论文部分内容阅读
基于人脸图像的性别识别技术，不仅能够为各个相关领域提供个人基础信息，还可以提高人类身份特征识别的准确率，人脸性别识别技术是人脸图像研究的热点。在众多图像识别的方法中，卷积神经网络（CNN）对二维图像的处理有结构上的优势，对图像的旋转、位移等变形的识别有着很好的鲁棒性，已获得了广泛的应用。研究卷积神经网络并运用于人脸性别识别，有理论意义和实际应用价值。 本文深入研究了以卷积神经网络为基础的人脸性别识别方法，主要做了如下工作： 1.概述了卷积神经网络和人脸性别识别技术的研究现状，对卷积神经网络在人脸性别识别研究中所涉及的相关理论与技术做了详细的综述。 2.通过对卷积神经网络训练过程的研究分析，针对其收敛速度慢的问题，提出了采用粒子群算法（PSO）改进卷积神经网络的方法，即将卷积神经网络的训练参数和误差函数分别作为PSO的粒子和适应度函数，以此来改进卷积神经网络，仿真结果表明：与常规卷积神经网络比较收敛速度有所提高。 3.设计了一种用于人脸性别识别的FGI（Face Gender Identification）卷积神经网络模型，包含一个局部二值模式（LBP）预处理层、两个卷积层、两个下采样层和一个全连接层，仿真结果表明：与LeNet-5模型比较识别精度稍有提高。 4.把 PSO改进卷积神经网络算法的FGI网络模型（PSO-CNN算法）应用在AR人脸数据库进行仿真实验，通过与经典BP神经网络识别方法、常规卷积神经网络识别方法以及有遮挡饰物的人脸图像的对比实验，验证了PSO-CNN算法对人脸性别的识别精度高、训练过程收敛速度快、且有很好的鲁棒性，表明PSO-CNN算法是一种有效的人脸性别识别方法。