[发明专利]基于生物启发和深度属性学习相结合的人脸美感预测方法

说明书

基于生物启发和深度属性学习相结合的人脸美感预测方法，涉及一种人脸美感预测方法。首先通过眼动仪获取用户观察人脸图像时的眼动信息，进而提取出人观看人脸时的审美空间区域，通过聚类将审美空间区域划分为若干特征空间，然后通过监督学习和卷积神经网络方法训练出人脸美感检测器，训练出的人脸美感检测器对于一张正面的人脸图像，预处理后能够得到人脸图像的美感等级。通过收集图像的中层属性特征信息提取了用户观察图像时的审美空间区域，通过得到的人脸美感模型充分验证了决定人脸美感的审美特征区域，并且相对于其他人脸美感评价方法在准确率方面有了很大的提升。

技术领域

本发明涉及一种人脸美感预测方法，特别是涉及一种基于生物启发和深度属性学习相结合的人脸美感预测方法。

背景技术

在当前人脸相关应用中，人脸美感预测受到了越来越多人的关注，在客户端和移动端也得到了相关的应用，例如在用户进行人脸拍照时，实时返回一个当前人脸的美感分数，帮助人们找出理想的拍照角度。但目前人脸美感技术中最关键的挑战在于提取具有判别性和感知能力的特征来区分人脸面部分美感。到目前为止，现有刻画人脸美感的方法主要依赖于手动提取的图像底层特征，比如人脸的几何特征的空间位置的计算，或人脸图像的全局特征的判别等。对于基于几何特征的方法，大多数的方法是，首先手动或自动的对人脸的关键点进行标注，根据这些关键点的位置计算人脸各个器官的比例关系，然后通过训练得到分类回归模型，用于人脸美感的分类回归。对于基于人脸的全局特征的方法，将整个预处理后的人脸图像输入提取整张人脸的特征信息来进行人脸美感评价模型的训练，不过由于人脸图像的维度过高，造成的问题有，计算复杂度过高，且在高维空间中的分布稀疏，分类效果并不是很好。

中国专利201110177113.5发明提供了一种基于几何特征的人脸美感分析方法，通过基于组合策略的局部几何特征进行组合描述，并采用基于记忆的动态加权核密度估计(MDKDE)构建弱分类器，利用Adaboost集成学习机制实现特征的集成，得到人脸美感精确类别。与以往基于几何特征的人脸美感分析技术不同的是，发明从欧氏距离、斜率和面积等多角度选取描述人脸美感的局部几何特征，构成人脸美感的单一描述，并由局部几何特征描述进行组合得到组合特征描述，并采用MDKDE构建Adaboost集成学习的弱分类器，对任意输入的人脸图像获得了较好的分类结果。

以上这两种方法不能揭示图像语意信息的有效表达，尽管基于几何特征的方法对人脸美感的分析也具有相关性，但是仍旧不能清晰的解释人类大脑是如何利用这些几何特征去分析和判别出人脸的美感，并没有用科学的方法去统计和验证其合理性。对于基于全局特征的美感分析方法，存在着很多人类大脑不关注的区域和噪声，可能存在对人脸审美的判别中造成不可逆影响的情况。我们知道，在人脑感知系统中，当评估人脸的美感问题时，人脑趋向于有选择的关注那些有吸引力的人脸位置区域，在这样情况下，提取人脸显著特征位置显得尤为重要了。

发明内容

本发明所要解决的技术问题在于针对上述现有技术的不足，提供基于生物启发和深度属性学习相结合的人脸美感预测方法。

本发明包括以下步骤：

1)人脸图像的预处理；

2)人脸显著特征位置的提取；

3)获取人脸图像的美感等级标签；

4)人脸美感模型的建立。

在步骤1)中，所述人脸图像的预处理包括人脸检测、人脸关键点定位、人脸图像归一化处理等；所述人脸图像的预处理的具体方法，包括以下步骤：

(1)对人脸图像进行人脸检测及人脸关键点的定位，具体方法包括但不限于基于opencv的人脸检测和人脸关键点的定位、基于人脸关键点位置的手工标注等；

(2)根据人脸关键点的位置进行人脸图像几何归一化处理，将人脸表情子图像变换为统一的尺寸；