论文部分内容阅读
人脸属性识别是根据所提特征来预测给定人脸图像的属性信息,如表情、年龄、性别、种族等,进而辅助身份识别或情感分析。人脸属性识别的相关研究是计算机视觉领域的研究热点之一,具有重要的研究意义和广泛的应用前景。随着深度学习方法的发展与应用,人脸属性识别的研究也开始采用深度学习的方法并取得了较好的识别效果。本文以深度学习为基础,在充分使用人脸图像的局部和全局特征信息的基础上,提出了三种人脸属性特征提取与分析算法,主要工作如下:(1)提出了一种基于深度森林的人脸属性特征提取与分析算法(Facial Attributes Analysis based on Deep Forest,FAA-DF)。深度森林算法具有特征提取、识别分类的效果,并且其算法本身具有较好的泛化性能,可以应用于不同数据集,因此可以用于人脸属性鲁棒特征提取与分析。本文在CK+、RAF-DB、Adience、CelebA数据集上进行了人脸的表情、年龄及性别的特征提取与分析,验证了FAA-DF算法对于人脸属性识别的有效性。(2)提出了一种基于增强深度森林的人脸属性特征提取与分析算法(Facial Attributes Analysis based on Enhanced Deep Forest,FAA-EDF)。所提算法在深度森林的基础上改进了其结构,增加了梯度提升决策树森林和逻辑回归模块,可使算法性能得到提升,且针对人脸属性具有鲁棒性。本文在CK+、RAF-DB、Adience、CelebA数据集上进行了人脸表情、年龄及性别的特征提取与分析,与基于深度森林的人脸属性特征提取与分析算法相比,基于增强深度森林算法的相关属性的识别准确率在CK+数据集上提高了 2.04%,在RAF-DB数据集上提高了 2.48%,在Adience数据集年龄属性上提高了 3.08%,性别属性上提高了 2.01%,在CelebA数据集年龄属性上提高了 1.54%,性别属性上提高了 1.84%,验证了增强深度森林对于人脸属性识别具有更好的性能和更强的鲁棒性。(3)提出了一种基于异构深度模型的人脸属性鲁棒特征提取与分析识别算法(Facial Attributes Analysis based on Heterogeneous Deep Model,FAA-HDM)。所提异构深度模型采用AlexNet深度神经网络以及增强深度森林分别提取深度特征和森林特征以形成协同描述的融合特征,并用于后续的人脸属性识别。本文在CK+、RAF-DB、Adience、CelebA数据集上验证了所提FAA-HDM算法在人脸属性识别上鲁棒性和有效性。