性别识别技术涉及模式识别、心理学、人工智能、计算机视觉等不同领域,在人机对话、图像与视频检索、人口信息采集、安全门禁、身份认证等方面都有着一定程度的应用,因此被各个领域的研究人员所关注。然而,性别识别技术仍然处于探索阶段,不同的算法都存在一定的局限性,如何提高性别识别的准确性及其自动化程度依旧是一个值得研究的问题。由于利用典型相关分析(CCA)将同一模式下的两组特征矢量进行融合的方法在人脸识别、手写体识别、表情识别等问题中都体现出其优越性,因此,本文重点研究了CCA在性别识别中的应用。本文的主要工作如下:1.对性别识别中常用的一些特征提取和分类方法进行了介绍,具体包括局部二值模式(LBP)、梯度方向直方图(HOG)和C1等特征提取方法,以及支持向量机(SVM)、AdaBoost和随机森林(RF)等分类决策方法。使用这些方法在MIT和VIPeR行人图像数据库上进行了性别分类实验,对不同的特征提取和分类方法进行了比较研究。实验结果表明,在性别识别中,C1特征优于LBP特征和HOG特征,利用SVM进行性别识别具有较好的性能。2.提出了基于CCA特征融合和SVM的全身图像性别识别方法。首先,利用CCA方法对LBP特征、HOG特征以及C1特征进行两两融合,得到LBP-HOG、LBP-C1和HOG-C1三种组合特征,然后,使用SVM方法进行性别识别。在MIT和VIPeR图像数据库上进行了实验,对三种组合特征以及单一特征在性别识别中的优劣进行了比较。实验结果表明,在性别识别中,利用CCA融合得到的组合特征优于单特征。在三种组合特征中,HOG-C1特征识别效果最好。3.研究了朝向对全身图像性别识别的影响,提出了一种基于CCA特征融合、并考虑朝向的全身图像性别识别算法。首先,利用CCA方法对HOG和C1特征进行融合,然后,利用SVM对朝向进行分类。在预测朝向的过程中,根据测试样本到SVM超平面距离将朝向归为三种情况,即正面朝向、背面朝向以及正面与背面混合朝向。然后根据每一种情况进一步进行性别识别。实验结果表明,本文提出的方法使得性别识别率进一步提高。