本课题进行多角度人脸图像的性别分类和相应的特征选择研究。单一正面人脸图像的性别识别已经是一个得到较充分研究的问题,但是在实际环境下,由于人脸角度和朝向的多变性,使得现有算法的应用产生较大困难。本课题试图探索更适应多角度变化的人脸图像性别分类方法,并通过特征选择提高算法性能。在本论文中,作者探索了基于图像的多角度人脸性别识别框架,并结合梯度直方图分析及支持向量机对特征进行选择,有效的提高了分类算法的性能。最后讨论实验结果和结论。识别人脸的朝向和角度在某些特定情况下已经被证明是一个简单问题。而对于确定角度的人脸图像的性别分类研究,也已经存在大量成熟的工作可以借鉴。本文中的分类框架将二者结合,首先获得人脸的朝向和角度信息,然后利用针对单一角度特别训练的分类器进行性别分类,取得了较好的效果。人脸分析常用的基于Gabor的特征存在诸多优点,但也有维数过高、计算时间长等不足。本文根据固定角度人脸图像梯度方向的内在统计特性结合视神经简单细胞响应特点,提出了基于梯度方向直方图(HOG)分析的Gabor滤波器最优方向选择方法,不仅提高了特征提取速度,也提高了分类性能。随着支持向量机(SVM)分类器的广泛应用,基于SVM的特征选择方法也被大量提出。本文尝试应用SVM-RFE及其在多类问题上的推广SVM-DFS进行特征选择,提高特征提取速度和分类性能。通过分析人脸角度分类结果,本文提出了有针对性的训练集增强方案,较好的解决了在角度错分情况下的性别识别率下降问题,提高了整体识别准确率。