颅骨性别识别是法医人类学的热门研究课题之一,在刑侦、考古、人类学等领域具有重要研究价值。传统的形态学方法和测量法,依赖专家主观经验、测量精度要求高且操作繁琐,导致性别鉴定误差大和鉴定过程复杂耗时。计算机辅助颅骨性别识别不仅有效地缩短了颅骨性别鉴定的周期,避免了测量时对颅骨造成二次破坏,而且识别率高。因此,以三维颅骨作为研究对象,结合图像处理技术和机器学习方法对颅骨进行性别分类研究成为热点。针对传统方法存在的问题,本文提出两种自动化的颅骨性别识别方法,实现三维颅骨的性别识别。本文研究工作主要包括:(1)提出了一种结合统计形变模型和支持向量机的颅骨性别鉴定方法。首先,为了科学有效地建立统计形变模型,需要对所有颅骨样本建立点对应关系,利用TPS算法变形进行全局非刚性粗配准,再使用ICP算法进行精细配准,最终实现所有颅骨配准,建立它们的点对应关系;然后,利用PCA建立颅骨的统计形变模型并求解模型参数,得到颅骨的特征向量;最后,利用支持向量机方法对提取的特征向量降维并设计分类器,实现对颅骨的性别分类。实验结果表明,统计形变模型可以更有效地表征颅骨,能够取得较高的准确率。与以前的方法相比,这种方法不是测量距离或体积相关的变量,而是描述颅骨全局形状变化。当统计形状模型和判别函数建立时,未知颅骨性别的确定变得很容易,不需要专业知识和繁琐的手动测量,还能保证较高的正确率。(2)提出了一种结合改进卷积神经网络和最小二乘法的颅骨性别鉴定方法。首先,获取颅骨多角度的图像,得到颅骨训练样本集;然后,用改进的CNN获取颅骨特征并计算颅骨图像分别属于男性或女性的概率,挖掘图像内容深度信息;最后,利用最小二乘法进行特征融合获取最优参数,进而构建分类模型,最终实现了完整颅骨和非完整颅骨的性别鉴定并获得较高的识别正确率。实验结果表明,该方法能够获得较优的分类性能。从多角度颅骨图像获取颅骨特征,提高了颅后部分对二态性的影响,有效地减少了由人类视觉和主观因素造成的误差,也减少了时间消耗和繁琐的预处理;与传统机器学习方法相比,深度学习算法更适合大样本数据集,而且它的学习能力强,分类精度高,对噪声数据鲁棒性和容错性较强。