本文的研究重点是多角度人脸性别分类问题。基于图像的性别分类是计算机视觉和模式识别领域中的热门研究课题之一,是一个大规模的两类分类问题。基于图像的性别分类主要包含三个部分:1)对原始图像进行人脸检测;2)对人脸面部图像进行特征提取;3)利用提取的人脸面部特征向量和模式分类器对性别进行分类。本文集中研究了人脸检测算法和人脸面部特征提取方法这两部分内容,并重点分析了我们提出的新的特征提取方法在人脸性别分类问题上的分类性能。本论文的创新成果包括:1.动态瀑布结构的人脸检测算法本文提出了一种动态瀑布模型算法用来训练有效的人脸检测器。此算法可以在超大规模的样本集上训练检测器,而且只需要很少的训练参数。同时,动态瀑布模型算法可以采用并行分布式计算,因此在100亿的样本集上训练一个人脸检测器,只需30台个人台式计算机和不超过8个小时的训练时间。2.一种新的弱分类器—贝叶斯弱分类器我们提出了一种新的弱分类器—贝叶斯弱分类器,来训练boost分类器。利用这种分类器,我们可以使用较少的特征来获得更加稳定的boost分类器。贝叶斯弱分类器通过将传统的二值断言型弱分类器扩展为多路划分的决策树型弱分类器来达到最小化贝叶斯错误率的目标。3.使用多个特征集合的人脸检测器训练方方法法如何减少运行时的计算消耗和增加检测的准确率是人脸检测领域的两个最具挑战性的问题。为了解决这两个问题,我们通过在动态瀑布模型中使用多种特征集合,同时优先使用计算复杂度低的特征集合。在本文中,我们一共使用了三种特征集合:Haar-like特征,Gabor小波特征以及局部边方向直方图特征。4.基于局部Gabor二值映射模式的特征提取方方法法我们提出了一种新的特征提取方法—局部Gabor二值映射模式特征,并将它应用于人脸性别分类问题。这个方法首先采用多方向、多尺度的Gabor滤波器对人脸图像进行卷积,得到一系列Gabor幅值图谱。其次使用局部二值模式算子编码每个Gabor幅值图谱,形成局部Gabor二值模式图像。然后将每个局部Gabor二值模式图像划分为互不重叠的矩形区域,统计区域直方图,形成局部Gabor二值模式特征。为了对此特征进一步降维,我们提出了两种局部区域投影方法,将每个区域直方图映射成一个数值。通过使用这两种投影方法,最终得到的局部Gabor二值映射模式特征向量的维数比传统的局部二值模式特征向量的维数还要低。