[发明专利]一种基于深度自学习的人脸美丽预测方法

权利要求书

1.一种基于深度自学习的人脸美丽预测方法，其特征在于，包括下列步骤：

（1）提取训练人脸图像、测试人脸图像以及自然图像的LBP纹理特征；

（2）基于CDBN学习模型，将自然图像的LBP纹理特征作为输入，对CDBN第一层进行自学习；

（3）将训练人脸图像的LBP纹理特征作为输入，对CDBN进行逐层贪婪无监督训练，学习表征人脸图像美丽形象的表观特征；

（4）利用已完成训练的CDBN提取用于美丽预测的训练人脸图像、测试人脸图像的表观特征；

（5）采用SVM回归对人脸图像美丽程度进行预测，输出判别结果。

2.根据权利要求1所述的一种基于深度自学习的人脸美丽预测方法，其特征在于：所述CDBN由若干CRBM层叠加而成，每一层CRBM由下至上依次为可见层、隐藏层、池化层。

3.根据权利要求2所述的一种基于深度自学习的人脸美丽预测方法，其特征在于，所述步骤（1）具体包括下列步骤：

（11）利用LBP算子得到训练人脸图像、测试人脸图像和自然图像的LBP特征编码图像；

（12）分别对训练人脸图像、测试人脸图像和自然图像的LBP特征编码图像进行分块处理，并计算每块子直方图的直方图特征；

（13）将训练人脸图像、测试人脸图像和自然图像各区域的子直方图串联形成整体直方图特征，进而得到训练人脸图像、测试人脸图像和自然图像的LBP纹理特征。

4.根据权利要求2所述的一种基于深度自学习的人脸美丽预测方法，其特征在于，所述步骤（2）具体包括下列步骤：

（21）将自然图像的LBP纹理特征作为CDBN第一层可见层的输入，进而计算隐藏层的分布函数，并对其采样得到隐藏层状态值；

（22）根据隐藏层状态值计算可见层的分布函数，并对可见层的分布函数进行采样，得到可见层的特征；

（23）重复步骤(21)、步骤（22）至指定迭代次数后结束。

5.根据权利要求2所述的一种基于深度自学习的人脸美丽预测方法，其特征在于，所述步骤（3）具体包括下列步骤：

（31）将训练人脸图像的LBP纹理特征作为CDBN第一层可见层的输入，对第一层进行无监督训练，得到池化层的分布函数，然后对第一层的池化层的分布函数进行采样，得到池化层的特征；

（32）将CDBN第一层的池化层的特征作为CDBN第二层的可见层输入，采用与步骤(31)相同的方法对第二层进行无监督训练，得到第二层的池化层特征，进而完成对CDBN逐层贪婪无监督训练。

6.根据权利要求5所述的一种基于深度自学习的人脸美丽预测方法，其特征在于，所述无监督训练的具体步骤为：

（311）根据CDBN可见层的输入，计算隐藏层的分布函数，并对隐藏层的分布函数进行采样，得到隐藏层的状态值；

（312）根据隐藏层的状态值计算可见层的分布函数，并对可见层的分布函数进行采样，得到可见层的特征；

（313）重复步骤（311）、步骤（312）至指定迭代次数后结束训练；

（314）结束CDBN训练后，利用隐藏层的状态值，计算池化层的分布函数，然后对池化层的分布函数进行采样，得到池化层的特征。