基于性别分类的人脸识别系统

沙特国王大学学报一种基于性别分类Jyothi S.Nayak，M.英迪拉马计算机科学与工程系工程学院，Bull Temple Road，Bangalore-560019，印度阿提奇莱因福奥文章历史记录：收到2020年2020年12月3日修订2021年1月1日接受2021年1月14日在线提供保留字：年龄不变人脸识别性别分类整体面部特征A B S T R A C T存在对基于面部生物测定的认证系统的需要，该认证系统尽管有大量注册用户也能快速响应这些认证系统的主要挑战是准确性和快速响应时间。响应时间可以通过具有较少数量的探测图像与图库图像的比较来降低。为了提高响应时间，我们提出性别分类作为预处理阶段，以便通过仅拍摄与用户性别一致的面部图像来在分类器的训练阶段，我们使用主成分分析来创建男性和女性特征空间。为了验证我们的分类器，我们使用了ORL，Indian和FG-NET数据库。我们提出的方法提高了识别精度的图像具有老化的变化。提出的性别分类模型给出了提高的准确率为57.44%，59.13%和61.13%的调查图像从FG-NET数据库与ORL，印度和FG-NET数据库的训练图像相比，PCA。此外，通过将性别分类作为预处理阶段的年龄不变的人脸识别系统中的比较的数量平均减少了38%版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍使用电子资源的用户数量的巨大增长导致了对认证系统的需求增加。基于生物特征的认证通过消除维护多个密码、智能卡等的障碍而减轻了我们的生活（Jain等人，2004年）。人脸识别是一种生物识别方法，用于以友好的方式验证用户。在这个用户数量庞大的时代，验证过程必须高效可靠。由于包括访问控制、安全监控和视频监控在内的各种各样的商业和执法应用，人脸识别是机器学习中活跃且迅速兴起的研究的广阔领域。自动人脸识别是从图库图像的数据库中识别探针图像的过程（Tolba等人， 2006年）。一个探测图像*通讯作者。电子邮件地址：jyothinayak. bmsce.ac.in（J.S. Nayak），indira. cse@bmsce.ac。在（M. Indiramma）。沙特国王大学负责同行审查相对于注册图库图像的人可以相对于定向、照明、表情和年龄而变化人脸识别系统的性能不仅取决于准确性，还取决于在数据库中进行比较的次数。如果我们可以在粗略的水平上将数据库中的面部图像分类为类似的并且相对于探测图像完全不同的，则可以减少比较的次数。其中一个可以用来对图像进行分组的特征是性别。通过对人脸特征进行分层分组，提高了人脸识别系统的准确性，并提取了个体的身份信息。作者Kandeland Jain（2010）将特征分为1级、2级和3级，这些特征的划分将与面部的全局结构有关的比较推进到面部的更精细细节，从而缩小了所考虑的图库图像 在我们早期的工作中，我们考虑了基于自PCA的人脸识别（Nayak等人，2012年），以识别该人，而不管他/她的年龄变化。在个体水平上建立特征空间，在测试阶段将探针图像与每个个体的特征空间进行比较在本文中，我们提出了一种基于面部特征的性别分类作为预处理阶段，可以用来减少在一个完整的人脸识别系统的比较的数量本文https://doi.org/10.1016/j.jksuci.2021.01.0051319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comJ.S. Nayak和M. 英迪拉马沙特国王大学学报5184第2节涉及为实现性别分类而开展的相关工作。第3节解释了拟议的模型。第4节讨论了实验装置和结果，最后一节讨论了结论。2. 相关工作2.1. 性别分类我们人类可以根据面孔、音调、步态、行为等方面的差异准确地区分男女。性别分类是根据个人的可观察特征来识别个人的性别自动化性别分类系统受到诸如清晰度降低、输入失真等因素的挑战。性别分类是一种重要的分类，其在人机交互、广告、营销分析、视频点播和人口统计研究中找到应用，仅举几例。性别信息是一种非常有用的线索，可以被医疗保健、智能空间和基于生物特征的访问控制领域中的专家和智能系统利用。智能空间中的智能系统的操作可以基于性别信息定制，同样，生物识别系统可以使用性别作为软生物特征来提高其性能（Jain和Kanhangad，2018）。性别分类是一个二元类问题，其中男性和女性是输入特征被分类的两个类标签。根据分类器中使用的输入特征，性别识别系统可以被分类为基于外观和基于非外观的技术（Wu等人，2015年）。基于外观的方法依赖于给予分类器的视觉输入。视觉输入可以基于静态特征（如面部、眉毛、手部几何形状）或动态特征（如身体移动、活动、基于人的可穿戴设备（如衣服、珠宝等）的事件） 在Gattal et al. （2020年）提出了基于笔迹的性别分类。从笔迹中提取线云分布分别用COLD和Hinge特征训练两种支持向量机进行分类。通过选择两个SVM分类器所做决策的最大值来完成最终 In Do et al. （2020）人的步态用于决定人的性别。在这项工作中，使用平均步态图像而不是步态能量图像来补偿视图变化。本文提出的距离信号模型补偿了由于穿着外套或携带物品等引起的步态变化。基于SVM的视图相关分类器被认为是性别分类。作者Siddiqi et al. （2015）使用文字分析将人分为男性和女性。通过计算手写字符图像的局部和全局特征，估计手写字符的倾斜度、曲率、纹理和易读性等属性支持向量机（SVM）和人工神经网络（ANN）分类器被用来决定性别的基础上估计的属性。在非基于外观的技术的情况下，使用诸如个人博客数据、社交网络行为、电子邮件、诸如EEG、ECG的生命信号以及还有DNA信息的特征 在Kaur et al. （2019）EEG传感器用于对性别和年龄组进行分类。该预测是基于EEG传感器在人闭着眼睛休息时捕获的神经信号来完成的从输入的脑信号的五个频率子带中提取均值、能量和均方根等特征训练随机森林分类器以基于这些特征对性别和年龄组进行分类。 该工作（Kuncan等人，（2019）提出性别分类-基于从可穿戴式传感器获得的信号进行测量局部二进制模式变量被用作所获得的信号的特征描述符采用K近邻法、支持向量机、随机森林和人工神经网络分类器进行分类。结果表明，加速度计、陀螺仪和磁力计组合在Eltaher和Lee（2015）中，社交媒体数据的融合用于确定用户的性别用户以文本形式发布的数据与发布的图像一起被融合以决定分类。2.2. 基于人脸图像包括身份认证、访问控制和监视在内的涉及正面面部图像的广泛应用需要将输入图像与数据库中的大量注册图像这些基于安全的环境的意识已经导致画廊数据库的大小的相当大的增加，并且这种大小的增加对这些系统的性能具有很大的影响基于性别分类的面部图像在移动设备中更适用的人脸识别系统的我们提出的基于外观的性别分类是基于人的面部图像由于我们的分类是基于输入的人脸图像，我们探索了一些早期的性别分类技术的基础上提取的特征，从人脸图像。任何面部分析任务都需要有效的面部表示，性别分类也是如此。基于人脸的表征，性别分类方法分为基于整体特征的方法和基于局部特征的方法。Chen et al. （2019）提出利用人脸的判别特征来确定性别。多空间多阶交错模式矩阵用于表示具有纹理模式阶数的人脸子区域所具有的利用链式支持向量机选择性别识别的判别特征Bekios-Calfa等人（2011）提出了基于外观的方法，其中整个面部作为输入，支持向量机用作分类器。Shan（2012）将人脸图像划分为若干子区域，并采用局部二值模式（LBP）表示子区域。使用Adaboost分类器学习判别性LBP箱。该工作主要是对现实生活中的人脸图像进行分类，而不是在受控环境中获取的图像。在Ullah et al. （2012）提出的人脸识别方法采用空间野生局部描述子表示人脸，并使用欧氏距离、城市街区距离等距离度量进行分类。为了提高性别分类的准确性，作者Alexandre（2010）提出了一种使用多尺度图像的特征提取方法。所考虑的特征是使用边缘方向直方图的形状特征和使用均匀局部二值模式的纹理特征以及图像的强度值。将这三类特征分别输入到不同的分类器中，融合所有分类器的分类结果作为最终的分类决策。与基于个体特征的分类方法相比，识别精度得到了提高。Zheng和Lu（2011）提出了一种基于支持向量机的自动置信度分类框架。训练图像被赋予标签置信度值，并使用这些标签置信度合并的图像来训练支持向量机。作者证明了使用这些自动置信度支持向量机与传统的支持向量机相比，在性别分类中提高了准确性。Bekios-Calfa等人（2011）将线性算法用于性别分类，以扩展其在移动设备中的适用性。作者认为，这些线性J.S. Nayak和M. 英迪拉马沙特国王大学学报5185不××算法与非线性分类器相比同样表现良好。所提出的算法适用于资源是主要约束的场景。Tapia和Perez（2013）使用面部对称性对面部图像进行分类，性别的问题。根据以下条件选择面的左半部分或右半部分相互信息。特征选择基于最小冗余和最大相关性（mRMR）、归一化互信息特征选择（NMIFS）、条件互信息特征选择（CMIFS）和条件互信息最大化（CMIM）度量来完成。与全脸相比，该方法对由半张脸组成的选定特征表现良好。 提出了一种学习算法（Ho等人，2012），称为正交最近邻特征线嵌入，以减少计算开销，减少内插和外插误差，并考虑具有更高区分能力的特征向量。该算法提高了性别识别的准确率，试图模仿人类从人脸图像中识别性别的方式。为此使用志愿者进行的研究表明，面部成分和上下文特征被用作特征。为这些局部分量训练单独的 CNN ， 并 使 用 Adaboost 分 类 器 进 行 决 策 级 融 合 （ Afifi 和Abdelhamed，2019）。早期的性别分类工作表明，许多应用，如人口统计调查、目标广告和人机交互都受益于这种分类。此外，在识别大数据库中的人的情况下，如果预先决定探测图像的性别，则可以大幅减少搜索时间。如果数据库包含相同数量的男性和女性图像，则关键比较也可以减少到数据库大小的一半。基于此，我们提出了一个基于人脸图像输入的性别分类系统。3. 提出了一种基于整体人脸特征的性别分类模型在准确和快速的性别分类中可以观察到人类基于视觉的分类的优越能力（Abdi等人，1995年）。人类使用的视觉感受器因为该任务是复杂的，并且在自动识别系统中模仿这一点来对面部进行编码已经证明了这一事实。面部的表示是使用诸如眼睛、鼻子、下巴等面部基本特征之间的距离、角度和面积的测量来完成的。使用诸如鼻子宽度、下巴半径的十六个几何特征（Brunelli和Poggio，1993）来将面部图像分类为男性和女性。作者Burton et al. （1993）使用的参数来自73次测量，这些参数是基于性别分类变量赋予的辨别力。结合特征间的夹角、不同距离间的比值来提高分类精度。但是，得出这些测量的有效组合是限制。基于模型的表示方法采用主成分分析来表示人脸，仅考虑少量特征向量，分类精度与人类相当。Abdi et al.（1995）的工作也总结了第一个特征向量给出了关于一般面部类别的信息，当第二个特征向量被添加到第一个特征向量时，所得到的图像类似于男性面部。但是当第二个特征向量是次特征向量时，所得到的图像表示女性面部。他们还得出结论，第二个特征向量有助于区分男性和女性的面孔。与面部识别不同，面部的视觉语义分类需要在组中的所有面部之间共享的特征（分类问题涉及识别成员身份而不是个人身份。为了确定面部的性别为男性，应考虑男性面部的特征;女性也是如此。男性和女性面部之间的差异被认为是根据性别对面部进行分组（Wild等人， 2000年）。从认知研究中可以明显看出，随着识别人脸，人类可以根据其他特征（如性别，种族等）的数量对人脸进行分组。根据这些特征，可以快速轻松地对人脸进行分类。由于性别信息是一个类的代表，而不是个人身份，我们已经建立了基于整体面部特征的性别分类模型（基于整体特征的子空间算法是基于整幅人脸图像构造子空间。在大多数模式识别应用中，输入数据本质上是多维的，通过以更少的维度表示数据，可以使数据的处理变得容易。这种高维问题被称为维数灾难。为了提取与学习假设相关的信息，通过降维技术将高维观测值转换为低维数据。人脸图像是一个高维向量。为了从给定的面部图像中学习性别，相关信息具有这导致低维表示的图像。适用于面部图像处理的降维方法之一是主成分分析（PCA）（Turk和Pentland，1991）。PCA寻求在最小二乘意义上最能代表数据的投影。PCA与Karhunen-Loeve变换（KLT）密切相关，KLT形成“n”个向量的正交变换，使得对于任何数据点，使用kn个向量的重构误差是最小的。那个...向量被称为特征向量，结果的维度。第一主成分是原始维度的线性组合，沿着该维度存在最大方差。第二主成分是原始维度的线性组合，沿着该维度存在最大方差，并且它垂直于第一主成分。 适用于人脸识别的PCA表示N N像素大小的人脸图像转换为N21矢量。被称为特征面的基向量使用特征值问题来计算其中，R是给定的“M”个训练面部图像的协方差矩阵，I是R的本征向量矩阵，并且R是协方差矩阵R的本征男性的面部图像包含了很多关于形状的变化面部、表情、发型、年龄等，女性的面部形象也是如此。使用男性和女性图像执行的主成分分析可能包含除性别之外的这些变化。我们认为，当训练图像包含这些变化时，得到的特征向量不仅可以包含性别信息，还可以包含其他变化。我们提出了一个性别分类模型，通过创建两个独立的本征空间，一个为男性和其他女性。预期的模型被认为是用不同的数据库进行训练，这些数据库包含关于姿势、年龄、表情等的变化我们已经使用基于整体方法的人脸识别系统来将传入的图像分类为男性或女性。在我们早期的工作中，我们为每个人创造了本征空间，老年人（Nayak等人，2012年）。将探测图像与所有个体特征空间进行比较以确定同一性。为了减少比较的次数，我们将探针图像分类为男性或女性。在训练阶段，我们使用主成分分析（PCA）为男性和女性创建两个独立的子空间。将探测图像投影到这些子空间上以找到最接近的匹配，并基于此确定性别。我们的性别分类模型是基于在面部图像上。为了在我们的J.S. Nayak和M. 英迪拉马沙特国王大学学报5186N××N1×MFXX在识别模型中，我们创建了两个独立的本征空间，一个用于男性图像，另一个用于女性图像，如图1所示。在训练阶段，男性图像用于创建男性本征空间，女性图像用于创建女性本征空间。本征空间的创建细节在3.1节中解释。在测试阶段的查询图像，被投影到男性以及女性的本征空间利用欧氏距离测度，我们将查询图像分类为男性或女性。3.1. 分离本征空间3.1.1. 男性特征空间的构造让我们考虑所有将N个图像转换成由M1、M2.. . 这些图像的平均值是1M。1Nl¼Mi1001/1使用Eq.1.一、Wi¼Mi-1M2减去平均值的男性图像向量Wi由等式（1）表示。二、计算协方差矩阵C1/4XTX的特征值以及特征向量，其中X1/4W1;W2;. . WN]3.1.2. 女性特征空间的构造让我们考虑所有将N个图像转换成由F1;F2表示的P2× 1列向量。 . . 这些图像的平均值为1F。1NlIF使用Eq. 3.第三章。vi¼Fi-lF4减去平均值的女性图像向量vi由等式（1）表示。四、的特征值和相应的特征向量计算协方差矩阵C1/4YT Y，其中Y½v1;v2;.. . vN]3.2. 基于整体人脸特征的性别分类算法3.2.1. 所提出的算法的训练阶段1. 使用第3.1.1节中解释的步骤，使用男性训练图像创建男性本征空间。2. 使用第3.1.2节中解释的步骤，使用女性训练图像创建女性本征空间。3.2.2. 所提出算法的测试阶段1. 尺寸为P的测试图像P像素转换为P21尺寸向量并投影到男性图像的本征空间2. 矢量化的测试图像也被投影到女性图像的本征3. 男性和训练图像的投影测试图像P和投影训练图像TM之间的欧几里得距离计算女性的TF。用dm表示探测图像与男性训练图像之间的最小欧氏距离，用df表示女性训练图像与探测图像之间的最小欧氏距离。4. 根据所计算的两个距离中的最小值将探测图像分类为男性或女性，即，如果dmdf否则女性，则将探测图像分类为男性4. 实验结果使用的数据库：我们使用了三个数据库，即ORL数据库（Samaria和Harter，1994），印度数据库（Jain，2002）和FG-NET数据库（FG-Net，2004）进行实验。所有图像的大小调整为100 100像素。ORL数据库中有40人的400张图像。每个人有10幅图像，这些图像在光照、表情等方面有变化。数据库中有27名男性和13名女性。ORL数据库的样本图像如图2所示。印度数据库包含39名男性和22名女性的图像，分为男性和女性2个目录。每个人都有11张照片。数据库中的图像在方向、表情等方面有变化。数据库中包括的方向是向前看、向侧面看、向上看、向上向左看、向上向右看、向下看。此外，图像具有中性，微笑，笑声，悲伤/厌恶等表情。Indian Face数据库的示例图像是如图3 .第三章。FG-NET数据库由82名年龄从0岁到69岁不等的个体的1，002张非受控图像组成。每个人平均有12张不同年龄的照片，如图4所示。我们分别使用这三个数据库训练了我们的模型，并在测试过程中使用了前面提到的所有三个数据库中的图像来证明我们提出的分类模型的有效性。使用FG-NET数据库训练获得的男性和女性子空间的平均图像如图5所示。图6还显示了使用传统PCA获得的平均图像。Fig. 1. 基于整体面部特征的性别分类模型。图二. ORL数据库的示例图像。J.S. Nayak和M. 英迪拉马沙特国王大学学报5187图3.第三章。印度人脸数据库的样本图像图7显示了使用我们提出的方法成功分类的一些代表性图像，而不是通过PCA获得的结果。4.1. 通过考虑三个数据库该模型作为年龄不变人脸识别预处理阶段的有效性进行了测试。为了证明模型的有效性，分别使用ORL，Indian和FG-NET数据库进行训练。在所有三个训练实例中，与传统PCA相比，我们提出的模型更好地识别了从FG-NET数据库中考虑的测试图像。从FG-NET数据库中获得的测试图像的识别准确度以粗体突出显示，这表明所提出的模型通过使用任何数据库进行训练4.1.1. 使用ORL数据库中的图像进行训练在这个实验中，我们使用ORL数据库的图像创建了男性和女性子空间。测试图像取自ORL数据库、印度数据库和FG-NET数据库。我们比较了我们提出的方法与PCA。为了构造男性和女性特征空间，分别拍摄30张男性和30张女性训练图像ORL数据库的剩余图像被用作测试图像。我们用不同的训练和测试图像组合重复了四次实验，平均和最高识别准确率如图所示。8.第八条。所获得的平均识别准确度示于表1中。当通过ORL数据库进行训练时，与传统的PCA相比，我们的方法效果更好。4.1.2. 使用印度数据库中的图像进行培训在这个实验中，我们使用印度数据库的图像创建了男性和女性子空间。测试图像取自ORL数据库、印度数据库和FG-NET数据库。我们比较了我们提出的方法与PCA。拍摄110张训练图像，并拍摄印度数据库的560张图像作为测试图像。我们在实验中使用了不同的训练和测试图像组合，迭代了四次，平均和最高识别精度如图9所示。用ORL数据库的340幅测试图像和FG-NET数据库的280幅测试图像进行了精度检验。所获得的平均识别准确度如表2所示。FG-NET数据库图像分类更准确地使用我们的方法比传统的PCA。4.1.3. 使用FG-NET数据库在这个实验中，我们使用FG-NET数据库的图像测试图像取自ORL数据库、印度数据库和FG-NET数据库。我们只考虑了FG-NET数据库中的成人图像。我们比较了我们提出的方法与PCA。平均和最高识别准确度如图10所示。取45幅训练图像，取FG-NET数据库的270幅图像我们用图库和查询图像的不同组合重复了我们的实验四次，平均识别准确率如表3所示。还考虑了ORL数据库的340幅测试图像和印度数据库的560幅图像的准确性所获得的平均识别准确度如表3所示。我们的方法在训练和测试图像具有老化变化的情况下提高了准确性4.2. 训练图像的年龄对识别准确率在这个实验中，我们分析了训练图像的平均年龄我们的方法使用了四组训练图像。第一组训练图像由100张年龄在20 -25岁之间的男性图像和71张年龄在20-25岁之间的女性图像组成，第二组训练图像是用年龄在25-30岁之间的31个男性图像和31个女性图像拍摄的，并且365个图像用于测试。第三组训练图像是用年龄在30-35岁之间的17张男性图像和21张女性图像拍摄的，365张图像用于测试。第四组训练图像是用年龄在35岁以上的55张男性图像和36张女性图像拍摄的，365张图像用于测试。平均识别率和最高识别率如图11所示。20-25岁年龄段的图像识别准确率较高，在此期间，由性激素的生理效应带来的性别特异性因此，与传统PCA相比，使用我们提出的模型获得的准确性最大，并且随着年龄的增长而逐渐下降。4.3. 使用K折交叉验证的分类模型的错误率我们还使用K折交叉验证来验证我们的分类模型。实验分析了特征空间构建中训练图像数目的影响。在PCA的情况下，ORL数据库的400个图像被分成5个折叠，每个折叠80个图像。取320张图像作为训练集，其余80张图像作为测试图像。通过构造男性和女性样本的两个子空间来测试所提出的性别分类器。ORL数据库包括35名男性和5名女性。以280幅图像为训练样本，作为测试集。使用40幅训练图像和10幅测试图像构建女性子空间。传统PCA用于构造特征空间的训练图像数为320，而我们提出的方法中男性特征空间仅使用280个训练图像，女性特征空间仅使用40个训练图像见图4。 FG-NET数据库的示例图像。J.S. Nayak和M. 英迪拉马沙特国王大学学报5188XX1¼英寸X1¼-j图五. 平均女性和男性子空间图像使用我们提出的模型。表1通过从ORL数据库中获取训练图像获得的平均识别精度测试数据库平均识别准确率（%）PCA我们的方法ORL63.3983.01印度57.0666.92FG-NET56.5857.44不e¼Ej6第1页见图6。PCA子空间的平均图像。见图7。一些正确分类的图像，我们提出了基于整体面部特征的性别识别模型和错误分类的PCA。KE N5mi¼1不REe27t-1j¼1我们所提出的方法的分类器误差E以及PCA使用Eq. 其中ni是折叠i中错误分类的测试示例的数量，K是折叠的数量，m是图像的总数。K折交叉验证被重复用Eq表示6，标准偏差r由等式7在哪里E1;E2，Et是在t次试验中获得的误差估计。基因-使用我们提出的方法相对于PCA获得的ORL数据库的分类器误差，列出了五个试验，如表4所示。所提出的方法的错误率的平均估计为12.05%，标准差为5。据观察，当探针集由所有的女性图像，大多数的试验导致100%的识别精度使用我们的方法和识别精度下降到70%，对于相同的探针集使用PCA。在PCA的情况下，FG-NET数据库的500个图像被分成5个折叠，每个折叠100个图像共采集25名男性和25名女性的250张男性子空间的训练集由200幅图像组成，查询集由50幅男性图像组成类似地，使用200个女性图像训练女性子空间，并且探针集由50个女性图像组成。用于构造特征空间的训练图像的数量对于trans-PCA是400个图像，而我们所提出的方法的男性特征空间仅使用200个训练图像，女性特征空间仅使用200个训练图像。性别分类器的错误率图8.第八条。通过从ORL数据库中获取训练图像获得的平均和最高识别精度J.S. Nayak和M. 英迪拉马沙特国王大学学报5189图9.第九条。通过从印度数据库中获取训练图像获得的平均和最高识别精度表2通过从印度数据库中获取训练图像获得的平均识别精度。测试数据库平均识别准确率（%）表4ORL数据库5倍交叉验证的错误率建议的试验错误率（%）PCA的错误率（%）1 8.75 2.5表3通过从FG-NET数据库中获取训练图像获得的平均识别精度。测试数据库平均识别准确率（%）PCA我们的方法奥勒77.79 64.04印度人FG-NET使用我们提出的方法获得的FG-NET数据库与五项试验列出的PCA相比，如表5所示。平均估计-表5FG-NET数据库5倍交叉验证获得的错误率。建议的试验错误率（%）PCA的错误率（%）1 38 362 33 303 45 454 36 395 39 34图10个。通过从FG-NET数据库中获取训练图像获得的平均和最高识别精度PCA我们的方法21020ORL90.0786.103010印度85.5071.114229.5FG-NET55.3259.13522.520J.S. Nayak和M. 英迪拉马沙特国王大学学报5190见图11。 年龄范围分析。见图12。 基于自PCA的年龄不变人脸识别模型的性别分类模型和性别分类模型的比较次数。提出的方法的错误率为38%，标准差为7。据观察，当探针集由所有女性图像组成时，与使用公共子空间的相同探针集的识别精度相比，使用单独子空间的识别精度得到提高。在这两种情况下，还观察到，尽管与传统PCA相比，每个子空间使用较少数量的训练图像进行训练，但我们的模型获得的错误率几乎等于PCA。4.4. 结合性别分类我们进行了基于自主成分分析的年龄不变人脸识别实验，将性别分类模型作为预处理阶段。基于自PCA的方法（Nayak等人，2012）在个人层面上创建了本征空间，因为很明显，面部变化对每个人来说都是不同的，并且需要在个人层面上对这些变化进行建模。基于自主成分分析的年龄不变人脸识别模型将探测图像与训练集中每个个体的特征空间进行比较，图库集则分别取自FG-NET数据库、ORL数据库和印度数据库。在图库中考虑的用于年龄不变人脸识别的个体的数量探头图像来自FG-NET数据库。探针图像与图库集合中的个体之间的比较次数被认为是关键操作。图12中示出了在有和没有性别分类模型作为基于自PCA的面部识别模型的预处理阶段的情况下进行的比较的数量。通过将性别分类作为年龄不变人脸识别模型的预处理阶段，据观察，比较的数量减少，从而提高响应时间的年龄不变的人脸识别。5. 结论自动人脸识别系统中的人的识别是通过将输入图像与存储在图库中的那些图像进行比较来完成的。识别系统的响应时间随着训练数据库大小的增加而放大。通过使用探测图像的性别，可以减少用于比较的候选图库图像。将性别分类模型的输出作为年龄不变量J.S. Nayak和M. 英迪拉马沙特国王大学学报5191基于ORL、Indian和FG-NET数据库的性别分类模型对年龄分离图像的识别率分别为57.44%、59.13%和61.13%，与传统的 PCA方法相比，无论训练图像的来源如何，该方法的识别这证明了所提出的性别分类模型作为年龄不变的人脸识别系统的预处理阶段此外，通过将所提出的模型的数量的比较，平均减少了38%。因此，我们提出的性别分类可以用作识别系统中的预处理阶段，以减少年龄不变人脸识别系统的响应时间。另外，通过增加训练图像的数量，我们可以降低我们提出的模型的错误率。在未来，我们希望提取一些不同的特征，男性和女性的面部图像除了整体的面部特征，以进一步提高识别的准确性，这反过来又将提高年龄不变的人脸识别系统的性能。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用Abdi，H.，Valentin，D.，Edelman，B.，奥图尔，A.J.，1995.更多关于男性和女性之间的差异：来自线性神经网络和主成分方法的证据。Perception 24，539-562.Afifi，M.，Abdelhamed，A.，2019年。afif 4：基于adaboost的深度性别分类-基于孤立面部特征和模糊面部的融合。 J. 视觉通信 图像代表。62，77-86。亚历山大，洛杉矶， 2010. 性别识别：多尺度决策融合方法。模式识别。Lett. 31 ，1422-1427。Bekios-Calfa，J.，J.M. J.A.，包梅拉湖2011年。再论性别识别中的线性判别技术。IEEE传输模式分析马赫内特尔33，858-864。布鲁内利河，波焦，T.，一九九三年人脸识别：特征与模板。IEEE Trans.模式肛门。马赫 内部：1042-1052伯顿，上午，布鲁斯，V，Dench，N.，1993.男人和女人有什么区别？面部测量的证据Perception22，153-176.陈志，爱德华兹，A.，高，Y.，张，K.，2019.学习区分性子区域与模式顺序之人脸性别分类。图像视觉计算89，144-157。做，T. D，Nguyen，V.H.，Kim，H.，2020.视频监控中基于步态特征的实时鲁棒多视角性别分类。模式肛门。Appl.23，399-413.Eltaher，M.，李，J.，2015. Flickr的用户分析：整合多种性别分类功能。J. Adv. 告知。Technol. 六、FG-Net，2004年。光纤网老化数据库。网址：http://sting.cycollege.ac.cy/alanitis/fgnetaging/index.htm。Gattal，A.，Djeddi，C.，Bensefia，A.，Ennaji，A.，2020.使用冷和铰链特征的基于笔迹的性别分类。图像与信号处理国际会议，施普林格，二三三至二四二哦，G.F.，Chen，Y.N.，汉CC Fan，K.C.，2012.基于正交近邻特征线嵌入的人脸识别和性别分类。Int. J. 高级机器人Sy9.贾恩，V.，2002.印度人脸数据库http://vis-www.cs.umass.edu/vidit/IndianFaceDatabase/.贾恩，A.，Kanhangad，V.，2018.智能手机中使用步态信息的性别分类。专家系统应用93，257-266。贾恩，A.K.，罗斯，A.，Prabhakar，S.，2004年介绍生物识别。IEEE传输电路系统视频技术14，4Kaur，B.，辛格，D.，罗伊，P.P.，2019.使用脑机接口进行年龄和性别分类。神经元计算Appl. 31，5887-5900。Kendy，B.，贾恩，A.K.，2010.关于面部特征的分类学。在：生物识别：理论应用和系统（ BTAS） ，2010 年 第 四 届IEEE国 际 会 议 上， pp 。1-8.https://doi.org/10.1109/BTAS.2010.5634533网站。Kuncan，F.，Kaya，Y.，Kuncan，M.，2019.基于局部二进制模式的传感器信号性别识别新方法。J. Faculty Eng. 建筑Gazi大学34，2173-2185。Nayak，J.S.，Indiramma，M.，Nagarathna，N.，2012.基于自主成分分析的年龄不变人脸识别模型。2012年IEEE计算智能和计算研究国际会议，pp。 1比5。奥图尔，A.J.，2005.人脸识别的心理学和神经学观点。人脸识别手册。斯普林格，349-369。撒马利亚，FS，哈特，AC，1994.人脸识别随机模型的参数化，在：1994年IEEE计算机视觉应用研讨会论文集，pp。138-142。Shan，C.，2012.学习局部二进制模式用于真实世界人脸图像的性别分类。模式n。Lett.33，431-437。西迪基岛Djeddi，C.，拉扎，A.，Souici-Meslati湖，2015.用于性别分类的笔迹自动分析。模式肛门。Appl. 18，887-899。Tapia，J.E.，佩雷斯，CA，2013.基于互信息的半张脸和特征选择的性别分类，在：系统，人和控制论（SMC），2013 IEEE国际会议，IEEE。pp. 3282-3287。Tolba，A.，El-Baz，A.，El-Harby，A.，2006.人脸识别：文献综述。Int. J. 信号处理。2，88-103.Turk，文学硕士，彭特兰，AP，1991.使用特征脸的人脸识别，在：计算机视觉和模式识别，1991年。会议记录CVPR'91.，IEEE计算机协会会议，IEEE。pp. 586-591。乌拉岛侯赛因，M.，Muhammad，G.，Alsamh，H.，Bebis，G.，米尔扎，上午，2012.基于局部世界描述符的人脸图像性别识别，见：系统，信号和图像处理（IWSSIP），2012年第19届IEEE国际会议。pp. 417-420怀尔德，哈，巴雷特，S. E.，斯宾塞，M.J.，奥图尔，A.J.，Cheng，Y.D.，布鲁克，J.，2000. 成人和儿童面部的识别和性别分类：在没有性别刻板印象线索的情况下检查表现。J.Exp. Child Psychol. 77，269-291.吴，Y.，Zhuang，Y.，中国科学院，长，X.，林，F.徐伟，2015.人类性别分类：综述。arXiv预印本arXiv：1507.05122。郑杰，Lu，B.L.，2011.一种具有自动置信度的支持向量机分类器及其在性别分类中的应用。神经计算74，1926-1935。