模式识别关于男女生身高和体重的神经网络算法

基于卷积神经网络的人脸年龄识别与性别分析技术研究人脸年龄识别与性别分析技术是计算机视觉领域中的核心研究方向之一。

随着深度学习技术的快速发展，基于卷积神经网络（Convolutional Neural Network，CNN）的人脸年龄识别与性别分析技术受到越来越多的关注。

本文将围绕人脸年龄识别与性别分析技术的研究现状、方法原理、数据集选择、实验结果等方面进行详细介绍。

一、研究现状人脸年龄识别与性别分析技术是计算机视觉领域的研究热点之一，在相关学术期刊和会议上有大量的研究文章发表。

早期的研究大多采用机器学习中的特征提取算法，如LBP（Local Binary Patterns）、HOG（Histogram of Oriented Gradients）等。

但是这些方法对于人脸变化较大的情况效果不佳，同时需要手工设计特征提取算子，使得算法的应用范围受限。

近年来，深度学习技术的发展为人脸年龄识别与性别分析技术带来了很大的突破。

其中，卷积神经网络（CNN）是深度学习中的一种重要架构，被广泛应用于人脸年龄识别与性别分析任务。

CNN能够自动学习特征，无需手工设计特征提取算子，从而提升了算法的性能和泛化能力。

二、方法原理基于CNN的人脸年龄识别与性别分析技术主要包括两个核心部分：特征提取和年龄/性别分类。

在特征提取阶段，通过构建卷积神经网络模型，以人脸图片为输入，经过一系列卷积层、池化层和全连接层的处理，提取出人脸图片中的高层次特征表示。

在年龄/性别分类阶段，将提取得到的特征输入到分类器中进行年龄或性别的预测。

三、数据集选择在进行人脸年龄识别与性别分析任务时，选择合适的数据集对于算法的性能提升具有重要意义。

目前比较常用的数据集有FERET、IMDB和Adience等。

其中，FERET数据集包含了约14,000张不同姿态、光照条件下的人脸图片，用于人脸识别、年龄估计和性别分类等任务。

IMDB数据集包含了约4万张电影中的演员照片，用于明星人脸识别和年龄性别分析等任务。

模式识别第一次作业报告姓名：刘昌元学号：099064370 班级：自动化092班题目：用身高和/或体重数据进行性别分类的实验基本要求：用famale.txt和male.txt的数据作为训练样本集，建立Bayes分类器，用测试样本数据test1.txt和test2.txt该分类器进行测试。

调整特征、分类器等方面的一些因素，考察它们对分类器性能的影响，从而加深对所学内容的理解和感性认识。

一、实验思路1：利用Matlab7.1导入训练样本数据，然后将样本数据的身高和体重数据赋值给临时矩阵，构成m行2列的临时数据矩阵给后面调用。

2：查阅二维正态分布的概率密度的公式及需要的参数及各个参数的意义，新建m函数文件，编程计算二维正态分布的相关参数：期望、方差、标准差、协方差和相关系数。

3.利用二维正态分布的相关参数和训练样本构成的临时数据矩阵编程获得类条件概率密度,先验概率。

4.编程得到后验概率，并利用后验概率判断归为哪一类。

5.利用分类器训练样本并修正参数，最后可以用循环程序调用数据文件，统计分类的男女人数，再与正确的人数比较得到错误率。

6.自己给出决策表获得最小风险决策分类器。

7.问题的关键就在于利用样本数据获得二维正态分布的相关参数。

8.二维正态分布的概率密度公式如下：试验中编程计算出期望，方差，标准差和相关系数。

其中：二、实验程序设计流程图：1：二维正态分布的参数计算%功能：调用导入的男生和女生的身高和体重的数据文件得到二维正态分布的期望，方差，标准差，相关系数等参数%%使用方法：在Matlab的命令窗口输入cansu(male) 或者cansu(famale) 其中 male 和 famale%是导入的男生和女生的数据文件名,运用结果返回的是一个行1行7列的矩阵，其中参数的顺序依次为如下:%%身高期望、身高方差、身高标准差、体重期望、体重方差、体重标准差、身高和体重的相关系数%%开发者：安徽工业大学电气信息学院自动化 092班刘昌元学号：099064370 %function result=cansu(file)[m,n]=size(file); %求出导入的数据的行数和列数即 m 行n 列%for i=1:1:m %把身高和体重构成 m 行 2 列的矩阵%people(i,1)=file(i,1);people(i,2)=file(i,2);endu=sum(people)/m; %求得身高和体重的数学期望即平均值%for i=1:1:mpeople2(i,1)=people(i,1)^2;people2(i,2)=people(i,2)^2;endu2=sum(people2)/m; %求得身高和体重的方差、%x=u2(1,1)-u(1,1)^2;y=u2(1,2)-u(1,2)^2;for i=1:1:mtem(i,1)=people(i,1)*people(i,2);ends=0;for i=1:1:ms=s+tem(i,1);endcov=s/m-u(1,1)*u(1,2); %求得身高和体重的协方差 cov (x,y)%x1=sqrt(x); %求身高标准差 x1 %y1=sqrt(y); %求身高标准差 y1 %ralation=cov/(x1*y1); %求得身高和体重的相关系数 ralation %result(1,1)=u(1,1); %返回结果 :身高的期望 %result(1,2)=x; %返回结果 : 身高的方差 %result(1,3)=x1; %返回结果 : 身高的标准差 %result(1,4)=u(1,2); %返回结果 :体重的期望 %result(1,5)=y; %返回结果 : 体重的方差 %result(1,6)=y1; %返回结果 : 体重的标准差 %result(1,7)=ralation; %返回结果：相关系数 %2：贝叶斯分类器%功能：身高和体重相关情况下的贝叶斯分类器（最小错误率贝叶斯决策）输入身高和体重数据，输出男女的判断%%使用方法：在Matlab命令窗口输入 bayes(a,b) 其中a为身高数据，b为体重数据。

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。

算法识别身高的方法随着科技的不断发展，算法在各个领域发挥着越来越重要的作用。

在人体身高识别方面，算法的应用也逐渐成熟。

本文将为您详细介绍几种常见的算法识别身高的方法。

一、基于图像处理的身高识别1.摄像头采集图像：首先，通过摄像头或其他图像采集设备获取目标人物的正面或侧面图像。

2.特征提取：对采集到的图像进行预处理，包括灰度化、去噪等操作。

然后，提取图像中与身高相关的特征，如头部、颈部、腰部等关键部位的位置。

3.身高估算：根据提取到的特征，通过一定的算法模型（如线性回归、神经网络等）估算出目标人物的身高。

4.算法优化：通过不断训练和优化算法，提高身高识别的准确率。

二、基于深度学习的身高识别1.数据集准备：收集大量包含身高信息的图像数据，并对数据进行标注，包括身高、性别、年龄等。

2.网络模型设计：选择合适的深度学习网络模型，如卷积神经网络（CNN）或循环神经网络（RNN）等。

3.模型训练：使用标注好的数据集对网络模型进行训练，学习从图像中提取与身高相关的特征。

4.身高预测：训练好的模型可以用于预测未知图像中人物的身高。

5.模型优化：通过调整网络结构、参数和训练策略，提高身高识别的准确率和鲁棒性。

三、基于三维扫描的身高识别1.三维扫描：使用三维扫描设备获取目标人物的三维模型。

2.数据处理：对获取的三维数据进行预处理，包括去噪、补洞等操作。

3.身高测量：根据三维模型中的人物特征，如头部、颈部、腰部等位置，计算出实际身高。

4.算法优化：通过改进三维数据处理算法和测量方法，提高身高识别的准确性。

总结：算法识别身高的方法主要包括基于图像处理、深度学习和三维扫描等技术。

这些方法在实际应用中具有较高的准确率和鲁棒性，为身高测量提供了便捷和高效的方式。

中学生体重问题姓名1：谢婧学号:41姓名2：曾丽学号:54姓名3：胡琬茹学号:08专业：电气工程及其自动化班级：电气13（3）-1指导教师：李燕2016年6月2日任何一个单一的关系必须依赖其他关系而存在，所有实际事物的关系都表现得非常复杂，这种方法就是对规律或趋势的拟合。

拟合的成果是模型，反映一般趋势，趋势表达的是“事物和关系的变化过程在数量上所体现的模式和基于此而预示的可能性”。

即是本题中身高与体重所体现的关系。

该问题是让我们运用数学思想和定理,来建立一个关于中学生身高与体重的函数关系表达式.经过数据分析验证其公式是否可以比较科学的反映成年人身高与体重的关系.并对数据中每个人的体重是否标准作出了评价。

我们根据已知数据假设了四种函数，通过残差分析我们得出最为合理的一种假设,设其为指数函数.并根据假设经过绘图求解、验证得出关于中学生身高与体重的函数模型为:x e y 0197.0004.2 .关键字： 数学拟合 绘图一、问题重述（1）根据表中提供的数据，能否从我们已经学过的函数中选择一种函数，使它比较近似地反映出该地区未成年男性体重y关于身高x的函数关系？试求出这个函数解析式。

（2）若体重超过相同身高平均值的1.2倍为偏胖，低于0.8倍为偏瘦。

根据你的公式，再对你所统计数据中的每个人做出评价。

二、模型假设假设由未成年人身高和体重得出的函数解析式同样适用于大学生。

三、符号说明X：表示身高Y：表示体重四、问题分析根据实际情况,体重受身高、年龄、性别、饮食、地域、国家、环境的影响. 不同身高、年龄、性别、国家、地域的人们的体重是有差别的.如:中年人和儿童,日本人和美国人,中国的南方和北方.该题忽略以上因素的影响.根据图表(一)我们可以知道,本题属于拟合问题.表中提供的数据可得出如下函数图象:通过分析,此图象在第一象限且呈递增趋势.我们得出四种假设: 假设一通过该图象的走势与形状,我们假设它是一条直线,由于该直线全部位于第一象限,也就是,x ∈()0,+∞,y ∈()0,+∞,并且该图象与y 轴的交点[我们设为()0,b ],b 的范围为b ∈()0,10,其表达式为:y 1=ax+b 通过matlab 软件得出数值,我们得出如下结论:0.4294,25.3180a b ==-代入得10.429425.3180y x =- 假设二观察图象类似于二次函数曲线图象,我们做出第二种假设.其系数设为1a ,1b 常数项为1c .其必须满足条件为:1a ∈()0,+∞,c1∈()0,10,其表达式为:y 2=a 1x 2+b 1x 2+c 1通过matlab 软件得出数值,我们得出如下结论:1110.0037,0.4310,19.6973a b c ==-=代入得220.00370.431019.6973y x x =-+假设三该图象又类似于三次函数在第一象限的走势,我们作出第三种假设.其系数设为222,,a b c常数项为d ,其必须满足的条件是:2a ∈()0,+∞,d ∈()0,10,其表达式为:y 3=a 2x 3+b 2x 2+c 2x+d 通过matlab软件得出数值,我们得出如下结论:2220.0000,0.0037,0.3828,7.9668a b c d ==-==- 由于20.0000a =所以三次项系数为0,表达式变为:230.00370.38287.9668y x x =-+- 假设四分析图象又可得出第四种假设,由于该图象可由指数函数x y a =变换得出,故设其表达式为:y 4=a 3eb3x其中必须满足条件:()()330,,0,a b ∈+∞∈+∞ , 通过matlab 软件得出数值,我们得出如下结论:0197.0,004.233==b a ,代入表达式可得:x e y 0197.04004.2=根据假设绘制函数对比图象如下:(注:10.429425.3180y x =-,220.00370.431019.6973y x x =-+,230.00370.38287.9668y x x =-+-,x e y 0197.04004.2=).又分析可知:假设一中b 的范围为()0,10与所求出的结果25.3180b =-不符,故此种假设一不成立.又假设二中1c 的范围是()0,10与所求出的结果119.6973c =不符故假设二不成立.然而假设三中20.0000,7.9668a d ==-与其必须满足的条件:2a 的范围()0,+∞和d 的范围()0,10不符,故假设三不成立.而假设四中所求结果0.695233,0.0197a e b ==与其范围:()()330,,0,a b ∈+∞∈+∞完全符合故假设四成立.又由残差分析（见表二）可知与原函数与函数y 4的误差偏差在可接受范围内，即x e y 0197.04004.2=为所求原函数的解析式.表二 残差数据分析五、数据采集为了验证身高与体重的函数关系是否同样适用于大学生，我们采集了50组在校大学生的身高与体重数据（如下）六、模型建立及求解由于体重受身高、年龄、性别等诸多因素的影响,很难找到一个适合每个人和每个年龄阶段的非常准确的公式来衡量.为此,只能选取影响体重最直接的因素—身高来建立一个基本的数学模型从宏观上反映体重与身高的关系.根据上述假设分析可得出身高与体重之间的简化模型是x e y 0197.0004.2=其中自变量x 表示身高,因变量y 表示体重.其图象如下:根据已得出的简化模型x e y 0197.0004.2=,运用拟合的数学思想,借助matlab 软件,把采集176 174.5 176 180 176 167 178 168 181 162 165181171174170176160160168161代入简化模型x e y 0197.0004.2=,得出验证过程如下:其验证体重(kg)分别是:64.2255；62.3554；64.2255；69.4912； 64.2255；53.7907；66.8065；54.8069；70.8737；48.7449；51.7125；70.8737；58.2009；61.7442；57.0655；64.2255；52.7414；46.8617；54.8609；47.7940；七、结论分析及检验化模型,也就是60%的人体重与身高符合简化模型,在此我们忽略了影响身高的因素年龄和性别,导致了误差的产生,我们可以假设年龄和性别相同的情况下,这一模型的适用性、合理性会更强.此公式的合理性就在于能够通过身高比较近似的反映出一个人的体重.据此,我们提出一些修正意见,在衡量一个人的体重时,应综合考虑地域、年龄、饮食等诸方面的因素.由于采集样本中身高差异较大,相同身高的人数比例较少.所以在误差(误差 3cm)允许的范围内采取以下分组:①160cm—162cm共4人他们身高的平均值是;160+162+161+160/4=160.75cm②165cm—167cm共2人他们身高的平均值是;167+165/2=166cm;③168cm—170cm共3人他们的身高的平均值是:170+168+168/3=168.6667cm④171cm—174cm共3人他们的身高的平均值是:171+174.5+174/3=173.1667cm⑤176cm共4人他们的身高的平均值是:176+176+176+176/4=176cm⑥178cm—181cm共4人他们的身高的平均值是:178+181+181+180/4=180cm把六组身高平均值代入x e y 0197.0004.2=得出六组体重平均值,计算结果如下:即他们的体重(kg)平均值分别为:47.5592,52.7414,55.5865,60.7389,64.2255,69.4912 根据题目中的要求,体重超过相同身高平均值的1.2倍为偏胖,底于0.8倍的为偏瘦.运用实际平均值/平均体重进行对比,过程如下:第一组:55/47.5592 1.156=;44/47.55920.925=；55/47.5592 1.156=；43/47.55920.904=;由于该组没有超过相同身高平均值的1.2倍底于0.8倍者,所以均为正常. 第二组: 55/52.7414 1.043=；60/52.7414 1.138=;由于该组没有超过相同身高平均值的1.2倍底于0.8倍者,所以均为正常. 第三组: 55/55.58650.989=;55/55.58650.989=;65/55.5865 1.169=;由于该组没有超过相同身高平均值的1.2倍底于0.8倍者,所以均为正常. 第四组:62/60.7389 1.021=;79/60.7389 1.301=;68/60.7389 1.112=由于该组有一位同学超过相同身高平均值的1.2倍,为偏胖,其它均为正常. 第五组: 65/64.2255 1.012=; 63/64.22550.981=;70/64.2255 1.090=; 70/64.2255 1.168=由于该组没有超过相同身高平均值的1.2倍底于0.8倍者,所以均为正常. 第六组: 74/69.4912 1.065=; 70/69.4912 1.007=;64/69.49120.921=;70/69.4912 1.007=由于该组没有超过相同身高平均值的1.2倍底于0.8倍者,所以均为正常.八、补充以下是从网上搜索到的现在流行的一些计算标准体重的公式: 公式一：男生58公斤＋0.6（身高－166公分）＝标准体重。

作业1 用身高和/或体重数据进行性别分类（一）基本要求：用和的数据作为训练样本集，建立Bayes分类器，用测试样本数据对该分类器进行测试。

调整特征、分类器等方面的一些因素，考察它们对分类器性能的影响，从而加深对所学内容的理解和感性认识。

具体做法：1．应用单个特征进行实验：以（a）身高或者（b）体重数据作为特征，在正态分布假设下利用最大似然法或者贝叶斯估计法估计分布密度参数，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到测试样本，考察测试错误情况。

在分类器设计时可以考察采用不同先验概率（如对, 对, 对等）进行实验，考察对决策规则和错误率的影响。

图1-先验概率:分布曲线图2-先验概率:分布曲线图3--先验概率:分布曲线图4不同先验概率的曲线有图可以看出先验概率对决策规则和错误率有很大的影响。

程序：和2．应用两个特征进行实验：同时采用身高和体重数据作为特征，分别假设二者相关或不相关（在正态分布下一定独立），在正态分布假设下估计概率密度，建立最小错误率Bayes 分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，考察训练/测试错误情况。

比较相关假设和不相关假设下结果的差异。

在分类器设计时可以考察采用不同先验概率（如vs. , vs. , vs. 等）进行实验，考察对决策和错误率的影响。

训练样本female来测试图1先验概率vs. 图2先验概率vs.图3先验概率vs. 图4不同先验概率对测试样本1进行试验得图对测试样本2进行试验有图可以看出先验概率对决策规则和错误率有很大的影响。

程序和3．自行给出一个决策表，采用最小风险的Bayes决策重复上面的某个或全部实验。

W1W2W10W20close all;clear all;X=120::200; %设置采样范围及精度pw1=;pw2=; %设置先验概率sample1=textread('') %读入样本samplew1=zeros(1,length(sample1(:,1)));u1=mean(sample1(:,1));m1=std(sample1(:,1));y1=normpdf(X,u1,m1); %类条件概率分布figure(1);subplot(2,1,1);plot(X,y1);title('F身高类条件概率分布曲线');sample2=textread('') %读入样本samplew2=zeros(1,length(sample2(:,1)));u2=mean(sample2(:,1));m2=std(sample2(:,1));y2=normpdf(X,u2,m2); %类条件概率分布subplot(2,1,2);plot(X,y2);title('M身高类条件概率分布曲线');P1=pw1*y1./(pw1*y1+pw2*y2);P2=pw2*y2./(pw1*y1+pw2*y2);figure(2);subplot(2,1,1);plot(X,P1);title('F身高后验概率分布曲线');subplot(2,1,2);plot(X,P2);title('M身高后验概率分布曲线');P11=pw1*y1;P22=pw2*y2;figure(3);subplot(3,1,1);plot(X,P11);subplot(3,1,2);plot(X,P22);subplot(3,1,3);plot(X,P11,X,P22);sample=textread('all ') %读入样本[result]=bayes(sample1(:,1),sample2(:,1),pw1,pw2);%bayes分类器function [result] =bayes(sample1(:,1),sample2(:,1),pw1,pw2);error1=0;error2=0;u1=mean(sample1(:,1));m1=std(sample1(:,1));y1=normpdf(X,u1,m1); %类条件概率分布u2=mean(sample2(:,1));m2=std(sample2(:,1));y2=normpdf(X,u2,m2); %类条件概率分布P1=pw1*y1./(pw1*y1+pw2*y2);P2=pw2*y2./(pw1*y1+pw2*y2);for i = 1:50if P1(i)>P2(i)result(i)=0;pe(i)=P2(i);elseresult(i)=1;pe(i)=P1(i);endendfor i=1:50if result(k)==0error1=error1+1;else result(k)=1error2=error2+1;endendratio = error1+error2/length(sample); %识别率,百分比形式sprintf('正确识别率为%.2f%%.',ratio)作业2 用身高/体重数据进行性别分类（二）基本要求：试验直接设计线性分类器的方法，与基于概率密度估计的贝叶斯分离器进行比较。

Roche- Wainer-Thissen（RWT）方法RWT[9]方法产生于美国Fels纵断生长研究，受试者为美国俄亥俄州西南部的白人儿童，每性别、每年龄组约100名儿童，其中包括了部分仰卧身长或身高大于平均数3SD的儿童。

采用了4个变量成年身高预测：仰卧身长、裸体重、父母身高中值、骨龄。

在使用时如果测量的是站立身高，加上1.25cm即可为仰卧身高，骨龄为G-P标准图谱手腕各块骨骨龄的中位数，如果儿童手腕骨有一半发育成熟，就不能再使用RWT方法了。

在研究过程中，Roche et al.选择了78个可能的预测指标，主要为手腕部、足踝部和膝部不同骨的骨龄，经主成分分析选择出了18个预测指标。

在进一步的分析中确定了上述4个变量。

经多元回归分析确定了4个变量的权重，以3个月的间隔建立了女孩1~14岁、男孩1~16岁的回归系数表。

同时，使用样本数据也检验了其它可能的预测指标。

经过验证，儿童出生次序、出生体重、父母生长过程中的疾病、儿童的疾病、儿童生长形式、兄弟姐妹的预测误差、TW骨龄、不同骨骨龄间的差值都未能减小预测误差。

Roche et al.使用了Fels、丹佛、哈佛生长研究的儿童（男7岁、女6岁以后的儿童）比较了RWT方法和B-P方法的成年身高预测效果。

当两种方法应用于Fels儿童时，RWT方法准确（因为RWT方法是由Fels儿童得出的）；当应用于丹佛和哈佛儿童时，RWT方法对丹佛女孩、哈佛男孩的预测误差显著的小于B-P方法，而对于丹佛男孩和哈佛女孩的预测误差仅稍好于B-P 方法；RWT方法预测误差比B-P法有规律性。

但是，在较大年龄上，B-P法的预测比RWT方法准确。

对于女孩B-P法低估了成年身高，对于男孩两种方法都高估了成年身高。

1978年，Wainer and Roche et al.[10]提出，为了临床使用方便可以在无骨龄和父母身高的情况下使用RWT方法。

1993年，Khamis and Guo[11]使用3次样条函数平滑了RWT方法预测模型，提出了新的4变量系数表，减小了RWT方法的预测偏差。