31、面部特征互补性与持续学习系统在模式识别中的应用

面部特征互补性与持续学习系统在模式识别中的应用

1. 面部特征互补性在性别识别中的应用

在性别识别领域，面部的不同部分是否能够相互补充以提高识别准确率是一个值得研究的问题。为此，研究人员设计并测试了多种基于面部特征判别多样性的分类器集成。

这些集成方案旨在解决面部部分遮挡时的性别识别问题，因为在这种情况下，整体面部特征难以获取。实验中，研究人员使用了分别描述左右眼、鼻子、嘴巴和下巴的基础分类器，并通过简单投票、加权投票以及基于后验概率向量的学习器来做出集体决策。

实验结果表明，面部各部分的联合贡献在性别识别中比单独使用部分特征更有效，但不如整体面部描述的判别能力强。整体面部描述包含了面部各部分之间的关系信息，而这种信息在区分男女方面的作用已经得到了心理学实验的证实。

在集成方案的比较中，基于支持向量机（SVM）作为组合器的3部分集成与5部分组合表现出相似的判别能力。特别是眼睛和鼻子重合的集成（Eenm svm和Eenc svm），其性能优于通过投票组合所有部分的Esvot和Ewvot。这一结果对于面部部分遮挡情况下的性别识别具有重要意义，因为在这种情况下，最多只有2到3个可见的显著部分。

需要注意的是，使用SVM作为组合器比投票更有效。这可能是因为分类器可以通过学习基础分类器的错误方式，并将其组合与正确输出相关联，从而起到纠错组合器的作用。

然而，这些集成方案的准确率仍然无法达到基于整体面部描述的普通分类器。主要原因有两个：一是整体面部描述包含了面部各部分的配置关系信息，这为区分性别提供了有价值的差异来源；二是完整面部还包含了耳朵、头发和面部轮廓等在本研究中未被考虑的显著特征，这些特征本身就具有很强的判别能力。