论文部分内容阅读
人脸美丽预测利用智能信息处理技术提取人脸面部的美学特征,将主观的美丽感知转换成机器学习的模式识别问题,从而实现对人脸美丽度进行智能预测。由于人们对人脸美丽存在主观性,同时缺乏对人脸美丽的客观认识和统一的评判标准,因此,人脸美丽研究与人脸识别和人脸表情识别等其他生物特征识别研究相比仍存在较大差距。人脸美丽特征提取的方法有两种,一种是以人脸美学理论为依据,采用手工设计并提取特征;另一种是通过构建深度学习网络,采用数据训练的方式让网络自动提取特征。基于人脸美学理论的几何特征、纹理特征等的人脸美丽预测,由于缺乏对人脸美丽的完整性描述,预测精度和泛化能力均较差。而基于深度学习方法的人脸美丽预测,通过大量带标签数据的有监督训练,让网络智能地提取人脸图像中潜在的结构性和抽象性美学特征,从而实现人脸美丽预测的完全自动化和智能化,为人脸美丽预测研究开辟了新方向。基于以上分析,本文采用深度学习方法构建网络用于自动提取人脸美学特征和分类,并通过引入多尺度图像技术增强深度学习网络的特征提取能力,以此对人脸美丽预测展开研究,主要内容如下:(1)针对SCUT-FBP人脸美丽数据库图像数据量小、网络训练难度大、拟合效果欠佳的情况,本文构建了多尺度主元分析网络(Principal Component Analysis Network,PCANet)的人脸美丽预测模型。首先,采用图像多尺度化技术,将人脸美丽数据库进行图像分割,生成3个不同尺度的人脸美丽图像集。其次,以PCANet作为特征提取器,用于提取3个人脸图像集的美学特征;并采用特征融合算法,获得具有全局结构性的新特征。最后,在线性支持向量机(Support Vector Machine,SVM)和随机森林上进行回归预测,取得了最高0.8627回归预测相关系数。(2)利用深度学习方法,在亚洲大规模人脸美丽数据库(Large-scale Database of Asian Women’s Face Database,LSAFBD)上,构建了一个深度卷积神经网络(Deep Convolution Neural Network,DCNN)。大规模人脸美丽数据库不仅包含更多的图像数量,而且人脸美丽程度分布也更加合理,不存在极丑和极美人脸图像特别少,一般美丽程度的人脸图像特别多的情况,有利于减少网络训练难度。其次,通过研究GoogleNet的Inception Model单元,利用该单元的多尺度特征提取能力,有效增强网络对人脸图像特征细节的提取能力。最后,通过深层次的卷积和池化处理,提取人脸图像更加层次性和抽象性的特征表达。在LSAFBD人脸美丽数据库上的实验表明,本文所构建的深度卷积神经网络,取得了最高63.5%的正确分类率,与现有已公开的DCNN模型相比,本文构建的模型更适合于人脸美丽预测。(3)通过研究Mobile-Net模型,使用Mobile-Net的深度可分离卷积层替代传统卷积层,经过进一步优化网络结构,精简网络参数,构建了一个适用于嵌入式设备的DCNN人脸美丽预测模型。随着手机和平板等嵌入式电子设备的普及,移动应用越来越受到关注,通过构建具有较小规模的DCNN预测模型,并将模型移植到嵌入式设备上运行,对实现人脸美丽预测研究的成果转化和市场推广具有很大的潜在推动作用。本文构建的DCNN模型,其可训练参数仅有683.7K,在亚洲女性大规模人脸美丽数据库上的实验结果表明,该模型通过损失一定的准确率,获得了较好的人脸美丽分类判别能力,而且移植到嵌入式设备之后,也能快速运行,推动了人脸美丽预测课题的市场化应用。