下载文档原格式
基于卷积神经网络的人脸识别与性别年龄识别人脸识别与性别年龄识别是计算机视觉领域的重要研究方向，近年来得到了广泛的关注和应用。
而基于卷积神经网络（Convolutional Neural Networks，CNN）的人脸识别算法在这一领域取得了令人瞩目的成果。
本文将介绍基于CNN的人脸识别与性别年龄识别的原理和方法，并分析其在实际应用中的优缺点。
首先，我们来介绍基于CNN的人脸识别算法。
CNN是一种被广泛用于图像识别任务的深度学习模型，其结构受到了人脑视觉皮层的启发。
CNN通过多层卷积和池化操作，可以自动提取图像中的特征，并利用全连接层进行分类。
在人脸识别中，CNN可以学习到人脸的底层特征，如边缘、纹理等，以及高层语义特征，如眼睛、鼻子、嘴巴等。
人脸识别的基本步骤包括人脸检测、人脸对齐、特征提取和特征匹配。
在基于CNN的人脸识别中，首先需要使用CNN 对图像进行人脸检测，并将检测到的脸部区域进行对齐，以消除姿态和尺度的差异。
接下来，将对齐后的人脸图像输入到CNN中，并通过卷积和池化操作学习到人脸的特征表示。
最后，使用特征匹配算法来比较待识别人脸的特征与数据库中已知人脸的特征，以完成人脸识别任务。
与传统的人脸识别算法相比，基于CNN的人脸识别具有以下优点。
首先，CNN可以自动学习到更好的特征表示，减少了人工设计特征的工作量。
其次，CNN可以利用大规模的训练数据进行端到端的训练，提高了模型的泛化能力。
此外，CNN还可以通过增加网络层数和参数量来提升模型的性能，从而适应复杂的人脸图像。
除了人脸识别，基于CNN的方法还可以应用于性别和年龄的识别。
性别和年龄识别是人脸分析的两个重要任务，对于许多应用领域都具有重要的意义。
基于CNN的性别年龄识别方法使用类似的流程，即通过CNN学习人脸的特征表示，然后使用分类器来预测性别和年龄。
通过训练大量的人脸图像和标签数据，CNN可以学习到性别和年龄之间的相关性，并实现准确的识别。
人脸识别技术的年龄和性别分类算法研究与评估近年来，随着人工智能技术的迅猛发展，人脸识别技术逐渐成为了一种重要的生物特征识别技术。
其中，年龄和性别分类算法作为人脸识别技术的两个重要分支，受到了广泛的关注和研究。
本文将就人脸识别技术的年龄和性别分类算法进行深入探讨和评估。
首先，我们来了解一下人脸识别技术的基本原理。
人脸识别技术是通过对人脸图像进行特征提取和匹配，来实现对人脸的自动识别和分类。
其中，年龄和性别分类算法是在人脸识别技术的基础上，通过分析人脸图像中的特征，来判断被识别者的年龄和性别。
这一技术在安防、人机交互等领域具有广泛的应用前景。
在年龄和性别分类算法的研究中，研究者们主要采用两种方法：基于特征的方法和基于深度学习的方法。
基于特征的方法主要是通过提取人脸图像中的一些特定特征，如皱纹、眼角弧度等，来判断被识别者的年龄和性别。
这种方法的优点是简单易懂，计算速度较快，但是其准确性和鲁棒性相对较低。
而基于深度学习的方法则是通过构建深度神经网络模型，通过大量的训练数据进行训练，来实现对年龄和性别的准确分类。
这种方法的优点是准确性较高，鲁棒性较强，但是需要大量的训练数据和计算资源。
在评估年龄和性别分类算法的性能时，我们主要关注两个指标：准确率和召回率。
准确率是指分类结果中正确的比例，而召回率则是指分类器能够正确识别的比例。
这两个指标相互影响，我们需要在准确率和召回率之间进行权衡。
在实际应用中，我们可以根据具体的需求，选择适当的分类算法和参数设置，来实现最佳的分类效果。
除了准确率和召回率，我们还需要考虑年龄和性别分类算法的健壮性和隐私保护性。
健壮性是指算法对于光照、姿态、遮挡等因素的鲁棒性，即在复杂环境下仍能保持良好的分类效果。
隐私保护性则是指算法在进行人脸识别时，对个人隐私信息的保护程度。
在实际应用中，我们需要综合考虑这些因素，选择合适的年龄和性别分类算法。
总结起来，人脸识别技术的年龄和性别分类算法是人工智能技术的重要应用之一。
人脸识别系统中的性别和年龄预测算法研究人脸识别技术作为一种生物特征识别技术，已经在多个领域取得了广泛的应用。
其中，性别和年龄的预测是人脸识别系统中常见的需求之一。
本文将对人脸识别系统中的性别和年龄预测算法进行研究分析，并探讨其应用和发展前景。
一、性别预测算法研究性别预测是人脸识别系统中的一个重要任务。
性别信息在很多领域都有应用价值，比如市场调研、广告推荐、安防监控等。
目前，性别预测算法主要分为两种：传统机器学习算法和深度学习算法。
传统的机器学习算法通常基于特征提取和分类器构建。
特征提取常使用的方法包括LBP（Local Binary Pattern）、HOG（Histogram of Oriented Gradients）等。
分类器可以采用SVM（Support Vector Machine）或者随机森林等。
传统算法的优点是计算速度快，但准确率相对较低。
深度学习算法是近年来人工智能领域的研究热点之一，也在性别预测中展现出良好的表现。
深度学习算法可以通过构建深度神经网络来实现自动特征提取和分类。
目前，深度卷积神经网络（DCNN）是应用最广泛的方法之一，如VGGNet、ResNet等。
深度学习算法的优点是准确率高，但训练和推理的时间成本较高。
二、年龄预测算法研究年龄预测是人脸识别系统中另一个重要的任务。
年龄信息在社交媒体、市场推广、安防监控等领域都有广泛应用。
目前，年龄预测算法主要分为传统方法和深度学习方法。
传统的方法通常基于局部特征、全局特征以及人脸外貌特征等进行分析。
局部特征包括皱纹、眼袋等，全局特征则包含面部轮廓、颜色信息等。
常用的算法包括局部二进制模式（LBP）、主成分分析（PCA）等。
传统方法的优点是计算速度快，但对于复杂的年龄变化以及光照变化等情况，准确率较低。
深度学习方法能够从数据中自动学习特征表示，并通过构建深度神经网络进行年龄预测。
常用的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）等。
人脸识别算法的性别识别方法人脸识别技术是一种通过计算机对人脸图像进行分析和比对的技术，广泛应用于人脸识别、人脸检测、人脸跟踪等领域。
其中，性别识别算法是人脸识别技术的一个重要组成部分。
本文将介绍人脸识别算法中常用的性别识别方法。
一、人脸特征提取在性别识别的过程中，首先需要对人脸图像进行特征提取。
人脸特征提取是将复杂的人脸图像通过一系列算法转化为更加简洁、有意义的特征向量，以便于后续的性别分类。
目前常用的人脸特征提取方法包括主成分分析（PCA）、线性判别分析（LDA）等。
PCA方法通过寻找最大化数据方差的特征向量来实现降维，将高维的图像数据转化为低维的特征向量。
而LDA方法则通过线性投影的方式，最大化同类样本的间隔，最小化异类样本的间隔，以获得更好的分类性能。
这两种方法在性别识别中均有应用。
二、分类器训练与测试在人脸特征提取之后，需要使用特征向量进行性别分类器的训练和测试。
常见的分类器包括支持向量机（SVM）、人工神经网络（ANN）等。
支持向量机是一种常见的监督学习方法，通过构建一个决策边界，将数据划分为不同的类别。
在性别识别中，支持向量机可以根据训练集的特征向量来学习判别性别的规律，最终得到一个具有较好分类性能的模型。
人工神经网络模拟了人脑神经元之间的连接和传递方式，通过对大量数据进行学习和训练，提取出特征，并通过不同的神经元层进行特征的组合和计算，最终得到性别分类的结果。
人工神经网络具有较强的非线性拟合能力，适合处理复杂的人脸图像。
三、数据集的准备与标注在进行性别识别的算法训练和测试之前，需要准备一个充足且准确标注的数据集。
数据集应包含不同姿态、光照条件、表情等变化的人脸图像，以保证算法的鲁棒性和泛化能力。
同时，还需要为数据集进行性别标注，即对每张人脸图像进行男性或女性的分类标记。
标注的准确性对于算法的训练和测试非常重要，需要尽可能避免标注错误和偏差。
四、算法性能评价在性别识别算法的研究中，评价算法的性能是十分重要的。
人像鉴定分析系统人像鉴定分析系统是一种基于计算机视觉技术的人脸识别系统。
它通过分析和比对人脸图像中的特征点、纹理、构造等细节信息，实现对人脸的快速识别和鉴定。
这项技术的应用领域非常广泛，包括刑侦破案、安防监控、社交娱乐等方面。
一、人种识别人像鉴定分析系统可以通过对人脸的特征点和面部结构的分析，准确识别人种信息。
在刑侦破案中，通过对嫌疑人的人种信息的分析，可以缩小搜索范围，提高破案效率。
而在边境安防方面，人脸人种识别技术也能够帮助边防部门快速识别出入境人员的身份信息，提升边境检查效率和安全性。
二、年龄与性别识别通过对人脸图像中的纹理和特征点的分析，人像鉴定分析系统还可以实现对人脸的年龄和性别的识别。
在日常生活中，这项技术可以应用于各种场景，如广告营销、人群统计、安防监控等。
例如，在广告营销中，根据不同年龄和性别人群的喜好和需求差异，可以通过针对性的广告推送，提高广告效果和用户体验。
三、情绪识别除了基本的人脸信息识别外，人像鉴定分析系统还能够分析人脸表情和微表情，实现对情绪的识别。
通过对人脸表情的分析，系统可以准确判断人的情绪状态，如高兴、愤怒、悲伤等。
这项技术在心理学研究、心理咨询、互联网社交等领域有着广阔的应用前景。
四、活体检测为了提高人像鉴定分析系统的安全性和可靠性，活体检测技术也成为其不可或缺的一部分。
活体检测技术通过分析人脸的纹理、温度、眼底血管等特征来判断是否为真实的人脸，从而避免了照片、面具等非真实人脸的欺骗行为，提高了系统的准确性和可信度。
总结：人像鉴定分析系统在刑侦破案、安防监控、社交娱乐等领域具有重要的应用价值。
通过对人脸的特征点、纹理、构造等细节信息的分析和比对，该系统能够实现对人脸的快速识别和鉴定。
无论是人种识别、年龄与性别识别、情绪识别，还是活体检测，人像鉴定分析系统都发挥着重要的作用，为各个行业带来了更高的效率和便利性。
随着计算机视觉和人工智能技术的不断发展，相信人像鉴定分析系统将会有更广阔的应用前景，并为社会的发展带来更多的便利和安全。
人脸识别中的性别与年龄分类技术研究1.引言人脸识别技术是一种基于人脸图像或视频进行身份识别的技术。
它可以在不需要密集的用户交互的情况下识别或验证一个或多个用户。
人脸识别技术已经得到了广泛的应用，例如，安全控制、人脸解锁等。
人脸识别技术的一项重要应用是人脸性别与年龄分类。
2.人脸识别技术的基础2.1 人脸检测人脸检测是人脸识别技术的第一步，它的目标是找出被分析的图像或视频中的人脸。
人脸检测是一个非常重要的技术，因为它是识别或验证的前置条件。
人脸检测方法有很多，其中最常用的是基于特征的方法和基于机器学习的方法。
基于特征的方法将图像或视频中的人脸和事先定义好的人脸特征进行比较，找出最佳匹配。
基于机器学习的方法则是通过训练模型从已知人脸图像中学习人脸特征，并根据学习到的特征来检测新的人脸。
2.2 人脸对齐人脸对齐是将人脸图像或视频中的人脸调整为标准位置和大小的过程。
正确的人脸对齐可以提高后续算法的性能，并且使得不同角度和灯光下的人脸变得具有更好的比较性。
2.3 人脸表示人脸表示是将人脸图像或视频中的人脸转换为一组数值的过程。
这些数值可以表示人脸的特征，例如人脸的几何形状、纹理、颜色等。
常见的人脸表示方法包括主成分分析（PCA）、线性判别分析（LDA）、局部二值模式（LBP）等。
3.人脸性别与年龄分类技术3.1 性别分类技术性别分类是根据人脸图像或视频中人脸的特征来将人脸分为男性和女性。
常见的性别分类算法包括支持向量机（SVM）、随机森林（Random Forests）以及卷积神经网络（CNN）等。
其中SVM是一种常用的分类算法，它利用核函数将输入数据映射到高维空间，并在高维空间中找到一个最优的分类边界。
随机森林是一种强大的分类算法，它是由多个决策树组成的集成学习器。
每个决策树基于一个随机的样本和特征子集来进行训练，最终的分类结果是通过“投票”方式获得的。
相比于SVM和随机森林，CNN在性别分类方面表现更为出色。
人脸识别技术如何应对年龄和性别识别问题近年来，随着人工智能技术的不断发展，人脸识别技术逐渐成为了各个领域的热门话题。
人脸识别技术的应用范围越来越广泛，从安全领域的身份认证，到商业领域的市场分析，无不离开人脸识别技术的支持。
然而，人脸识别技术在年龄和性别识别方面仍然存在一些挑战，需要不断的改进和优化。
首先，年龄识别一直是人脸识别技术中的难点之一。
由于年龄的变化是一个渐进的过程，不同年龄段之间的差异并不明显，因此准确地判断一个人的年龄是一项具有挑战性的任务。
目前，人脸识别技术主要通过分析人脸上的皱纹、皮肤松弛度等特征来判断一个人的年龄。
然而，这种方法存在一定的局限性，因为不同人的皮肤老化速度和特征表现可能存在差异。
因此，为了提高年龄识别的准确性，研究人员需要进一步探索更多的特征和算法。
与年龄识别相比，性别识别在人脸识别技术中相对较容易实现。
因为男性和女性的面部特征在某些方面具有明显的差异，例如下巴的形状、眼睛的大小等。
目前，性别识别主要依靠机器学习算法和深度学习模型来实现。
通过对大量的性别标注数据进行训练，可以让计算机具备较高的性别识别能力。
然而，性别识别技术仍然存在一定的误判率，尤其是在面部特征不明显或者存在遮挡的情况下。
因此，改进性别识别算法和提高数据集的质量是提高性别识别准确性的关键。
除了年龄和性别的识别，人脸识别技术还可以应用于其他方面。
例如，人脸识别技术可以用于判断一个人的情绪状态。
通过分析人脸表情的特征，可以判断一个人是开心、悲伤还是愤怒等。
这种情感识别技术在心理学、市场调研等领域具有广阔的应用前景。
另外，人脸识别技术还可以用于判断一个人的健康状况。
通过分析人脸上的血管、皮肤颜色等特征，可以判断一个人是否患有某种疾病。
这种健康诊断技术对于早期预防和治疗疾病具有重要意义。
然而，人脸识别技术在应对年龄和性别识别问题时也面临一些挑战和争议。
首先，人脸识别技术的应用可能侵犯个人隐私权。
由于人脸识别技术可以在不经过个人同意的情况下获取个人信息，因此可能引发个人隐私泄露的风险。
For personal use only in study and research; not for commercial use基于人脸的性别识别Gender Identification Based on Face院系：电子信息与技术学院姓名：陈泽腾学号：13213070摘要人脸是重要的生物特征之一，人脸图像上蕴含了大量的信息，例如性别、年龄、人种、身份等。
人脸的性别识别就是试图赋予计算机根据输入的人脸图像判断其性别的能力。
本文基于人脸正面图像进行性别分类。
一般而言，人脸性别识别系统分为图像预处理，人脸特征提取和分类器识别三部分。
本文针对这三个部分展开研究，并比较了几种不同方案的识别性能。
通过对性别识别的重要理论的研究，为了提高性别识别率，本文提出了采用AdaBoost 算法提取整体特征，主动表观模型提取局部特征，组合局部与整体特征后使用支持向量机（SVM）进行分类的方法。
本文在一个由AR、FERET、CAS-PEAL-R1、网上收集和实验室自行采集所共同组成的，包含21,300 余张人脸的数据库上，进行了大量有意义的实验。
实验结果显示，融合了整体特征和局部特征后，识别率比基于（单独）整体特征的、基于（单独）局部特征的有很大的提高，达到了90%以上。
本文还通过精心设计的对比实验对预处理过程中人脸有效区域的截取和AdaBoost 的结构选择等方面给出了合理的建议。
关键词：性别识别，局部特征，整体特征，AdaBoost，支持向量机，主动表观模型第一章绪论1.1 性别识别问题描述人脸是重要的生物特征之一，人脸图像上蕴含了大量的信息，例如性别、年龄、人种、身份等。
人机交互技术（HCI）的发展使得计算机视觉、人工智能在监控、GUI人机界面设计等方面发挥了越来越重要的作用。
随着技术的进步，基于人脸图像模式识别问题也成为近年来研究的热点。
其中包括人脸检测、人脸身份识别、人脸属性（性别、年龄、表情、种族等）识别等各类识别问题。
基于人脸的性别分类就是让计算机根据输入的人脸图像判断其性别的过程。
人脸的性别识别似乎是人们“与生俱来”的能力，但让计算机识别并不容易，即使有大量来自计算机视觉、模式识别、人工智能、心理学等各领域的研究人员的努力，这个问题仍然困扰着他们。
赋予计算机同样的能力一直是人类的梦想之一，如果把照相机、摄像头、扫描仪等外设看作计算机的“眼睛”，数字图像就是它看到的“影像”，性别识别的目标就是让计算机从“影像”中找到人脸并正确判断其性别。
这种识别过程大体上分为以下步骤：●●人脸检测/定位计算机首先检测“影像”中是否存在人脸。
如果存在，则给出其位置坐标、旋转角度、人脸区域大小等信息，以将人脸分离出来，供后续处理。
这一步骤主要受到光照、噪声、面部姿态以及各类遮挡的影响。
人脸检测是人脸性别识别的前期工作。
同时，它也可以作为独立的完整功能模块用于监测、安保系统。
●●特征提取在检测到的人脸上提取性别特征，即采用某种编码方式表示检测出的人脸。
常用的特征包括以亮度分布信息为代表的整体特征和以五官的位置和形状轮廓信息为代表的局部特征。
特征提取之前往往还需要进行预处理，将这些人脸几何上、颜色上归一化，以削弱遮挡、姿态、光照、饰物等因素的影响。
●●性别识别根据提取的面部特征，对待识别人脸的性别做出判断。
1.2 性别识别的研究意义与典型应用人脸的性别识别的研究始于二十世纪九十年代，问题起初是由心理学家进行研究的[1][2]，他们致力于了解人类是如何分辨男女性别的。
接着，有人从计算机视觉的角度进行研究，主要目标是要得到一个性别分类器。
十多年来人脸的性别识别得到了长足的发展，尤其在近些年，更成为一个热门的研究课题，得到大量来自计算机视觉、模式识别、人工智能、心理学等各领域的研究人员的关注。
人脸的性别分类几乎涉及到模式识别的不同方法，如人工神经网络（ANN）、主分量分析（PCA）、贝叶斯决策、支持向量机以及AdaBoost 算法等等。
性别识别在各个方面都有潜在的广阔的应用前景。
性别识别在身份识别中可以充当“过滤器”的功能，利用检测出来的性别信息可以显著降低进行身份识别的搜索数量，从而提高身份认证识别速度与精度。
[3]性别识别也是智能人机接口领域的重要研究内容之一。
让计算机理解人脸面相的丰富信息并能加以分类，这恰是智能人机接口研究需要解决的问题之一，也是机器智能的重要表现。
它的最终解决可以极大的改善目前呆板、不方便的人机交互环境，提供更为个性化的服务。
例如可以在大型游乐场所、主题公园的导游车上配备这类系统，让计算机根据使用者不同的性别分布，随机应变地推荐一些更具针对性的商品或者旅游景点。
也可以为超市、商店等提供分类更详细的统计信息，提供收集潜在客户数据的自动化途径，帮助其向消费者提供更具针对性的促销服务，从而在一定程度上改变人们的生活质量和生活方式。
自2001 年美国“9²11”恐怖袭击发生以来，安全性成为了人们日益关注的主要问题。
为此，各国都投入大量物力人力研究并发展各类识别技术。
性别识别也能在安保系统、身份验证系统中起到很大的作用，例如在某些需要限制异性出入的场所可以提供实时的视频监控。
又例如可以在奥运会中用来监测，防止个别参赛选手“男扮女装”，利用力量、速度、耐力、爆发力等方面的优势，窃取奖牌的舞弊行为。
1.3 性别识别的研究现状(1)使用人工神经网络进行的探索性的研究从上世纪90 年代起国外一些学者开始了人脸性别识别问题的研究，他们致力于理解人类判定性别的视觉处理机制，主要采用的是人工神经网络的方法。
如Golomb等[1]训练了两层神经元网络SEXNET，用来识别30³30 的人脸图像的性别。
Cottrell和Metcalfe[2]差不多同时做了类似的实验，他们先对样本进行主分量分析，然后训练BP 神经元网络用于识别人脸的表情和性别。
Brunelli 和Poggio[4]训练了一个HyperBF网络，使用16 个几何特征进行性别分类。
Tamura 等人[5]训练了一个三层BP 网络，在8³8 的低分辨率人脸图像上取得了93%的分类结果。
Abdi 等人[6]用RBF 网络和一个感知器进行实验，他们比较了基于几何特征和基于像素分布特征的性别识别方法，两者基本达到了相近的准确率。
(2)支持向量机算法Moghaddam 等人[7]使用基于RBF 核的SVM 分类器对21³12 的“缩略图”人脸图像进行性别分类，并与一些传统的神经网络方法和线性分类器方法进行了系统的比较，他们发现SVM 的分类效果显著好于其他分类器。
实验中使用FERET 人脸图像库进行了训练和测试，达到了96.6%的准确率。
(3)AdaBoost 分类算法Shakhnarovich 等人[8]将Viola 和Jones 提出的基于类Haar 基特征的AdaBoost方法应用于性别分类问题，训练并完成了一个自动检测、跟踪、性别识别系统，使用普通网络图片的测试正确率达78%，甚至稍好于他们同时训练用作比对的基于RBF 核的SVM 分类器的分类精度，而且在识别速度上比之快了约1000 倍，达到了很好的效果。
清华大学的武勃、艾海舟等人使用AdaBoost 算法对基于类Haar 基特征的LUT弱分类器进行训练分类。
实验中使用了FERET 图像库以及从互联网获得的一些人脸图像，将所有人脸图像归一化到36³36 大小。
他们发现比起普通基于阈值若分类器的AdaBoost 方法，LUT AdaBoost 方法收敛更快识别效果更佳。
他们还将LUT AdaBoost方法使用在人脸图像的年龄分类上，分辨成年人和儿童。
Baluja 和Rowley[9]使用像素比较操作加上AdaBoost 分类器，识别率超过93%，高于相同输入的SVM 分类器的结果。
(4)基于柔性模型的分类算法Saatci 和Town[3]提出了基于主动表观模型的性别与表情识别方法。
他们用AAM提取的特征来训练SVM 分类器。
他们在AR、IMM 和FEEDTUM 人脸库上对符合条件的正面图像进行测试，识别率达到了97.6%。
他们还尝试在性别识别之前先用表情识别进行分类，期望能一定程度地提高性别分类的精度，但实验结果却并不理想，识别率不升反降，他们指出可能的原因是训练样本数目太小。
Costen 等[10]提出了稀疏矩阵SVM分类方法，目的是选择出最重要的特征，并尽量使类间的距离最大化。
在他们300幅正面并手工标定76 个特征点的日本人脸图像构成的测试集上，识别率达到了94.42%。
(5)基于主分量分析特征的分类算法（PCA）由于面部图像存在大量冗余信息，PCA 技术，或者说KL 变换[11]在人脸识别领域也有大量成功的应用，性别识别也是如此。
Balci 和Atalay[12]使用PCA 和多层感知器网络（MLP）进行性别识别。
Wilhelm 和Backhaus[13]结合PCA 和独立分量分析（ICA）进行特征选择，他们分别使用最近邻分类器、MLP 和一个RBF 网络进行识别。
Alice等[14]系统地研究了人脸女性化程度、男性化程度、可识别程度和漂亮程度之间的关系，并用PCA 模型对人脸中所含信息的统计结构进行了定量计算，他们还用PCA 方法从人脸的三维模型（结构和纹理）中提取特征，并用于训练性别分类的感知机[15]。
清华大学的武勃、艾海舟[15]等人通过实验系统地分析了几种解决方案，包括基于象素特征的SVM 方法、PCA+SVM 方法、PCA+Adaboost 方法、PCA+Adaboost+SVM 方法和最佳特征提取即FLD+CSCIE （Centralized Sample's Classification InformationExtracting）+SVM 方法，并比较了这5 种方法之间的优劣。
实验结果表明采用主分量分析进行特征抽取后的本征向量作为分类器的输入和直接采用原始象素作为分类器输入，最终的分类正确率并没有很大差别。
(6)其他的分类方法Nishino 等人[17]借鉴了生物医学知识：不同性别的面部的热量分布是不一样的，男性的温度较女性稍高，提出了基于热成像仪获取的人脸图像进行性别分类的方法。
但从实验结果来看，其识别率并不高，只能达到75%左右。
上海交通大学的吕宝粮等人[18]利用最大最小模块化支持向量机进行性别分类，他们将结果与传统支持向量机方法进行了对比，实验结果表明，最大最小模块化方法有效地提升了支持向量机的分类能力，在两个测试集上准确率都提高了约6 个百分点。
1.4 常用人脸图像库进行人脸识别问题的研究或实验都需要建立包含各种典型人脸的图像库，尤其是在统计学习占主导地位的今天，模型训练所采用的人脸库的人数规模、覆盖的成像条件变化在很大程度上影响着算法的精度和鲁棒性能。
