In this thesis, we propose a novel approach for gender classification by two-level classifiers. The basic gray-level aura matrix (BGLAM) is used to extract texture feature from face component regions such as two eyes, nose, and mouth. The feature vectors are classified into male, female, or unknown using support vector machine (SVM) with the radial basis function (RBF) kernel. When the classification results are unknown, further classification is conducted. First, a whole head region is detected based on the location of face. The eigenfaces for the head region are obtained and the weight vector is estimated. The texture feature vector obtained using BGLAM and the structure feature obtained using eigenfaces are linearly combined using weights. Finally, the combined feature vectors are classified as male or female using SVM. The training samples are collected from FERET databases. In the experiment, the error rate of classification using BGLAM is compared with that of general local binary pattern (LBP). The proposed method is compared with traditional neural-network based method and local binary pattern based method.
얼굴 영역은 사람이 가지고 있는 가장 중요한 특징들 중의 하나이다. 얼굴 영역은 신원, 성별, 나이, 감정 등의 많은 정보를 알려준다. 이런 특징으로 인하여 얼굴 영역 검출이나 얼굴 인식에 대한 많은 연구가 이루어져 왔다. 그러나 얼굴 영역 검출은 단지 영상 내 사람의 존재 여부나 사람의 위치 정보 등의 간단한 정보만 제공한다. 그 정보들은 일반화된 응용에 사용되기 어렵다. 또한 얼굴 인식 시스템은 미리 학습 데이터에 등록된 사람들에 한하여 동작한다. 만약 등록되지 못한 사람이 입력 영상으로 들어왔을 때에는 유용한 정보를 제공할 수 없다. 따라서 최근에는 많은 연구들이 성별 분류, 나이 분류, 얼굴 표현 분류 등의 분류 문제에 접근하고 있다. 이런 분류 문제들 가운데 성별 분류는 각 클래스간의 경계가 뚜렷하고 응용 분야가 다양하여 가장 많이 연구되는 분야이다. 따라서 많은 연구가 이루어져 왔으나, 기존의 방법들은 영상의 국소적인 변화를 측정하는 텍스처 정보나 영상의 전체적인 변화를 측정하는 구조적 정보 중에 하나씩만 이용하여 정보를 제대로 활용하지 못하였다. 따라서 본 논문에서는 얼굴 영상의 국소적 특징과 전체적 특징을 모두 활용하여 계층적으로 성별을 분류한다. 일반 영상에서 얼굴 영역이 검출되면 얼굴 영역은 정렬 및 정규화되어 성별 분류를 위한 준비를 마치게 된다. 1차 성별 분류 단에서는 BGLAM을 이용하여 텍스처 정보를 추출한다. 텍스처 정보는 영상의 국소적 변화를 잘 표현하는 특징중의 하나이다. 1차 성별 분류 단에서 남성, 여성, 정해지지 않은 성별의 3가지 결과가 나오게 된다. 1차 분류 단에서 나온 3가지의 결과 중에 정해지지 않은 성별을 결과로 가지는 영상들에 대하여 구조적 정보를 추출하기 위해 머리 영역으로 확장한다. 확장된 머리영역에 Eigenface기법을 이용하여 가중치 거리 벡터의 형태로 영상의 구조적 정보를 추출한다. 추출된 가중치 거리 벡터는 1차 분류에 사용되었던 특징 벡터와 조합되어 최종 특징 벡터를 생성하게 되고 최종 분류를 하게 된다. 마지막으로 각 단계별 성능 평가 결과를 실험 결과로 제공하고, 기존의 방식들과의 비교를 통해 우리가 제안한 방법의 우수함을 보인다.
