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问题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国内外研究现状的基础上,对人脸检测、特征提取以及性别分类等方法进行了深入研究。首先,采用样本的Haar特征和Adaboost算法生成一个级联分类器,实现人脸的检测。实验结果表明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,本文提出了 LBP-HOG融合的特征提取方法。利用LBP特征表征男性与女性的面部在光滑程度和胡须等方面的差异性;利用HOG特征表征男性与女性在眉毛粗细、嘴唇薄厚等方面的差异性。本文对传统的LBP均匀分块方法进行了改进,通过使块与块之间有部分重叠可以避免某个器官分割到不同的块中。实验结果表明,本文提出的特征融合算法可以更好地提高性别的识别率。最后,采用SVM分类器对特征向量进行学习训练实现性别的识别。针对特征向量维度和冗余度较高的问题,本文提出了改进的mRMR特征选择算法。传统的mRMR特征选择方法由于判断式两边取值范围不平衡会导致结果偏向一边,针对此问题,本文对其进行了改进,更好的调节了互信息的相关性与冗余性,使特征选择结果更加符合要求。实验结果表明,改进后的mRMR算法比传统的算法可以更好的选择与类别最相关且冗余最小的特征,不但降低了特征维度,还提高了性别识别的准确度。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;提出了LBP-HOG特征融合算法实现人脸区域特征提取,并改进mRMR算法实现特征选择;结合SVM分类器实现了人脸性别识别;最后通过实验验证了算法在提高性别识别准确性方面的有效性和优越性。