人脸包含丰富的信息,如性别、年龄、种族、表情等,基于人脸图像的应用受到广泛的关注,一些人脸识别系统已经投入使用,关于人脸应用的研究也在不断深入,其中基于人脸图像的性别识别和年龄估计也成为一个研究热点,例如超市客流的男女比例以及各年龄段分布。本文对人脸性别识别和年龄估计做了深入的研究和探索,将几种不同方法的识别率进行了对比,并提出了改进方法。本文的主要工作内容如下:(1)样本归一化。从不同的人脸库中获取的图像存在非人脸背景,并且人脸区域的大小也不一致,同时人脸图像不一定是标准的正面图像,可能存在一定的角度旋转。因此在进行性别识别和年龄估计前就需要取出人脸区域图像,并且对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,并通过眼睛和嘴巴的定位将人脸图像进行归一化操作,这样可以降低位置信息和背景噪声对后续识别率的影响。(2)特征提取。在性别识别中用到了像素的灰度特征以及局部二值模式(LBP)提取的局部纹理特征;在年龄估计中用到了几何特征和纹理特征,几何特征主要是通过主动形状模型(ASM)进行人脸特征点定位,纹理特征则是通过Gabor小波和分数阶微分来进行提取的。(3)特征降维。Gabor小波提取纹理特征时会急速加剧特征数据的维数,数据量过大会使得训练和识别的速度很慢,并且冗余信息也会使得准确度有所下降,本文采用主成分分析法对特征数据进行降维处理,并对测试的准确度进行了比较和分析。(4)性别识别。性别识别是一个二分类问题,本文采用支持向量机对性别特征进行训练和测试。(5)年龄估计。年龄估计是一个多分类问题,本文将支持向量机分类与回归结合,首先利用支持向量机将儿童和成人进行粗分类,再将支持向量机回归和支持向量机分类结合对成年人的纹理特征进行训练和测试,找到人脸图像所属的年龄段。最后通过将几何特征与纹理特征结合来对儿童、成年人、老年人进行分类。本文通过实验证明在对儿童和成年人进行分类时,将人脸的几何特征点间的距离比与位置信息进行融合的特征分类相对于单个几何特征平均准确率可以提高3%左右,并且几种不同纹理特征的结合可以提高性别识别和年龄估计的准确率。