直中线上的两个方向，以及对角线上的四个方向。采用8个方向滤波器能够提供更加精细的图像边缘响应特征，当然，本公开也不排除采用4个方向滤波器，或者多于8个的方向滤波器。

在一些实施例中，可选的，请参考图2，上述步骤15中的对所述特征图像进行灰度级压缩处理，并获取灰度级压缩后的图像的灰度直方图，包括：

步骤151：将所述特征图像划分为n×m个尺寸相同的图像分块，n为大于或等于2的正整数，m为大于或等于2的正整数；例如，n为7，m的值可以为n相同，也可以不同。

步骤152：针对至少一个所述图像分块，将所述图像分块的灰度级压缩到第一数值，得到灰度级压缩后的图像，所述第一数值小于所述特征图像的灰度级；

所述特征图像的灰度级例如为256，第一数值例如为16。

步骤153：获取灰度级压缩后的图像的灰度直方图；

可选的，所述灰度直方图为归一化直方图。

步骤154：连接n×m块图像分块的灰度直方图，得到所述特征图像的灰度直方图。

可选的，可以按照从左到右，从上到下的顺序将一个特征图像的各个图像分块的灰度直方图进行连接，得到该特征图像的灰度直方图。

若特征图像的个数为多个，例如，8个，则将8个特征图像的灰度直方图进行连接，得到目标人脸的性别特征。

请参考图3，图3为本公开一些实施例提供的人脸性别分类器的训练方法的流程示意图，该方法包括：

步骤21：获取多张人脸图像样本，所述多张人脸图像样本中包括多张具有男性人脸的图像以及多张具有女性人脸的图像；

可选的，具有男性人脸的图像和具有女性人脸的图像的张数可以相同或者大致相同。

可选的，具有男性人脸的图像和具有女性人脸的图像中，包括不同年龄段的人的图像，以使得得到的人脸性别分类器可以识别各个年龄段的人群。

步骤22：对所述人脸图像样本进行人脸检测，确定所述人脸图像样本中目标人脸的位置；

人脸检测是从图像中搜索人脸并确定人脸的位置和大小。

在一些实施例中，可以采用dlib库进行人脸检测。

步骤23：对所述目标人脸进行人脸特征点提取；

在一些实施例中，可以采用dlib库提取68个人脸特征点。本公开中提取的人脸特征点数目可以为其他数目，在此不做限定。

步骤24：根据所述人脸特征点，获得人脸感兴趣区域图像；

步骤25：对所述人脸感兴趣区域图像进行特征提取，得到特征图像；

步骤26：对所述特征图像进行灰度级压缩处理，并获取灰度级压缩后的图像的灰度直方图；

假设特征图像压缩前的灰度级为256，即灰度值的范围0～255，将特征图像进行灰度级压缩处理，压缩后的图像的灰度级小于256，例如为16，即图像的灰度值的范围0～15。本公开中灰度级可以为其他范围，在此不做限定。

步骤27：根据所述灰度直方图得到所述目标人脸的性别特征；

步骤28：采用所有所述人脸图像样本中的目标人脸的性别特征对人脸性别分类器进行训练，得到已训练的人脸性别分类器。

在本公开中，对特征图像进行灰度级压缩处理，使得特征图像中的特征降维，从而可以减少目标人脸的年龄、表情以及光照等因素对性别识别的影响，提高识别准确率，使得人脸性别分类器不仅仅适用于实验室场景，可以在自然环境等场景下使用。

在一些实施例中，可选的，上述步骤23中的对所述目标人脸进行人脸特征点提取之后，上述步骤24中的根据所述人脸特征点，获得人脸感兴趣区域图像之前，还包括：对所述人脸图像样本进行预处理。

在一些实施例中，所述预处理可以包括：对人脸图像样本进行滤波处理。图像滤波，即在尽量保留图像细节特征的条件下对图像的噪声进行抑制，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。在一些实施例中，可以采用高斯滤波器对人脸图像样本进行滤波处理，去除图像噪声。

在一些实施例中，所述预处理可以包括：根据所述人脸特征点，对所述目标人脸进行几何校正，得到校正后的图像，所述校正后的图像中，所述目标人脸的两个眼睛之间的连线为水平线。

可选的，可以根据人脸特征点，确定仿射变换矩阵，根据仿射变换矩阵，进行目标人脸的几何校正。

从人脸图像样本中检测出的目标人脸可能会存在倾斜的问题，因而需要将目标人脸进行几何校正，使得校正后的目标人脸中两个眼睛之间的连线为水平线，可以对后续的特征提取过程起到优化的作用。

在进行几何校正后，还需要获取校正后的图像中人脸特征点的坐标，以用于确定人脸感兴趣区域。可选的，可以获取人脸特征点坐标中的最高点、最低点、最左侧点和最右侧点，确定人脸的外接矩阵，并对外接矩阵区域进行截图，得到人脸感兴趣区域图像。

在一些实施例中，可选的，上述步骤25中所述对所述人脸感兴趣区域图像进行特征提取，得到特征图像，之前还包括：将所述人脸感兴趣区域图像缩放为指定尺寸。即对人脸感兴趣区域图像进行降采样，使得人脸感兴趣区域图像为固定大小，从而减少图像分辨率、相机与人脸的距离不固定等因素对人脸性别识别的影响，提高人脸性别分类器的鲁棒性。

在一些实施例中，可选的，上述步骤25中所述对所述人脸感兴趣区域图像进行特征提取，得到特征图像，包括：采用colbp特征提取算法，对所述人脸感兴趣区域图像进行特征提取，得到多个特征图像。例如，得到8个特征图像。本公开中获得的特征图像数目可以为其他数目，在此不做限定。

此时，上述步骤27中的所述根据所述灰度直方图得到所述目标人脸的性别特征包括：连接所述多个特征图像的灰度直方图，得到所述目标人脸的性别特征。

colbp特征提取算法与现有的cnn特征提取算法相比，计算复杂度极大的降低，因而可以有效提高识别的速度，适用于无gpu的嵌入式设备等对识别速度要求较高的设备。

colbp特征提取算法具体可以为：首先使用多个方向滤波器提取人脸感兴趣区域图像在多个方向上的边缘响应特征图像；然后分别对该多个方向上的边缘响应特征图像求取lbp特征，得到多个特征图像。

在一些实施例中，可选的，请参考图4，上述步骤26中的对所述特征图像进行灰度级压缩处理，并获取灰度级压缩后的图像的灰度直方图，包括：

步骤261：将所述特征图像划分为n×m个尺寸相同的图像分块，n为大于或等于2的正整数，m为大于或等于2的正整数；例如，n为7，m的值可以与n相同，也可以不同。

步骤262：针对至少一个所述图像分块，将所述图像分块的灰度级压缩到第一数值，得到灰度级压缩后的图像，所述第一数值小于所述特征图像的灰度级；

所述特征图像的灰度级例如为256，第一数值例如为16。

步骤263：获取灰度级压缩后的图像的灰度直方图；

可选的，所述灰度直方图为归一化直方图。

步骤264：连接n×m块图像分块的灰度直方图，得到所述特征图像的灰度直方图。

可选的，可以按照从左到右，从上到下的顺序将一个特征图像的各个图像分块的灰度直方图进行连接，得到该特征图像的灰度直方图。

若特征图像的个数为多个，例如，8个，则将8个特征图像的灰度直方图进行连接，得到目标人脸的性别特征。

在一些实施例中，可选的，上述步骤28中可以采用svm(支持向量机)对所有人脸图像样本中的目标人脸的性别特征进行训练，得到已训练的人脸性别分类器。可选的，svm的核函数采用线性核函数。

请参考图5，图5为本公开的人脸性别识别装置的一结构示意图，该人脸性别识别装置30包括：

人脸检测器31，用于对待识别图像进行人脸检测，获取所述待识别图像中的目标人脸；

人脸特征点提取器32，用于对所述目标人脸进行人脸特征点提取；

人脸感兴趣区域获得器33，用于根据所述人脸特征点，获得人脸感兴趣区域图像；

图像特征提取器34，用于对所述人脸感兴趣区域图像进行特征提取，得到特征图像；

灰度级压缩处理器35，用于对所述特征图像进行灰度级压缩处理，并获取灰度级压缩后的图像的灰度直方图；

性别特征获得器36，用于根据所述灰度直方图得到所述目标人脸的性别特征；

性别识别器37，用于将所述目标人脸的性别特征输入至已训练的人脸性别分类器中，得到所述目标人脸的性别识别结果。

可选的，本公开的人脸性别识别装置还包括：

校正器，用于根据所述人脸特征点，对所述目标人脸进行几何校正，得到校正后的图像，所述校正后的图像中，所述目标人脸的两个眼睛之间的连线为水平线。

可选的，本公开的人脸性别识别装置还包括：

缩放器，用于将所述人脸感兴趣区域图像缩放为指定尺寸。

可选的，所述图像特征提取器34，用于采用colbp特征提取算法，对所述人脸感兴趣区域图像进行特征提取，得到多个特征图像；例如，得到8个特征图像。本公开中获得的特征图像数目可以为其他数目，在此不做限定。

所述性别特征获得器36，用于连接所述多个特征图像的灰度直方图，得到所述目标人脸的性别特征。

可选的，请参考图6，所述灰度级压缩处理器35包括：

划分单元351，用于将所述特征图像划分为n×m个尺寸相同的图像分块，n为大于或等于2的正整数，m为大于或等于2的正整数；

压缩单元352，用于针对至少一个所述图像分块，将所述图像分块的灰度级压缩到第一数值，得到灰度级压缩后的图像，所述第一数值小于所述特征图像的灰度级；

获取单元353，用于获取灰度级压缩后的图像的灰度直方图；

连接单元354，用于连接n×m块图像分块的灰度直方图，得到所述特征图像的灰度直方图。

上述实施例中的人脸性别识别装置中的各个器件，以及各个器件包含的单元模块，均可以通过硬件方式实现，例如通过硬件电路实现。

请参考图7，图7为本公开的人脸性别分类器的训练装置的一结构示意图，该人脸性别分类器的训练装置40包括：

人脸图像样本获取器41，用于获取多张人脸图像样本，所述多张人脸图像样本中包括多张具有男性人脸的图像以及多张具有女性人脸的图像；

人脸检测器42，用于对所述人脸图像样本进行人脸检测，确定所述人脸图像样本中目标人脸的位置；

人脸特征点提取器43，用于对所述目标人脸进行人脸特征点提取；

人脸感兴趣区域获得器44，用于根据所述人脸特征点，获得人脸感兴趣区域图像；

图像特征提取器45，用于对所述人脸感兴趣区域图像进行特征提取，得到特征图像；

灰度级压缩处理器46，用于对所述特征图像进行灰度级压缩处理，并获取灰度级压缩后的图像的灰度直方图；

性别特征获得器47，用于根据所述灰度直方图得到所述目标人脸的性别特征；

训练器48，用于采用所有所述人脸图像样本中的目标人脸的性别特征对人脸性别分类器进行训练，，得到已训练的人脸性别分类器。

可选的，本公开的人脸性别分类器的训练装置还包括：

校正器，用于根据所述人脸特征点，对所述目标人脸进行几何校正，得到校正后的图像，所述校正后的图像中，所述目标人脸的两个眼睛之间的连线为水平线。

可选的，本公开的人脸性别分类器的训练装置还包括：

缩放器，用于将所述人脸感兴趣区域图像缩放为指定尺寸。

可选的，所述图像特征提取器43，用于采用colbp特征提取算法，对所述人脸感兴趣区域图像进行特征提取，得到多个特征图像；例如，得到8个特征图像。本公开中获得的特征图像数目可以为其他数目，在此不做限定。

所述性别特征获得器45，用于连接所述多个特征图像的灰度直方图，得到所述目标人脸的性别特征。

可选的，请参考图8，所述灰度级压缩处理器44包括：

划分单元441，用于将所述特征图像划分为n×m个尺寸相同的图像分块，n为大于或等于2的正整数，m为大于或等于2的正整数；

压缩单元442，用于针对至少一个所述图像分块，将所述图像分块的灰度级压缩到第一数值，得到灰度级压缩后的图像，所述第一数值小于所述特征图像的灰度级；

获取单元443，用于获取灰度级压缩后的图像的灰度直方图；

连接单元444，用于连接n×m块图像分块的灰度直方图，得到所述特征图像的灰度直方图。

上述实施例中的人脸性别分类器的训练装置中的各个器件，以及各个器件包含的单元模块，均可以通过硬件方式实现，例如通过硬件电路实现。

请参考图9，图9为本公开的人脸性别识别装置的另一结构示意图，该人脸性别识别装置50包括：处理器51，存储器52，以及，存储在存储器112上并可在处理器51上运行的计算机程序，计算机程序被处理器51执行时实现如下步骤：

对待识别图像进行人脸检测，获取所述待识别图像中的目标人脸；

对所述目标人脸进行人脸特征点提取；

根据所述人脸特征点，获得人脸感兴趣区域图像；

对所述人脸感兴趣区域图像进行特征提取，得到特征图像；

对所述特征图像进行灰度级压缩处理，并获取灰度级压缩后的图像的灰度直方图；

根据所述灰度直方图得到所述目标人脸的性别特征；

将所述目标人脸的性别特征输入至已训练的人脸性别分类器中，得到所述目标人脸的性别识别结果。

可选的，计算机程序被处理器51执行时还可实现如下步骤：

所述对所述目标人脸进行人脸特征点提取之后，根据所述人脸特征点，获得人脸感兴趣区域图像之前，还包括：

根据所述人脸特征点，对所述目标人脸进行几何校正，得到校正后的图像，所述校正后的图像中，所述目标人脸的两个眼睛之间的连线为水平线。

可选的，计算机程序被处理器51执行时还可实现如下步骤：

所述对所述人脸感兴趣区域图像进行特征提取，得到特征图像，之前还包括：

将所述人脸感兴趣区域图像缩放为指定尺寸。

可选的，计算机程序被处理器51执行时还可实现如下步骤：

所述对所述人脸感兴趣区域图像进行特征提取，得到特征图像，包括：采用共生局部二值模式特征提取算法，对所述人脸感兴趣区域图像进行特征提取，得到多个特征图像；

所述根据所述灰度直方图得到所述目标人脸的性别特征包括：连接所述多个特征图像的灰度直方图，得到所述目标人脸的性别特征。

可选的，计算机程序被处理器51执行时还可实现如下步骤：

所述对所述特征图像进行灰度级压缩处理，并获取灰度级压缩后的图像的灰度直方图，包括：

将所述特征图像划分为n×m个尺寸相同的图像分块，n为大于或等于2的正整数，m为大于或等于2的正整数；

针对至少一个所述图像分块，将所述图像分块的灰度级压缩到第一数值，得到灰度级压缩后的图像，所述第一数值小于所述特征图像的灰度级；

获取灰度级压缩后的图像的灰度直方图；

连接n×m块图像分块的灰度直方图，得到所述特征图像的灰度直方图。

请参考图10，图10为本公开的人脸性别分类器的训练装置的另一结构示意图，该人脸性别识别装置60包括：处理器61，存储器62，以及，存储在存储器112上并可在处理器61上运行的计算机程序，计算机程序被处理器61执行时实现如下步骤：

获取多张人脸图像样本，所述多张人脸图像样本中包括多张具有男性人脸的图像以及多张具有女性人脸的图像；

对所述人脸图像样本进行人脸检测，确定所述人脸图像样本中目标人脸的位置；

对所述目标人脸进行人脸特征点提取；

根据所述人脸特征点，获得人脸感兴趣区域图像；

对所述人脸感兴趣区域图像进行特征提取，得到特征图像；

对所述特征图像进行灰度级压缩处理，并获取灰度级压缩后的图像的灰度直方图；

根据所述灰度直方图得到所述目标人脸的性别特征；

采用所有所述人脸图像样本中的目标人脸的性别特征对人脸性别分类器进行训练，得到已训练的人脸性别分类器。

可选的，计算机程序被处理器61执行时还可实现如下步骤：

所述对所述目标人脸进行人脸特征点提取之后，根据所述人脸特征点，获得人脸感兴趣区域图像之前，还包括：

根据所述人脸特征点，对所述目标人脸进行几何校正，得到校正后的图像，所述校正后的图像中，所述目标人脸的两个眼睛之间的连线为水平线。

可选的，计算机程序被处理器61执行时还可实现如下步骤：

所述对所述人脸感兴趣区域图像进行特征提取，得到特征图像，之前还包括：

将所述人脸感兴趣区域图像缩放为指定尺寸。

可选的，计算机程序被处理器61执行时还可实现如下步骤：

所述对所述人脸感兴趣区域图像进行特征提取，得到特征图像，包括：采用colbp特征提取算法，对所述人脸感兴趣区域图像进行特征提取，得到多个特征图像；

所述根据所述灰度直方图得到所述目标人脸的性别特征包括：连接所述多个特征图像的灰度直方图，得到所述目标人脸的性别特征。

可选的，计算机程序被处理器61执行时还可实现如下步骤：

所述对所述特征图像进行灰度级压缩处理，并获取灰度级压缩后的图像的灰度直方图，包括：

将所述特征图像划分为n×m个尺寸相同的图像分块，n为大于或等于2的正整数，m为大于或等于2的正整数；

针对至少一个所述图像分块，将所述图像分块的灰度级压缩到第一数值，得到灰度级压缩后的图像，所述第一数值小于所述特征图像的灰度级；

获取灰度级压缩后的图像的灰度直方图；

连接n×m块图像分块的灰度直方图，得到所述特征图像的灰度直方图。

本公开还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现上述人脸性别识别方法方实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本公开还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现上述人脸性别分类器的训练方法方实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

其中，所述的计算机可读存储介质，如只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本公开各个实施例所述的方法。

上面结合附图对本公开的实施例进行了描述，但是本公开并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本公开的启示下，在不脱离本公开宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本公开的保护之内。