[发明专利]一种基于深度自学习的人脸美丽预测方法

说明书

技术领域

本发明涉及一种基于深度自学习的人脸美丽预测方法。

背景技术

爱美是人类的天性，爱美之心，人皆有之。亚里士多德说：“美丽的面孔是更好的推荐书”。美丽给人留下的好感在日常生活中切实存在，且给人们日常生活带来重大影响。人脸美丽研究是近年来兴起的关于人类认知本质与规律研究的前沿课题，探索如何更好地预测美，将有助于人脸美丽密码这一人类永恒的主题得到科学、客观及可量化的描述，使人脸美丽研究这一跨学科领域得到长足的发展。

目前，国内外学者大多采用几何特征或表观特征，进而通过机器学习对人脸美丽进行预测。其中基于几何特征的人脸美丽预测方法是人脸美丽研究的热点，研究者在人脸图像上提取许多有意义的特征点，计算感兴趣特征点之间的几何距离以及由这些距离所构成的比率矢量，然后将几何距离和比率矢量作为特征进行机器学习。几何特征体现了人脸图像各部位一种和谐的数量或比例关系。但是，人脸平面图像单纯用几何特征进行描述会丢失诸如肌肉的起伏、五官部位的结构转折等表征人脸美丽的特征信息，而且人脸特征点的检测在训练阶段需由人工标注训练样本，但过多主动因素介入容易导致所获结果没有普适性，甚至当待标注图像数目庞大时，令到人工介入非常繁琐。表观特征指以人脸整体外貌特征为研究对象，对美丽特征的分析不再局限于几何距离，也不再局限于特征点的控制。表观特征不用提取特征点，避免过多人工介入，相对于几何特征具有独特优势。但是，人脸美丽很大程度上取决于人脸各局部结构和轮廓信息，而主流的基于表观特征的方法只是采用特征脸、纹理特征等初级特征来表征人脸美丽信息，未涉及更具有结构性、层次性的特征表达。传统机器学习方法用于人脸美丽研究需要大量训练样本，且美丽程度要求有一定区分度，即训练样本应包含许多经过标注的极美和极丑图像，而实际中人脸图像大多为中性美，很难找到许多极美和极丑图像，这无疑会给研究工作带来困难。

发明内容

为克服现有技术存在的上述不足，本发明的目的在于提供一种通过深度自学习获取有效表征人脸美丽特征信息的高精度美丽预测方法。

本发明采用的技术方案是：

一种基于深度自学习的人脸美丽预测方法，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。

进一步，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。

进一步，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。

进一步，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，并对其进行采样得到可见层特征；

（23）重复步骤(21)、步骤（22）至指定迭代次数后结束。

进一步，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，对第一层的池化层的分布函数采样，得到池化层特征；

（32）将CDBN第一层的池化层特征作为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，并将其作为CDBN下一层的可见层输入，下一层采用与上一层相同的方法，进而完成对多层CDBN逐层贪婪无监督训练。

再进一步，所述无监督训练的具体步骤为：