本發(fā)明涉及計(jì)算機(jī)圖像處理和模式識別領(lǐng)域，尤其是一種人臉圖像性別檢測方法及系統(tǒng)。

背景技術(shù)：

隨著社會的不斷進(jìn)步以及各方面對于快速有效的自動身份驗(yàn)證的迫切要求，生物特征識別技術(shù)在近幾十年中得到了飛速的發(fā)展。作為人的一種內(nèi)在屬性，并且具有很強(qiáng)的自身穩(wěn)定性及個體差異性，生物特征成為自動身份驗(yàn)證的最理想依據(jù)。當(dāng)前的生物特征識別技術(shù)主要包括有：指紋識別、視網(wǎng)膜識別、虹膜識別、步態(tài)識別、靜脈識別、人臉識別等。與其他識別方法相比，人臉識別由于本身具有直接、友好、方便的特點(diǎn)，使用者對其無任何心理障礙，因此易于被用戶所接受，從而得到廣泛的研究與應(yīng)用。除此之外，還能夠?qū)θ四樧R別的結(jié)果作進(jìn)一步的分析，得到有關(guān)人的性別、表情、年齡等諸多額外的豐富信息，擴(kuò)展了人臉識別的應(yīng)用前景。而人臉是重要的生物特征之一，人臉圖像上蘊(yùn)含了大量的信息，例如性別、年齡人種、身份等。其中，人臉的性別識別功能就是試圖賦予計(jì)算機(jī)根據(jù)輸入的人臉圖像，判斷使用者性別的能力。人機(jī)交互技術(shù)(HCI)的發(fā)展使得計(jì)算機(jī)視覺、人工智能，在監(jiān)控、GUI人機(jī)界面設(shè)計(jì)等方面發(fā)揮越來越重要的作用。隨著技術(shù)的進(jìn)步，基于人臉圖像模式識別的問題逐漸成為近年來研究的熱點(diǎn)。其中包括人臉檢測、人臉身份識別、人臉屬性(性別、年齡、表情、種族等)識別等各類識別問題。基于人臉的性別分類就是使得計(jì)算機(jī)能夠根據(jù)輸入的人臉圖像判斷其性別的過程。人臉的性別識別似乎是人們“與生俱來”的能力，但讓計(jì)算機(jī)進(jìn)行識別并不容易，即使有大量來自計(jì)算 機(jī)視覺、模式識別、人工智能、心理學(xué)等各個領(lǐng)域的研究人員的努力。

人臉技術(shù)屬于機(jī)器學(xué)習(xí)范疇，技術(shù)和系統(tǒng)都需要經(jīng)歷數(shù)據(jù)訓(xùn)練過程，即把大量人臉圖像和相應(yīng)的標(biāo)注一起作為輸入給到算法，算法會根據(jù)這些訓(xùn)練數(shù)據(jù)自動學(xué)習(xí)出相應(yīng)的模型從而用于實(shí)際應(yīng)用。對于性別識別問題，通常最普遍的方法是通過Gabor小波描繪人臉特征，然后用PCA進(jìn)行降維處理，最后采用分類模型已知的支持向量機(jī)模型SVM進(jìn)行性別分類，然而如今的方法識別性能并不是很好，使得現(xiàn)有性別識別準(zhǔn)確度不高。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種人臉圖像性別檢測方法及系統(tǒng)，以解決現(xiàn)有性別識別準(zhǔn)確度不高的問題。

為了達(dá)到上述目的，本發(fā)明提供了一種人臉圖像性別檢測方法及系統(tǒng)，其中，人臉圖像性別檢測方法包括以下步驟：

獲取一原始人臉圖像；

利用Gabor算法和Memetic算法提取所述原始人臉圖像的Gabor小波特征矢量；

選擇一人臉圖像庫，提取所述人臉圖像庫中的所有人臉圖像的Gabor小波特征矢量，并建立一特征矢量集；

在所述特征矢量集中找出與所述原始人臉圖像的Gabor小波特征矢量最接近的特征矢量，將所述最接近的特征矢量所對應(yīng)的人臉圖像性別作為所述原始人臉圖像的性別。

優(yōu)選的，在上述的人臉圖像性別檢測方法中，利用Gabor算法和Memetic算法提取所述原始人臉圖像的Gabor小波特征矢量所使用的Gabor小波濾波器定義如下：

其中，x′＝xcosθ+ysinθ，

y′＝-xsinθ+ycosθ，

x，y為矩陣中各像素坐標(biāo)，λ為波長，θ為旋轉(zhuǎn)角度，為相位，γ為輸出波長的橫縱比，b為帶寬。

優(yōu)選的，在上述的人臉圖像性別檢測方法中，利用Gabor算法和Memetic算法提取所述原始人臉圖像的Gabor小波特征矢量之前，先對所述原始人臉圖像進(jìn)行灰度化處理得到人臉灰度圖像，并對所述人臉灰度圖像進(jìn)行歸一化處理得到歸一化人臉圖像，利用Gabor算法和Memetic算法提取所述歸一化人臉圖像的Gabor小波特征矢量。

優(yōu)選的，在上述的人臉圖像性別檢測方法中，對所述人臉灰度圖像進(jìn)行歸一化處理，得到歸一化人臉圖像的步驟包括：

利用基于Harr特征的AdaBoost算法對所述人臉灰度圖像進(jìn)行檢測，當(dāng)檢測到人臉信息時進(jìn)行下一步；

利用AdaBoost算法獲得左右眼坐標(biāo)；

旋轉(zhuǎn)所述人臉灰度圖像，使得左右眼呈水平狀態(tài)，得到一第二人臉灰度圖像；

對旋轉(zhuǎn)后的人臉灰度圖像進(jìn)行裁剪使其寬和高呈預(yù)定比例；

對裁剪后的人臉灰度圖像進(jìn)行縮放得到歸一化人臉圖像，所述歸一化人臉圖像的像素為一預(yù)定像素。

優(yōu)選的，在上述的人臉圖像性別檢測方法中，所述預(yù)定比例的范圍是0.8∶1～1∶1.2。

優(yōu)選的，在上述的人臉圖像性別檢測方法中，所述預(yù)定像素的范圍是80×80～500×500。

優(yōu)選的，在上述的人臉圖像性別檢測方法中，利用Gabor算法和Memetic算法提取所述歸一化人臉圖像的Gabor小波特征矢量的步驟包括：

利用一組S個Gabor小波濾波器對所述歸一化人臉圖像進(jìn)行處理，每個所 述Gabor小波濾波器獲得一個特征值；

將S個所述特征值形成原始人臉圖像的Gabor小波特征矢量，所述原始人臉圖像的Gabor小波特征矢量的維數(shù)為S，S小于等于100。

優(yōu)選的，在上述的人臉圖像性別檢測方法中，利用一組S個Gabor小波濾波器對所述歸一化人臉圖像進(jìn)行處理，每個所述Gabor小波濾波器獲得一個特征值的步驟包括：

將每個Gabor小波濾波器與所述歸一化人臉圖解進(jìn)行點(diǎn)積，每個Gabor小波濾波器的點(diǎn)積運(yùn)算獲得一個特征值。

優(yōu)選的，在上述的人臉圖像性別檢測方法中，在所述特征矢量集中找出與所述原始人臉圖像的Gabor小波特征矢量最接近的特征矢量，并將所述最接近的特征矢量所對應(yīng)的人臉圖像性別作為所述原始人臉圖像的性別的步驟包括：

計(jì)算所述特征矢量集中每一個特征矢量與所述原始人臉圖像的Gabor小波特征矢量之間的Mahalanobis距離；

通過K-鄰近算法找出所述特征矢量集中與所述原始人臉圖像的Gabor小波特征矢量最接近的特征矢量，將所述最接近的特征矢量所對應(yīng)的人臉圖像性別作為所述原始人臉圖像的性別。

本發(fā)明還提供了一種人臉圖像性別檢測系統(tǒng)，包括：

圖像獲取模塊，用于獲取一原始人臉圖像；

控制處理模塊，利用Gabor算法和Memetic算法提取所述原始人臉圖像的Gabor小波特征矢量，以及提取一人臉圖像庫中所有人臉圖像的Gabor小波特征矢量，并建立一特征矢量集；

存儲模塊，用于存儲所述原始人臉圖像、、所述原始人臉圖像的Gabor小波特征矢量、所述人臉圖像庫中的人臉圖像以及所述特征矢量集。

在本發(fā)明提供的人臉圖像性別檢測方法及系統(tǒng)中，利用Gabor算法和Memetic算法提取原始人臉圖像的Gabor小波特征矢量，以及一人臉圖像庫中所有人臉圖像的Gabor小波特征矢量，并建立一特征矢量集，在所述特征矢量集 中找出與所述原始人臉圖像的Gabor小波特征矢量最接近的特征矢量，并將所述最接近的特征矢量所對應(yīng)的人臉圖像的性別作為所述原始人臉圖像的性別。無需使用PCA等手段進(jìn)行降維，可在較短處理時間內(nèi)獲得更具區(qū)分能力的識別數(shù)據(jù)，提升了識別性能，從而提高了識別準(zhǔn)確度。

附圖說明

圖1為本發(fā)明實(shí)施例中人臉圖像性別檢測方法的流程圖；

圖2為本發(fā)明實(shí)施例中步驟S2的流程圖；

圖3為本發(fā)明實(shí)施例中步驟S3的流程圖；

圖4為本發(fā)明實(shí)施例中人臉圖像性別檢測系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合示意圖對本發(fā)明的具體實(shí)施方式進(jìn)行更詳細(xì)的描述。根據(jù)下列描述和權(quán)利要求書，本發(fā)明的優(yōu)點(diǎn)和特征將更清楚。需說明的是，附圖均采用非常簡化的形式且均使用非精準(zhǔn)的比例，僅用以方便、明晰地輔助說明本發(fā)明實(shí)施例的目的。

本發(fā)明實(shí)施例提供了一種人臉圖像性別檢測方法，具體的，如圖1所示，包括以下步驟：

S1：獲取一原始人臉圖像。

其中，所述原始人臉圖像即是要用來判別性別的人臉圖像，所述原始人臉圖像一般為彩色圖像，所包含的信息豐富，如果直接對該彩色圖像進(jìn)行處理，處理的速度較慢，而且在對所述原始人臉圖像的性別進(jìn)行判斷的過程中，不需要彩色圖像中所包含的所有信息，因此在進(jìn)行下一步驟之前，需要對該彩色圖像進(jìn)行處理，減少其所包含的色彩信息，以提高圖像處理的速度和效率。一般的，是對該彩色圖像進(jìn)行灰度處理，即將該彩色圖像轉(zhuǎn)換成灰度圖像，因此需要將所述原始人臉圖像進(jìn)行灰度化處理，從而得到一灰度圖像，即所述人臉灰 度圖像。

S2：對所述人臉灰度圖像進(jìn)行歸一化處理，得到歸一化人臉圖像。

具體的，如圖2所示，包括以下步驟：

S21：利用基于Harr特征的AdaBoost算法對所述人臉灰度圖像進(jìn)行檢測，當(dāng)檢測到人臉信息時進(jìn)行下一步。

當(dāng)對所述人臉灰度圖像進(jìn)行檢測后沒有發(fā)現(xiàn)人臉信息時，則會報(bào)錯。

當(dāng)檢測到人臉信息時，則進(jìn)行下一步驟。

S22：利用AdaBoost算法獲得左右眼坐標(biāo)。

檢測所述人臉灰度圖像中的雙眼信息，并利用AdaBoost算法獲得左右眼坐標(biāo)。

今左眼坐標(biāo)為：P₁＝(x_i，y_i)； 式(1)

右眼坐標(biāo)為：P₂＝(x_j，y_j)。 式(2)

S23：旋轉(zhuǎn)所述人臉灰度圖像，使得左右眼呈水平狀態(tài)。

旋轉(zhuǎn)所述人臉灰度圖像，調(diào)整雙眼連線與水平線之間的夾角，直到雙眼連線與水平線平行，即使得雙眼呈水平狀態(tài)。

設(shè)置左右眼中心間的距離為d，雙眼中心連線與水平軸線的尖角為ω，即為所述人臉灰度圖像需要旋轉(zhuǎn)的角度值，利用左右眼的坐標(biāo)式(1)和式(2)可得：

式(3)

則可計(jì)算出所述人臉灰度圖像需要旋轉(zhuǎn)的角度值ω如下：

ω＝arctan((y_i-y_j)/(x_i-x_j))； 式(4)

假設(shè)所述人臉灰度圖像中人臉中心位置的坐標(biāo)為C(x_e，y_e)，則可計(jì)算出：

式(5)

式(6)

以人臉C為中心，以θ為旋轉(zhuǎn)角進(jìn)行人臉旋轉(zhuǎn)，旋轉(zhuǎn)后人臉中心的坐標(biāo)為(x′，y′)，相關(guān)計(jì)算公式如下：

x′＝x_e+cosθ(x-x_e)+sinθ(y-y_e)； 式(7)

y′＝y(tǒng)_e+cosθ(y-y_e)+sinθ(x-x_e)。 式(8)

S24：對旋轉(zhuǎn)后的人臉灰度圖像進(jìn)行裁剪使其寬和高呈預(yù)定比例。

對旋轉(zhuǎn)后的人臉灰度圖像進(jìn)行裁剪后，使其寬和高呈預(yù)定比例。

所述預(yù)定比例的范圍是0.8∶1～1∶1.2。優(yōu)選的，所述預(yù)定比例為1∶1。也就是說優(yōu)選的，使得裁剪后的人臉灰度圖像的寬和高的比例為1∶1。

S25：對裁剪后的人臉灰度圖像進(jìn)行縮放得到歸一化人臉圖像，所述歸一化人臉圖像的像素為一預(yù)定像素。

對裁剪后的人臉灰度圖像進(jìn)行擴(kuò)大或者縮小處理，得到歸一化人臉圖像，使得所述歸一化人臉圖像的像素為一預(yù)定像素。所述預(yù)定像素的范圍是80×80～500×500。優(yōu)選的，所述預(yù)定像素為100×100。這樣不僅能夠保持所述歸一化人臉圖像上的人臉圖像信息的完整性，還能降低特征提取后的維度，從而既保證了判斷結(jié)果的準(zhǔn)確性，又提高了處理速度，提高了效率。

在縮放過程中，其水平方向上的縮放比例為：

式(9)

豎直方向上的縮放比例為：

β＝100/2d； 式(10)

其中，d為兩眼中心間的距離。

則得到縮放矩陣為：

式(11)

S3：利用Gabor算法和Memetic算法提取所述歸一化人臉圖像的Gabor小波特征矢量。

在Gabor算法的基礎(chǔ)上引入Memetic算法對Gabor小波濾波器進(jìn)行優(yōu)化。 優(yōu)化后的Gabor小波濾波器定義如下：

式(12)

其中，x′＝xcosθ+ysinθ， 式(13)

y′＝-xsinθ+ycosθ， 式(14)

x，y為矩陣中各像素坐標(biāo)，λ為波長，θ為旋轉(zhuǎn)角度，為相位，γ為輸出波長的橫縱比，b為帶寬。

具體的，如圖3所示，包括以下步驟：

S31：利用一組S個Gabor小波濾波器對所述歸一化人臉圖像進(jìn)行處理，每個所述Gabor小波濾波器獲得一個特征值。

將每個Gabor濾波器矩陣與所述歸一化人臉圖像進(jìn)行點(diǎn)積，每個Gabor小波濾波器的點(diǎn)積運(yùn)算獲得一個特征值。

具體的，將所述歸一化人臉圖像劃分為多個區(qū)域，從而將每個Gabor濾波器矩陣與所述歸一化人臉圖像中的每個區(qū)域進(jìn)行局部點(diǎn)積，從而每個Gabor小波濾波器的點(diǎn)積運(yùn)算獲得一個特征值。

S32：將S個所述特征值形成原始人臉圖像的Gabor小波特征矢量，所述原始人臉圖像的Gabor小波特征矢量的維數(shù)為S。

每個Gabor小波濾波器獲得一個特征值，S個Gabor小波濾波器就會有S個特征值，將這S個特征值按照獲取的順序進(jìn)行排列，從而構(gòu)成以特征矢量，即為原始人臉圖像的Gabor小波特征矢量。所述原始人臉圖像的Gabor小波特征矢量的維數(shù)與Gabor小波濾波器的個數(shù)相同，即為S個。其中，S小于等于100。

S4：選擇一人臉圖像庫，提取所述人臉圖像庫中的所有人臉圖像的Gabor小波特征矢量，并建立一特征矢量集。

在公開的人臉圖像庫中選擇一個人臉圖像庫，對該人臉圖像庫中的每一個人臉圖像都重復(fù)上述步驟S1、S2以及S3，并將該人臉圖像庫中的每個人臉圖 像的特征矢量與該人臉圖像所顯示的性別進(jìn)行對應(yīng)。其實(shí)，這就是一個對本發(fā)明所提出的人臉圖像性別檢測方法的學(xué)習(xí)的過程，從而建立一特征矢量集。

S5：在所述特征矢量集中找出與所述原始人臉圖像的Gabor小波特征矢量最接近的特征矢量，并將所述最接近的特征矢量所對應(yīng)的人臉圖像性別作為所述原始人臉圖像的性別。

首先，計(jì)算所述特征矢量集中每一個特征矢量與所述原始人臉圖像的Gabor小波特征矢量之間的Mahalanobis距離。

然后，通過K-鄰近算法(kNN，k-NearestNeighbor)找出所述特征矢量集中與所述原始人臉圖像的Gabor小波特征矢量最接近的特征矢量，將所述最接近的特征矢量所對應(yīng)的人臉圖像性別作為所述原始人臉圖像的性別。

本發(fā)明實(shí)施例還提供了一種人臉圖像性別檢測系統(tǒng)，具體的，如圖4所示，包括：控制處理模塊101、存儲模塊102以及圖像獲取模塊103，所述圖像獲取模塊103用于獲取一原始人臉圖像。所述控制處理模塊101利用Gabor算法和Memetic算法提取所述原始人臉圖像的Gabor小波特征矢量，以及提取一人臉圖像庫中所有人臉圖像的Gabor小波特征矢量，并建立一特征矢量集。所述存儲模塊102用于存儲所述原始人臉圖像、所述原始人臉圖像的Gabor小波特征矢量、所述人臉圖像庫中的人臉圖像以及所述特征矢量集。

綜上，在本發(fā)明實(shí)施例提供的人臉圖像性別檢測方法及系統(tǒng)中，利用Gabor算法和Memetic算法提取原始人臉圖像的Gabor小波特征矢量，以及一人臉圖像庫中所有人臉圖像的Gabor小波特征矢量，并建立一特征矢量集，在所述特征矢量集中找出與所述原始人臉圖像的Gabor小波特征矢量最接近的特征矢量，并將所述最接近的特征矢量所對應(yīng)的人臉圖像的性別作為所述原始人臉圖像的性別。無需使用PCA等手段進(jìn)行降維，可在較短處理時間內(nèi)獲得更具區(qū)分能力的識別數(shù)據(jù)，提升了識別性能，從而提高了識別準(zhǔn)確度。

上述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不對本發(fā)明起到任何限制作用。任何所屬技術(shù)領(lǐng)域的技術(shù)人員，在不脫離本發(fā)明的技術(shù)方案的范圍內(nèi)，對本發(fā)明 揭露的技術(shù)方案和技術(shù)內(nèi)容做任何形式的等同替換或修改等變動，均屬未脫離本發(fā)明的技術(shù)方案的內(nèi)容，仍屬于本發(fā)明的保護(hù)范圍之內(nèi)。