基于多特征融合的人脸美丽预测研究

发布时间：2021-08-04 00:42

　　人脸的美在社会活动中起着重要的作用;影响了数字娱乐、模特和表演等职业、以及个人职业前景。人们对美丽的追求和向往吸引了各领域学者对人脸美丽预测的研究。但是,传统的人脸美丽预测方法在特征提取上耗费了大量时间,而且预测效果不理想。目前,研究者们通过深度学习方法,采用卷积神经网络（Convolution Neural Network,CNN）替代手工提取特征,让网络智能地提取人脸美丽特征,从而为机器自动进行人脸美丽预测提供了可能。本文提出基于多特征融合的人脸美丽预测研究,采用多特征融合代替传统的单一特征来增强网络的预测能力。本文主要研究内容如下:（1）采用一种融合几何特征与PCANet网络的人脸美丽预测模型。将PCANet网络提取的直方图特征与几何特征进行融合,得到更具鲁棒性和区分度的特征,最后通过SVM回归器和随机森林回归器进行5折交叉验证实验。实验结果表明,PCANet网络融合几何特征后的预测性能优于未进行特征融合的预测性能,说明融合的几何特征能有效提高人脸美丽预测结果。（2）采用一种结合局部二值模式（Local Binary Pattern,LBP）与卷积神经网络的人脸美丽预测新方法。L... 

【文章来源】：五邑大学广东省

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

8个特征点标注及其几何特征示意图

a) 原图像 b) LBP 纹理图图 2-4 LBP 纹理特征示意图Figure 2-4 Diagram of LBP texture featuresns 特征法是无监督聚类算法，简单高效，应用非常广泛得簇心来搭建浅层网络模型，提取浅层特征。K-m根据这些簇心将数据集划分到 K 个不同的簇。本为 {,,,,,}1 2iNxxxx X =，其中，innxR×∈ 代找到K个簇心，将训练样本划分到K个簇中，计算，即 = == NiKkiikkqx1 12E μ

CNN 是深度学习中最具代表性的网络结构，在机器视觉领域取得了巨大成与传统图像处理方法相比，CNN 的优点在于：利用端到端的学习能力，将原始像直接输入，不需要过多的人工干涉，极大程度地降低了人工成本。与传统神网络相比，CNN 的优点在于：CNN 通过局部连接结构，使模型构造更加简单；且神经元之间使用权值共享机制，需要训练的权值参数为卷积核的大小，跟隐层神经元数目不相关，进一步降低了可训练参数。尽管权值参数大幅度缩减，是，CNN 网络仍然表现出非常优秀的特征表征能力。CNN 由两部分组成：特征取和特征映射，主要包括卷积层、池化层以及全连接层，如图 2-6 所示。通过卷运算逐层提取图像不同层次的语义信息，利用训练样本对网络的各层参数进行合调整，以此提取图像的分类特征。CNN 中的卷积层对输入图像进行卷积操作可获得初始特征提取的特征映射；将多个特征映射加权求和进行非线性激活函处理，再进行池化操作，得到新的特征映射。经过多次卷积和池化操作得到从层到高层的语义抽象，将获得的特征输入到全连接层，最终通过分类器完成分类

【参考文献】：
博士论文
[1]人脸美丽吸引力的特征分析与机器学习[D]. 毛慧芸.华南理工大学 2011

硕士论文
[1]基于多尺度图像深度学习的人脸美丽预测研究[D]. 姜开永.五邑大学 2018
[2]基于深度学习的人脸美丽吸引力预测[D]. 许杰.华南理工大学 2017
[3]人脸的几何特征分析与美丽分数计算[D]. 戴礼青.南京理工大学 2014
[4]人脸美丽分类算法研究[D]. 王敏.西安电子科技大学 2012



本文编号：3320644