基于机器学习的人脸图像分析是计算机视觉领域中的活跃研究课题之一,在很多人机交互的相关应用中都不乏基于人脸图像分析的属性分类,例如人脸识别、面部表情识别、性别分类等。本文总结分析了基于人脸图像性别分类的研究现状,研究并实现了基于字典学习和深度学习的人脸图像性别分类算法。1.基于形状-纹理超完备联合字典及集成表示的性别分类针对给定的人脸图像,基于傅里叶描述子及空间分块MQLBP编码分别提取原始形状及纹理特征;基于特征选择及特征提取方式进行纹理特征降维;进一步结合形状特征和降维后的纹理特征,实现基于形状-纹理的超完备混合联合字典学习;基于加权集成表示及最小重构误差,实现给定人脸图像的性别分类。基于CelebA人脸数据库上的性别分类实验验证了该算法的有效性。2.基于图约束低秩共享字典学习的性别分类该算法充分利用人脸图像的结构一致性规律,将图约束引入低秩共享字典学习的框架中,提出一种基于图约束低秩共享字典学习的性别分类算法。算法以判别字典对类间差异有效建模,以共享字典为类间的共性成分建模;最后,基于最小误差重构原则及最近距离法,实现人脸样本的性别预测。实验验证了该算法的有效性。基于非限制场景人脸数据库CelebA及受限制场景AR人脸数据库的实验验证了该算法的有效性。3.基于深度卷积神经网络的性别分类基于VGG16、ResNet50和Inception-ResNet-v2三种典型的网络结构实现了基于深度卷积神经网络模型的人脸图像性别分类,并以此为基础,分别基于迁移学习及集成学习策略,提出并实现了两种模式的人脸图像性别分类模型。模式1借助网络的深度迁移学习思想,基于预训练的深度卷积网络模型特征提取模块实现人脸的多级别特征提取,并结合线性SVM分类模型进行人脸图像性别分类。模式2分别以VGG16、ResNet50和Inception-ResNet-v2三种典型的深度卷积神经网络为0级学习器,以二项Logistic回归模型为1级学习器,实现了一种基于堆叠泛化集成策略的人脸图像性别分类。基于非限制场景的CelebA人脸数据库的实验验证了上述两种实现方式的有效性。