最近由于课程需要，一直在研究通过人脸来判断性别，在OpenCV的contrib中提供了两种可以用来识别性别的方法：EigenFace和FisherFace，EigenFace主要是使用PCA（主成分分析），通过消除数据中的相关性，将高维图像降低到低维空间，训练集中的样本被映射成低维空间中的一点，需要判断测试图片性别时，先将测试图片映射到低维空间中，然后计算离测试图片最近样本点是哪一个，将最近样本点的性别赋值给测试图片；FisherFace主要利用LDA（线性投影分析）的思想，将样本空间中的男女样本投影到过原点的一条直线上，并确保样本在该线上的投影类内距离最小，类间距离最大，从而分离出识别男女的分界线。
对于人脸判断性别而言，LDA方法（即FisherFace）更为适合，因为PCA考虑的是所有不同种类样本在哪些方向上分布最广，没有考虑不同类之间的关系，而LDA则考虑了如何使不同类样本尽量分得最开。
在FisherFace的介绍文档中，作者宣称其在交叉测试中获得了98%左右的性别识别率，但我在实际使用过程中，发现FisherFace并没有作者说得那么好，仅仅不到60%，只比随机猜测略好一些，好悲催 -_-!。
通过实验观察，本人认为主要原因有以下几点：1.作者在实验时对样本进行了眼睛位置的严格标定，所有样本眼睛的位置都严格重合，因此FisherFace可以找到更稳定的区别信息，但在实际中，前期面部识别工作是由Viola_Jones分类器完成的，由于Viola_Jones分类器无法做到眼睛精确定位，因此测试图片与样本无法较好重合；2.原始样本采用了200*200大小的图片，形成了40000维的特征矢量，其中包含了大量冗余信息和噪声，导致了LDA方法的不准确。
这里本人通过一种简单方法，克服了FisherFace存在的缺点：首先对原始样本图像进行PCA降维，而后再使用LDA进行分类训练；在进行测试时，也先对原始图像进行PCA降维，再利用LDA进行识别，这样可以有效消除冗余信息和噪声的干扰，压缩后的信息对脸部位置也变得不敏感。通过随机下载一些网络图片进行测试，发现在训练样本库固定不变的情况下，优化过的FisherFace够正确识别约90%左右的人物性别，相比原始的方法提升了约30%左右。
这里是人脸分类的可执行文件：click here（2012/12/14最新上传，bug已经修改，没有安装cuda环境的电脑也能执行了），需要的童鞋请点击下载。
给几张效果图：
