人脸图像包含丰富的信息,人们可以轻易地从人脸图像中提取出大量有用的信息,如身份、性别、年龄、感情表现、种族特征、健康状况等。目前人脸检测和识别的研究已经相对成熟,并已广泛应用在智能相机的人脸检测和门禁系统的人脸识别中。但是,机器在检测和识别人脸之后,对人脸上所反应的信息的解读还远不成熟。基于人脸图像的性别识别与年龄估计就是人脸图像的扩展应用。性别判断和年龄估计因其在身份认证、人机交互、视频检索以及机器人视觉中存在潜在的应用,成为当前计算机视觉和模式识别领域中的一个研究热点。本文在对人脸性别判断和年龄估计做了深入的研究和探索后,提出了对人脸图像进行性别判断和年龄估计的改进方法。本文主要研究内容如下:1.样本预处理。从人脸库中获取的图像存在非人脸背景,同时人脸图片存在尺寸不一,光照不均或者角度旋转等情况,因此在进行性别判断和年龄估计前需要提取出人脸区域图像,并且对人脸区域图像进行预处理和归一化操作。本文利用Adaboost算法和人脸Haar特征来实现人脸的自动检测,并通过定位双眼的坐标从而对人脸图像进行几何归一化操作,这样可以降低位置信息和背景噪声对后续实验的影响。2.在CAS-PEAL人脸数据库上进行了人脸图像性别判断的实验,分别提取LBP特征、HOG特征以及Gabor特征作为性别特征,使用SVM进行分类判断。实验结果表明所采用的三种特征方法都可以较好的判断性别,而HOG特征方法的识别率最高,达到了92.13%。3.讨论了提取HOG特征时的两个相关参数,在大量实验的基础上,总结分析了在人脸图像分析中HOG算子参数选择的最佳方案,并给出了HOG参数选择的推荐值。4.本文将年龄分成几个年龄段,将年龄估计问题转化为多分类问题。在FG-NET人脸数据库上进行人脸图像年龄估计的实验,考虑到人脸年龄的变化是一个复杂的过程,本文选择将多特征进行融合。针对LBP特征提取的纹理特征有限且HOG特征可以通过像素梯度幅值和梯度方向的分布很好地描述图像边缘和方向信息的问题,本文选择将LBP特征和HOG特征进行融合,并提出了三种不同的特征融合方法。实验结果表明融合特征的识别率优于单一特征的识别率,其中LBP+HOG融合特征的估计效果最佳,总体估计准确率为78.00%,比单一特征识别方法至少提高了4.00%。5.本文将特征级融合和决策级融合兼顾考虑,提出了一种基于融合多特征和多分类器的人脸图像年龄估计的方法,使用LBP特征和HOG特征以及融合LBP+HOG特征训练三组分类器,先使用两组单特征分类器进行分类,当两组分类结果产生分歧时,调用融合特征训练的分类器进行分类,并以此分类结果作为最终结果。该方法利用融合特征分类器的强分类能力来解决单特征分类器不能正确分类的问题。实验结果表明,本文提出的融合多特征和多分类器的人脸图像年龄估计方法的总体识别率为78.67%,比多特征融合方法的总体识别率提高了0.67%。表明了该融合方法在减少一些不必要的步骤的同时还可以提高年龄估计的总体准确率。