基于三維人臉數據的性別分類

徐英武，胡學剛

（1.安慶職業技術學院，安徽 安慶 246003；2.合肥工業大學，安徽 合肥230009）

基于三維人臉數據的性別分類

徐英武1，2，胡學剛2

（1.安慶職業技術學院，安徽 安慶 246003；2.合肥工業大學，安徽 合肥230009）

提出了一種新穎的基于視覺詞典直方圖的三維人臉特征，并將其應用到三維人臉數據中實現了人臉性別分類。視覺詞典直方圖特征提取分為兩個階段，訓練階段和識別階段。在訓練階段中，先是通過Gabor濾波器提取出三維人臉數據中的局部紋理特性，組成濾波響應向量集合，然后通過聚類算法得到向量中心，即三維人臉視覺詞匯；在識別階段中，將濾波響應向量與三維人臉視覺詞匯進行映射，得出對應的視覺詞匯直方圖向量，即基于視覺詞典直方圖的人臉特征。在獲取人臉特征后，采用SVM分類器實現性別分類。實驗表明，該特征在性別分類中可以獲得比其他廣泛采用的表象特征（如Gabor濾波器、LBP等）更好的分類性能，充分證明了該特征實現了三維人臉描述有效性和魯棒性的統一。

三維人臉；視覺詞典；性別分類

0引　言

近年來，由于三維人臉數據對于光照以及姿態等變化的魯棒性，三維人臉識別的關注度得到不斷提升［1］。雖然分類問題在很多領域都有著廣泛的應用，與識別同屬于計算機視覺方向的經典問題，但三維人臉分類問題的研究內容還比較少見。三維人臉數據不僅包含個體身份這樣的具體信息，還包括其所屬民族、性別、年齡等多方面的社會和人文屬性，因此，出色的分類結果不僅可以減少人臉識別時的搜索空間，提升識別速度和識別性能，而且還可以對人臉數據加入準確的語義標簽，有助于圖像在數據搜索等領域的進一步應用。基于此，本文在三維人臉的性別分類領域進行了初步的探索。

1　相關工作

性別分類是一個典型的二類問題，因此一些強分類器，如支持向量機（SVM）、Adaboost等算法在該領域有著廣泛的應用［2］。目前，在灰度人臉模態上性別分類已經有了相當多的研究工作，其中比較有代表性的如B.Moghaddan［3］等利用大規模的二維人臉數據庫，將原始的人臉圖像灰度信息輸入到支持向量機（SVM）分類器中，學習得出類別分界面的支撐臉（support face）。論文提出，在利用學習得到的支撐臉分界來對圖像進行有效性別分類時，可以取得90%以上的識別率。與此同時，該論文還發現分類性能和人臉圖像的分辨率沒有直接關系，利用分辨率為21*12或是分辨率為84*48的人臉圖像數據進行分類，它們的性能差距在1%以內。S.Baluja［4］等也得到了類似的結論，而且作者還提出如果利用Adaboost算法作為分類器在二維人臉模態進行性別分類，不僅可以取得和SVM分類器近似的分類性能，而且還可以獲得遠小于SVM分類器的計算代價，進一步提升性別分類的速度。

大部分的性別分類工作都是基于基礎像素數據的［3，4］，但是一些人臉的局部紋理特性，如Gabor濾波器［5］或者Local Binary Pattern（LBP）［6］，它們或是通過提取多方向多尺度的局部紋理區域對比特征，或是利用中心像素與其鄰域像素值的對比關系建立紋理模式，因此包含著比像素值更為豐富的紋理細節信息。如果利用這些特征，完全有可能進一步提升性別分類算法的性能。

本文中我們提出了一種新穎的基于視覺詞典的直方圖特征并將其應用于三維人臉性別分類領域，算法流程圖如圖1所示。該特征將Gabor濾波器對人臉數據局部紋理細節的描述性以及直方圖對于人臉全局數據的統計性結合在一起，體現了三維人臉特征描述有效性和魯棒性的統一。

圖1　三維人臉性別分類系統流程圖

1.1視覺詞典特征提取

表象特征就是基于三維人臉深度圖像數據分析得到的全局或局部的紋理特征，基于這個方向的算法主要問題就是如何充分利用深度紋理信息來描述紋理的本質特征以獲得數據的準確分類，這也是特征選擇的主要目標。自從KBovver等的工作之后，利用表象特征進行三維人臉的特征描述逐漸成為了三維人臉研究領域的主流方向。

在二維人臉識別中，Gabor濾波器［5］由于其可以提取多個尺度多個方向的數據響應信息，獲得了更加精細的紋理內部特性，因此取得了廣泛的使用。但是，由于涉及了圖像數據響應的尺度和方向信息，這也就對于數據的預處理和配準實現有了更高的要求，否則其表述效果更容易受到數據噪音的影響。而三維數據采集本身就包含很多噪音，因此使得Gabor濾波器局部特征在該領域的應用受到了一定的制約。與之相反，基于統計信息的直方圖特征對于數據噪音比較魯棒。該類算法通過統計深度像素值的分布信息，實現了對于某類紋理圖像的一種總體概括。但這類方法缺乏對于紋理局部信息和位置信息的細致描述，表達能力相對比較薄弱，在需要用到紋理細節情況的分類問題時，其識別性能不夠理想。視覺詞典直方圖特征的動機就是希望能夠融合上述幾類算法的優點，克服它們的缺點，使得本文的算法可以達到識別效果和魯棒性能的統一。

視覺詞典直方圖特征向量的計算過程如圖2所示，其流程可以分為訓練和分類兩個階段。在訓練階段中，先是通過Gabor濾波器提取出三維人臉數據中的局部紋理特性，組成濾波響應向量集合，然后通過聚類算法計算出向量中心，即三維人臉視覺詞匯；在識別階段中，將濾波響應向量與三維人臉視覺詞匯進行映射，得出對應的視覺詞匯直方圖向量，即基于視覺詞典的三維人臉直方圖特征。其中間過程主要包括三維Gabor人臉計算、視覺詞匯聚類以及直方圖特征生成3個步驟。

圖2　視覺詞典直方圖向量流程圖

1.2三維Gabor人臉計算

在三維Gabor人臉計算中，Gabor濾波器的定義如下：

其中 Ku＝Kmax/fu，φv=πv/4，Kmax代表最大的頻域值，f 是Gabor核函數在頻域中尺度的間隔量。

我們選擇4個方向和5個尺度的Gabor核函數，u∈｛0，1，2，3｝和u｛0，1，2，3，4｝，尺度和方向的數目選擇反映了所采用空域信息的局部性和方向選擇的精細程度。對于深度人臉圖像的Gabor描述，我們稱之為三維Gabor人臉，可以通過深度人臉圖像和Gabor核函數進行卷積計算得到。

1.3視覺詞匯聚類

在訓練階段，獲取三維Gabor人臉數據（Gabor濾波器響應向量）集合之后，我們利用K均值聚類對于數據進行聚類［2］，其具體步驟如下：

1.從n個數據對象任意選擇k個對象作為初始聚類中心；

2.計算每個數據對象與這些聚類中心對象的距離；

3.根據最小距離對每個數據對象依據聚類中心對象重新進行劃分；

4.重新計算每個聚類的中心對象；

5.循環步驟2-4直到每個聚類中心不再發生變化為止。

計算得到的聚類中心即為三維人臉視覺詞匯。

1.4視覺詞典直方圖特征生成

在分類階段，獲取Gabor濾波器響應向量（三維Gabor人臉數據）之后，計算每個響應向量與視覺詞匯向量的歐式距離，并將該向量歸屬于與其距離最近的視覺詞匯。通過這種映射方式，可以將該深度人臉圖像的所有Gabor濾波器響應向量歸屬于與其對應的三維人臉視覺詞匯。基于該對應關系，可以計算出該深度人臉圖像的視覺詞典直方圖特征。

1.5性別分類

在獲取視覺詞典直方圖特征之后，將性別分類轉化為二類分類問題處理，選取SVM分類器對數據進行學習和分類，從而達到性別分類的目的。SVM分類器是被廣泛使用的強分類器，對于二類問題具有很好的分類性能和泛化性能，在實驗中我們采用了帶有高斯核函數的SVM分類器，其實現的具體細節可以參考。

2　實驗與討論

為了驗證視覺詞典直方圖特征在三維人臉性別分類領域中的性能，我們的實驗基于FRGC2.0三維人臉數據庫［7］。因為原數據庫中并未提供性別數據的分類，因此我們人工為數據庫手動挑選出了男性圖像和女性圖像。基于FRGC2.0數據庫，得到了2148幅男性圖像和1859幅女性圖像，部分代表性三維人臉圖像如圖3所示。

由于在訓練人臉視覺詞匯時，采用的是中性表情圖像（FRGC1.0），因此，在實驗中還挑選出了僅含有表情變化的三維人臉圖像子集驗證該特征的泛化性能，FRGC2.0數據庫中表情圖像的定義可見［8］，共有796幅小表情變化圖像和742幅大表情變化圖像。

圖3　三維人臉數據，其中第一行為男性，第二行為女性

實驗中，把視覺詞典直方圖特征與其他幾種常用的表象紋理特征的分類性能進行對比，對比特征包括深度像素值、Gabor特征和LBP特征，實驗結果如表1所示。

表1　性別分類識別率比較

由上述實驗的結果，可以得到以下結論。

1.視覺詞典特征在所有試驗中都取得了最優的性別分類性能，這也充分說明了視覺詞典算法在三維人臉性別分類問題上的有效性和對表情變化程度的魯棒性。由于我們的視覺詞匯在訓練時只利用了中性表情的三維人臉數據，而其在表情數據實驗中也取得了最優的分類性能，這也說明了該特征具有很好的泛化性能［9］。

2.Gabor特征的分類性能優于深度像素值。由于Gabor特征提取了人臉數據中多尺度多方向的局部紋理細節特性，其比直接深度像素值包含了更多有效的紋理信息，因此在分類性能方面明顯優于后者。

3.深度像素值的分類性能優于LBP特征。由于LBP特征利用的是人臉局部紋理模式的統計信息，對于紋理細節的描述能力要弱于直接的深度像素值，該結論也說明表象紋理細節信息對于性別分類問題更為有效。

4.在實驗中，對原始三維人臉圖像分別作了1：2和1：4的降采樣，結果發現分類性能幾乎不會受到影響（差距在1%以內），這也說明深度圖像和灰度圖像類似，其分辨率的變化對于性別分類影響并不明顯。

3結　論

在本文中，提出了一種新穎的視覺詞典直方圖特征，并將其成功應用于三維人臉性別分類。該特征同時考慮了局部紋理的細節信息和紋理模式的統計信息，實現了三維人臉紋理描述有效性和魯棒性的統一。基于FRGC三維人臉數據庫的人臉性別分類實驗結果表明該特征可以獲得明顯優于其他表象紋理特征的分類性能。還發現，深度圖像分辨率對于三維人臉性別分類性能的影響很小，這也使得在我們進行性別分類計算時可以對數據進行進一步的壓縮，提升計算效率。

［1］K.Bowyer，K.Chang，and P.Flynn.A survey of approaches and challenges in 3d and multi-modal 3d+2d face recognition.［J］.Computer Vision and ImageUnderstanding（CVIU），2006（1）：1-15.

［2］R.O.Duda，P.E.Hart，and D.G.Stork.Pattern Classification，SecondEdition.［M］.JohnWiley&Sons，Inc.，2001：3-17.

［3］B.Moghaddam and M.H.Yang.Learning gender with support faces.［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence（PAMI），2002，1（7）：1-5.

［4］S.Baluja and H.Rowley.Boosting sex identi-cation performance.［J］.International Journal of Computer Vision（IJCV），2007（1）：111-119.

［5］C.J.LiuandH.Wechsler.Gaborfeaturebased classification using the enhanced fisher linear discriminant model for face recognition.［J］.IEEE Transactions on Image Processing（TIP），2002，11（4）：467-476.

［6］T.Ojala，P.Matti，and M.Topi.Multiresolution grayscale and rotation invariant texture classification with local binary patterns.［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence（PAMI），2002，24（7）：971-987.

［7］P.J.Phillips，P.J.Flynn，T.Scruggs，K.W.Bowyer，J. Chang，K.Hoffman，J.Marques，J.Min，and W.Worek. Overview of the face recognition grand challenge.［J］.In Proceedings of IEEE Conference on Computer Vision and Pattern Recognition（CVPR），2005（1）：947-954.

［8］T.Maurer，D.Guigonis，I.Maslov，B.Pesenti，A.Tsaregorodtsev，D.West，andG.Medioni.Performanceofgeometrix activeid TM 3d face recognition engine on the frgc data. ［J］.InProceedingsofIEEEConferenceonComputer Vision and Pattern Recognition（CVPR），2005（3）：145-154.

［9］徐英武.多模態人臉識別系統研究［J］.池州學院學報，2015 （6）：32-34.

責任編輯：胡德明

Gender Categorization Based on 3D Face Data

Xu Yingwu1，2，Hu Xuegang2
（1.Anqing Vocational&Technical College，Anqing 246003，China；2.Hefei University of Technology，Hefei 230009，China）

The article proposes a novel histogram feature based on 3D facial visual codes，and successfully applies this algorithm to 3D face gender categorization.Extracting facial histogram feature based on visual codes can be divided into 2 stages，training stage and categorization stage.In the training stage，first the local texture characteristics in 3D facial data are extracted using Gabor filters to a form filter response vector set，and then vector centers，namely，3D facial visual codes are obtained through clustering algorithm.In the categorization stage，the filter response vectors are mapped to the visual codes，and the mapping results can be represented as a histogram feature vector.Gender classification is achieved by using SVM classifier based on the obtained histogram feature vector.Experimental results illustrate that our proposed visual code histogram feature achieves better categorization performance than the widely used appearance-basedfacialfeatures，suchasGaborfilterandLBPfeatures，whichdemonstratesits effectiveness and robustness for 3D face gender categorization.

3D face data；visual codes；gender categorization

TP391

A

1672-447X（2016）03-0007-004

2016-04-26

安徽省高等學校自然科學研究重點項目（KJ2016A449）；安徽省高校質量工程教學研究項目（2015jyxm757）。

徐英武（1974-），安徽潛山縣人，碩士，安慶職業技術學院電子信息系講師，研究方向為模式識別。