[发明专利]一种基于深度学习的人脸吸引力评价方法

说明书

技术领域

本发明涉及计算机图像数据处理及模式识别的研究领域，特别涉及一种基于深度 学习的人脸吸引力评价方法。

背景技术

爱美之心，人皆有之。人人都希望自己是美丽的，然而评价一张人脸图像是否具有 足够的吸引力，却是一个抽象的难题，其不可避免的要受到人脸图像的姿态、光照、种族及 评判人主观因素等的影响。然而人脸吸引力评价也并非绝对抽象，长时间以来，研究者们关 于人脸吸引力也积累了一些量化标准，如由中国的传统审美观念衍生出的“三庭五眼”和 “四高三低”，以及在欧洲地区盛行的“面部黄金比例”等。近年来，随着人工智能的兴起，自 动化的人脸吸引力评价也在机器学习和计算机视觉领域引起关注。然而如何让计算机对人 脸进行客观的吸引力评价是一个复杂的难题，目前这方面国内外的研究还比较少，大多停 留在手工提取人脸几何特征或表观特征，然后用传统的机器学习算法进行学习的基础上。 然而手工提取特征的工作不仅繁杂，选择合适的面部特征也相当依赖于研究者的经验和学 识。深度学习的方法可以摒弃繁琐的手工特征提取的工作，将其吸引力预测合为一体。利用 深度自学习来提取人脸图像更具结构性和层次性的美学特征，可以实现对人脸图像更准确 的吸引力预测。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于深度学习的人 脸吸引力评价方法，具体通过深度学习中的卷积神经网络建立人脸吸引力预测的客观评价 模型，结合大量的训练样本和层次化的训练方法，使得模型能够学习到人脸吸引力评价的 客观标准，对任意输入的每张人脸图片预测出合理的吸引力分数，从而实现端到端的人脸 吸引力评价。

为了实现上述目的，本发明采用以下技术方案：

本发明提供的一种基于深度学习的人脸吸引力评价方法，该方法包括下述步骤：

(1)、对人脸数据库中的人脸图像做图层分解，提取出包含人脸皮肤光滑度信息的 细节图层和包含人脸皮肤亮度信息的亮度图层；

(2)、在特定设计的卷积神经网络结构下，将细节层作为输入训练得到一个初步的 人脸吸引力评价网络模型；

(3)、将亮度层作为输入对网络模型进行微调优化；

(4)、将人脸图像的RGB颜色信息作为输入对网络模型进行微调优化，得到最终的 评分模型；

(5)、将任意人脸图像输入评分模型，得到相应的人脸吸引力分数。

作为优选的技术方案，在步骤(1)中，所述数据库是SCUT-FBP数据库，包含M张亚洲 青年女性人脸图像，其人脸美丽标准的制定是根据N位志愿者的平均审美决定的，即在 SCUT-FBP数据库中，每张图像被赋予一个人脸吸引力分数。

作为优选的技术方案，所述人脸吸引力分数为N位志愿者对数据库中每张图像进 行吸引力评分后所得的平均分，范围是1-5分，分数越高表示吸引力越大。

作为优选的技术方案，在步骤(1)中，对人脸数据库中的人脸图像做图层分解包括 颜色空间映射和滤波处理两大过程：

颜色空间映射是指将RGB颜色空间映射到CIEL*a*b*颜色空间，其中，L*坐标表示 颜色亮度，范围是0～100，L*为0表示黑色而L*为100表示白色；a*坐标表示红色和绿色之间 的值，范围是-500～500，负值指示绿色而正值指示红色；b*坐标表示黄色和蓝色之间的值， 范围是-200～200，负值指示蓝色而正值指示黄色，颜色空间映射过程包含从RGB色彩空间 到XYZ空间的线性变换与从XYZ空间到L*a*b*空间的非线性变换，从RGB到XYZ的线性变换的 公式为：