导读:本文包含了人脸性别识别论文开题报告文献综述及选题提纲参考文献，主要关键词:人脸性别识别,卷积神经网络,全局融合,纹理融合
人脸性别识别论文文献综述
吴军,邱阳,卢忠亮[1]（2019）在《全局融合卷积神经网络的边缘分类的人脸性别识别》一文中研究指出人脸性别识别是人脸识别领域研究的热门课题。为了进一步提高人脸性别识别的准确率,在传统的融合模型基础上,提出一种新型全局融合卷积神经网络模型(NFDCNN)。在NFDCNN模型结构上,每两采样层之间的卷积层在卷积特征提取之前融合前一级的子采样特征,这种方法可以保留原始的特征信息同时与深层纹理融合,具有高度的还原度,缩小网络误差。NFDCNN模型分类函数在常规的Softmax上做了改进,引入了区域边缘分类函数AM-Softmax,该分类函数在归类上是以一块区域为界限来划分,挤压同类,扩大类间距离,缩小类内距离。实验是在不同的人脸数据集上采用该模型方法与其他先进方法对比,验证了提出的NFDCNN模型分类识别是有效的。(本文来源于《现代电子技术》期刊2019年18期）
陈章宝,王艳春,王强[2]（2019）在《融合纹理和形状特征的人脸图像性别识别》一文中研究指出针对人脸图像性别识别中单一特征识别率不高的问题,提出了融合纹理特征和形状特征的人脸图像性别识别方法.通过局部二值模式(LBP)及其改进算法提取人脸图像的纹理特征,梯度直方图(HOG)提取人脸图像的形状特征,融合两个特征利用Adaboost分类器进行人脸图像的性别分类.在ORL人脸数据库和自制人脸数据库CZB上的实验结果表明,相对于直接利用像素特征和单一特征的识别方法,融合多特征的人脸性别识别方法的识别率明显提高.(本文来源于《怀化学院学报》期刊2019年05期）
石学超,周亚同,池越[3]（2019）在《基于多层特征融合可调监督函数卷积神经网络的人脸性别识别》一文中研究指出为了进一步提高性别识别的准确率,提出了一种基于多层特征融合与可调监督函数机制结合的卷积神经网络(L-MFCNN)模型,并将之用于人脸性别识别。与传统卷积神经网络(CNN)不同,L-MFCNN将多个浅层中间卷积层特征输出与最后卷积层特征输出相结合,融合多层卷积层的特征,不仅利用了深层卷积的整体语义信息,还考虑了浅层卷积的细节局部纹理信息,使得性别识别更加准确。此外L-MFCNN还引入具有可调目标监督函数机制的large-margin softmax loss作为输出层,利用其调节不同的间隔(margin)的机制来有效引导深层卷积网络学习,使得同种性别间的类内间距更小,不同性别间的类间距更大,获得更好的性别识别效果。在多个人脸数据集上的性别识别实验结果表明,L-MFCNN的识别准确率要高于其他传统的卷积网络模型。L-MFCNN模型也为将来的人脸性别识别研究提供了新的思路与方向。(本文来源于《计算机应用研究》期刊2019年03期）
黄义棚[4]（2017）在《基于相似性度量的人脸性别识别技术研究》一文中研究指出人脸的性别识别技术是人脸识别任务中一个重要的组成部分。目前,人脸识别技术成为了研究的热点,它在刷脸支付、人机交互、视频监控等领域已经有了大量的应用,为科技和经济的发展起到了良好的推动作用。人脸属性的判断是人脸识别技术的目标,而人脸的性别是人脸属性中重要而基础的一项。过去的研究通常选取在特定条件下拍摄的人脸图像作为研究对象,这些研究中所提出的方法对于这样的人脸图像已经有了较好的识别效果,但是它们对于真实场景下的人脸图像的识别效果还远达不到实际应用的要求。因此,本文的研究对象主要是真实场景中的人脸图像。这个任务的难度更高,也更具实际意义。针对真实场景中的性别识别所面临的问题,本文选择了深度学习的模型对人脸图像进行特征提取并分类,通过调整网络结构使得深度网络所提取的特征具有更强的表达性。经调研,本文选择了深度残差网络的模型进行图像特征的提取,它层数足够深且不会产生恶化现象。此外,本文选用Large-Margin Softmax损失作为分类任务的损失函数,使得识别的正确率有所提高。在此基础上,本文将相似性度量的方法引入解决方案中,以样本对是否属于同一类别作为监督对深度网络进行训练,目的是训练一个至新特征空间的映射,使得该空间中样本点的特征更具区分性,达到扩大类间距离和缩小类内距离的效果。这样,性别识别任务的正确率有了进一步的提高。本文所提出的方案在Adience数据集上达到了 91.6%的平均交叉验证正确率。(本文来源于《北京邮电大学》期刊2017-11-15）
郭行[5]（2017）在《非限制环境下的低秩协同人脸性别识别研究》一文中研究指出人脸性别识别是计算机视觉和机器学习的热门研究课题。但人脸性别识别也是一个具有挑战性的课题。因为男女的脸部特征的差别极其细微,使得通过人脸自动判别性别较为困难。另外目前大多数的人脸性别识别算法对自然环境下的图像进行识别的效果并不理想,识别正确率与实际应用差距较大。围绕这些问题,学者们进行了不懈的探索。但人脸性别识别正确率仍然偏低,无法满足现实的需求。为了更好地处理自然环境下的人脸图像,本文采用低秩分解和协同表示来提高人脸性别识别的正确率和鲁棒性。其中低秩分解算法能对齐一组线性相关的人脸图像,并能够降低图像的噪声,去除图像的遮挡。使得提取的特征能够很好地反映图像原有的信息。该算法的有效性在本文的实验部分得到了证实。另外在识别环节,采用稀疏表示的改进算法—协同表示,由于稀疏表示类算法对于特征的选取不敏感,现有的特征提取算法都可以作为稀疏表示类算法的特征输入,而不会引起识别正确率的波动,另外其使用2l范数替代1l范数优化问题易于求解,使得协同表示识别耗时少于稀疏表示。本文的研究内容如下:(1)调研了常用的人脸性别提取算法和人脸性别分类方法,并对经典的人脸性别识别系统进行了重现,对比了各个识别系统的识别正确率,并分析了各个性别识别系统的优劣;(2)提出了针对人脸性别的稀疏表示方法,并进行了对比实验,文章中主要对比了SpaRSA和L1LS两种算法,SpaRSA算法时间复杂度低但识别率相对较低,L1LS则反之;(3)提出了低秩分解和协同表示算法,低秩分解算法对自然场景下的人脸图像进行对齐和去噪,得到去噪对齐后的人脸图像;识别阶段,本文引入协同表示进行人脸性别识别,相对于稀疏表示,协同表示有着同样的识别正确率但识别耗时却远远小于稀疏表示算法,其主要主要原因是因为协同表示中使用2范数代替1范数求解稀疏系数,从而使得系统的时间复杂度大幅度下降,同时协同表示又引入了双重判断标准,使得耗时减少的同时识别率几乎不受影响。协同表示的耗时与其它稀疏表示算法的耗时可参考第叁章的实验结果。最后本文将LRDCR算法与现有的人脸性别识别算法在YouTube数据库上(该数据库为非限制条件下的数据库)进行了对比实验,本文提出的方法明显优于其它方法,也印证了本文算法的有效性。(本文来源于《南京邮电大学》期刊2017-10-26）
郑瑶娜[6]（2017）在《基于人脸图像的性别识别和年龄估计》一文中研究指出基于人脸图像的性别识别和年龄估计是模式识别领域的重要分支,对于实现友好的人机交互有着重要意义。本文从特征提取和分类估计两个方面入手对性别识别和年龄估计进行了分析研究,并针对这两个方面分别提出了改进方法。本文的主要工作如下:(1)针对单特征不能充分描述人脸图像的形状信息和纹理信息,提出一种融合 HOG(Histogram of Oriented Gradient)和 ML-GMM(Multi Level Gaussian Mixture Model)特征提取方法。利用HOG算子提取形状特征,充分描述样本的外观轮廓信息;同时提出一种多层混合高斯模型提取纹理特征,通过构建多层混合高斯模型来描述不同区域在整幅图像中表达的多层纹理信息;最后通过级联的方式融合两种特征,使得融合特征能够充分地刻画人脸图像的形状信息和纹理信息,利于下一步的分类估计工作。利用支持向量机(Support Vector Machine,SVM)对提取的融合特征进行性别识别,实验结果表明,所提出的融合HOG和ML-GMM特征提取方法优于现有的单特征和混合特征提取方法,获得了更高的性别识别率,说明所提出方法能够更好地表征人脸图像的性别特征。(2)针对单层估计模型在年龄估计上的局限性,提出一种基于SVM-KNN(K-Nearest Neighbor)加权的双层年龄估计模型。在年龄估计过程中,首先利用SVM对样本进行粗分类,判断样本的大致年龄范围;考虑到相邻年龄之间的相似性对真实年龄估计的贡献,再利用KNN思想在预测的年龄范围内求取样本与连续K个年龄距离最小的年龄类别序列,将样本与年龄类别的距离作为权值,最后通过加权估算样本的最终年龄值。实验结果表明,基于SVM-KNN加权的双层估计模型在年龄估计上取得了优于常用的单层估计模型和双层估计模型的识别效果,大大降低了平均年龄估计误差,提高了年龄估计精确度。(3)针对性别信息和年龄信息在各自识别过程中对彼此造成的干扰和影响,提出一种自动估计性别和年龄的分层模型。第一层利用SVM方法对提取的样本特征判断大致年龄范围;第二层将已预测的年龄范围作为先验知识,在已知年龄范围内利用SVM估计样本的性别类别,减少年龄信息对性别识别的干扰;第叁层将预测的年龄范围和性别类别作为先验知识,利用KNN加权算法估计样本的具体年龄值,减少性别信息对年龄估计的干扰,同时已知年龄范围也缩小了年龄估计的误差范围。实验结果表明,自动性别识别和年龄估计的分层模型减弱了性别信息和年龄信息之间的互相干扰,同时提高了性别识别率和年龄估计精度。(本文来源于《合肥工业大学》期刊2017-04-01）
张军挺[7]（2017）在《人脸检测及人脸年龄与性别识别方法》一文中研究指出随着媒体和社交网络的发展,人脸年龄与性别识别在现实生活中的应用越来越多,吸引了广泛的研究兴趣。由于人脸图像的生物特征识别是非接触的,比较简单快速,还具有一定的娱乐性,在社交网络、视频监控、人机交互等领域具有广阔的应用前景。本文主要研究了人脸检测方法,以及人脸年龄与性别识别方法,并分别提出两种解决方案,以适应不同的应用场景。第一种方案,使用Faster R-CNN算法进行人脸检测,提取人脸的CNN特征进行训练和测试。第二种方案,使用基于比例特征和Adaboost算法进行人脸检测,提取图像的LBP特征作为人脸特征。上述两种方案提取特征之后,均使用随机森林进行训练和测试,具体内容如下:(1)第一种方案,由于Faster R-CNN算法在各个目标检测数据集上取得惊人的成绩,因此本文在WIDER大规模人脸数据集上,训练一个Faster R-CNN模型进行人脸检测,并在FDDB数据库上对该模型进行评估,结果表明该算法有较高的人脸检测率。为了提高在非限制性环境下对人脸年龄与性别的识别准确率,本文提出一种基于深度卷积神经网络的人脸特征提取方法,使用"一般到特殊"的微调方案。首先采用在大规模数据集上进行人脸识别预训练得到的VGG-Face模型;接着使用该模型在CelebA人脸属性数据集上,对选取的5个特定的属性进行微调训练,得到人脸属性模型,这几个属性分别是:①是否留胡子,②是否年轻,③是否戴眼镜,④性别是否为男,⑤是否戴帽子。将所有全连接层的输出值连接起来,构成一个向量,作为人脸特征;最后使用随机森林分类器,在Adience数据集上训练和测试。实验结果表明,该方法的分类准确率较高,提取的人脸CNN特征具有鲁棒性。(2)第二种方案,提出基于比例特征和Adaboost的人脸检测算法,然后提取图像LBP直方图作为人脸特征向量。具体的,本文提出的比例特征,描述的是图像中任意两个点的比例关系,它具有尺度不变性,有界性等特点。本文使用深度二次树去学习比例特征及其组合的最优子集,使得人脸不同部位可以通过学习的规则被分割,再使用一个soft-cascade级联结构的分类器对滑动窗口进行分类,检测人脸位置。接着,本文使用图像分块的方法,分别提取各级人脸图像的LBP直方图特征,并使用随机森林算法进行训练和测试。该方法的实验结果跟上述基于人脸CNN特征的分类方法相比,准确率要低一些。(本文来源于《中国科学技术大学》期刊2017-04-01）
裴子龙[8]（2017）在《基于卷积神经网络的人脸性别识别研究》一文中研究指出基于人脸图像的性别识别技术,不仅能够为各个相关领域提供个人基础信息,还可以提高人类身份特征识别的准确率,人脸性别识别技术是人脸图像研究的热点。在众多图像识别的方法中,卷积神经网络(CNN)对二维图像的处理有结构上的优势,对图像的旋转、位移等变形的识别有着很好的鲁棒性,已获得了广泛的应用。研究卷积神经网络并运用于人脸性别识别,有理论意义和实际应用价值。本文深入研究了以卷积神经网络为基础的人脸性别识别方法,主要做了如下工作:1.概述了卷积神经网络和人脸性别识别技术的研究现状,对卷积神经网络在人脸性别识别研究中所涉及的相关理论与技术做了详细的综述。2.通过对卷积神经网络训练过程的研究分析,针对其收敛速度慢的问题,提出了采用粒子群算法(PSO)改进卷积神经网络的方法,即将卷积神经网络的训练参数和误差函数分别作为PSO的粒子和适应度函数,以此来改进卷积神经网络,仿真结果表明:与常规卷积神经网络比较收敛速度有所提高。3.设计了一种用于人脸性别识别的FGI(Face Gender Identification)卷积神经网络模型,包含一个局部二值模式(LBP)预处理层、两个卷积层、两个下采样层和一个全连接层,仿真结果表明:与LeNet-5模型比较识别精度稍有提高。4.把PSO改进卷积神经网络算法的FGI网络模型(PSO-CNN算法)应用在AR人脸数据库进行仿真实验,通过与经典BP神经网络识别方法、常规卷积神经网络识别方法以及有遮挡饰物的人脸图像的对比实验,验证了PSO-CNN算法对人脸性别的识别精度高、训练过程收敛速度快、且有很好的鲁棒性,表明PSO-CNN算法是一种有效的人脸性别识别方法。(本文来源于《山西师范大学》期刊2017-03-20）
王宏阳[9]（2016）在《人脸性别识别与年龄估计算法研究》一文中研究指出随着人脸识别技术的不断深入研究,基于视觉信息的人脸性别识别和年龄估计逐渐成为计算机视觉领域的研究热点之一。相比其他生物特征,人脸特征的信息丰富度较高且采集成本和难度较低,但同时其多样性与复杂性也对识别算法的精度和鲁棒性提出了较高的要求。本文针对上述问题,在分析了人脸性别识别和年龄估计国内外研究现状的基础上,对人脸检测、人脸性别特征与年龄特征的提取、性别估计与年龄分类方法等进行了深入研究。首先,介绍基于Adaboost算法的人脸检测的原理以及其训练算法,该方法对正面人脸检测有很好的效果。为了对人脸进行几何归一化,本文提出了基于两级定位框架的双眼定位方法,该方法首先利用Adaboost算法分割出两眼的区域,实现眼睛的粗略定位,然后再通过寻找积分投影曲线的波谷值点实现人眼的精确定位,实验表明该方法可以快速、准确的定位人眼中心点。其次,采用不同的分块方式提取能够反映人脸图像纹理信息的LBP特征,采用不同尺寸的像素块检索图像提取能够反映人脸图像形状信息的HOG特征,二者都能够作为人脸性别信息的一种表示,本文利用深度学习的理念,采用卷积神经网络提取人脸图像的性别特征,分别利用上述特征进行人脸性别分类实验,结果表明HOG特征能够取得最优的结果。最后,构建卷积神经网络提取人脸的年龄特征。当训练集样本数目不是很大时,直接利用训练集来训练CNN并不能使网络性能达到最佳,而解决方案是先利用样本数目充足的数据库预训练CNN来初始化网络权值,然后用本文训练集再次进行网络的训练与学习,通过对网络权值的微调使CNN能够满足本文的需求。采用CNN提取人脸年龄特征并检验其分类正确率,同时采用与性别识别相同的人脸特征提取方式提取人脸的LBP和HOG特征,作为人脸年龄特征,进行人脸年龄估计实验测试其性能。实验结果表明,CNN提取人脸年龄特征分类准确率最高,表明深度学习方法在样本充足及分类问题复杂时,能够提取到比人工特征性能更优的特征。综上所述,本文引入Adaboost算法实现人脸的检测和定位;提出基于两级定位框架的双眼定位方法确定双眼中心点的位置,实现人脸区域的几何归一化:采用人工特征和基于深度学习思路的卷积神经网络提取人脸性别及年龄特征,通过改变特征提取方式获得每种特征的多组特征,结合SVM分类器分别进行性别识别及年龄估计实验;实验结果表明人工特征更适合本文样本较少的性别识别问题,基于卷积神经网络的特征提取在本文样本增多的年龄估计问题上的性能更加突出。(本文来源于《东北大学》期刊2016-12-01）
陈梁[10]（2016）在《特征融合和字典学习在人脸性别识别方面的应用研究》一文中研究指出基于人脸图像的性别识别在人机交互、智能监控、视频检索等领域中有着广阔的应用前景,近年来已经发展成为计算机视觉领域的一个热点课题。与其它识别问题一样,人脸性别识别系统的基本框架需要包括特征描述和分类器设计两方面。一方面,人脸的描述特征可以分为全局特征和局部特征两大类,两种特征的作用不同具有互补性,而传统的人脸性别识别方法在特征提取方面主要是针对单一特征,必定会影响最终的识别率;另一方面,传统的性别识别分类器主要有支持向量机(Support Vector Machine,SVM)、Adaboost和神经网络等,由于SVM是针对二分类问题提出的,因此SVM在人脸性别识别问题上被应用得最为广泛,但是这些传统分类方法对有部分遮挡人脸的识别效果并不理想。为了解决上述两个问题,本文提出将全局特征和局部特征进行融合得到人脸的描述特征,该人脸描述特征较单一特征包含了人脸更多的有用信息。此外,由于稀疏表示已被成功应用于人脸识别领域,其对于存在光照,表情及遮挡等情况下的人脸识别具有很强的鲁棒性,因此本文将稀疏表示应用于人脸性别识别问题中,并在此基础上引入了类字典和字典学习进一步提高了识别率。本文的研究工作如下:(1)深入调研了目前常用的人脸性别识别方法。综述了目前在人脸性别识别领域中常用的人脸特征提取方法和常用的人脸性别分类方法。(2)提出了基于单特征和类字典的稀疏人脸性别识别方法。首先,鉴于稀疏表示在人脸识别领域中的成功应用,本文将稀疏表示应用于人脸性别识别问题中,提出了基于宏字典的稀疏人脸性别识别方法。然后,在基于宏字典的稀疏人脸性别识别方法基础上,提出了基于类字典的稀疏人脸性别识别改进方法。最后,分别基于PCA、LBP和2D-Gabor特征,在CAS-PEAL人脸库上比较了两种方法的识别率,通过实验证明了在单特征条件下,基于类字典的稀疏人脸性别识别方法识别效果更好。(3)提出了基于特征融合和类字典学习的新型稀疏人脸性别识别方法。首先,由于全局特征和局部特征在表征人脸方面作用不同且具有互补性,本文将全局特征和局部特征进行融合,使用融合特征作为人脸的描述特征,通过实验证明融合特征的识别率较单一特征要高。然后,由于不经过字典学习的类字典对于训练数据的表征能力有限,本文通过字典学习算法得到经过学习的类字典并将其应用于人脸性别分类,通过实验比较了未经过学习的类字典和分别经过叁种字典学习算法得到的类字典的识别率,证明了经过学习的类字典的识别率较未经过学习的类字典更高并且通过RLS-DLA算法得到的类字典的识别率最高。接着,本文介绍了在稀疏表示识别问题中叁种常用的稀疏表示向量求解方法,并从识别率和计算时间两个方面对这叁种方法进行了比较实验,发现正交匹配追踪算法的综合性能最好。最后,通过实验比较了本文方法与SVM方法分别对有遮挡人脸和无遮挡人脸的识别率,在无遮挡人脸的识别方面,SVM方法稍好于本文方法,但是在有遮挡人脸的识别方面,本文提出方法要明显优于SVM方法,证明了本文提出方法的有效性。(本文来源于《南京邮电大学》期刊2016-11-18）
人脸性别识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对人脸图像性别识别中单一特征识别率不高的问题,提出了融合纹理特征和形状特征的人脸图像性别识别方法.通过局部二值模式(LBP)及其改进算法提取人脸图像的纹理特征,梯度直方图(HOG)提取人脸图像的形状特征,融合两个特征利用Adaboost分类器进行人脸图像的性别分类.在ORL人脸数据库和自制人脸数据库CZB上的实验结果表明,相对于直接利用像素特征和单一特征的识别方法,融合多特征的人脸性别识别方法的识别率明显提高.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
人脸性别识别论文参考文献
[1].吴军,邱阳,卢忠亮.全局融合卷积神经网络的边缘分类的人脸性别识别[J].现代电子技术.2019
[2].陈章宝,王艳春,王强.融合纹理和形状特征的人脸图像性别识别[J].怀化学院学报.2019
[3].石学超,周亚同,池越.基于多层特征融合可调监督函数卷积神经网络的人脸性别识别[J].计算机应用研究.2019
[4].黄义棚.基于相似性度量的人脸性别识别技术研究[D].北京邮电大学.2017
[5].郭行.非限制环境下的低秩协同人脸性别识别研究[D].南京邮电大学.2017
[6].郑瑶娜.基于人脸图像的性别识别和年龄估计[D].合肥工业大学.2017
[7].张军挺.人脸检测及人脸年龄与性别识别方法[D].中国科学技术大学.2017
[8].裴子龙.基于卷积神经网络的人脸性别识别研究[D].山西师范大学.2017
[9].王宏阳.人脸性别识别与年龄估计算法研究[D].东北大学.2016
[10].陈梁.特征融合和字典学习在人脸性别识别方面的应用研究[D].南京邮电大学.2016