[发明专利]一种基于多尺度深度的人脸美丽预测方法

说明书

本发明提供一种基于多尺度深度的人脸美丽预测方法，包括以下步骤：构建多尺度的CNN模型，将经过预处理的人脸图像输入到CNN模型中进行预训练，得到预训练的人脸美丽预测CNN模型，将处理后的人脸美丽图像输入到预训练的人脸美丽预测CNN模型中进行再训练，提取人脸图像的统一深层次特征表达，得到训练好的最终人脸美丽预测CNN模型，将测试人脸图像输入最终训练好的人脸美丽预测CNN模型中，进行人脸美丽预测；本发明采用构建的多尺度CNN模型来提取人脸美丽特征，能够从数据中学习到有层次感的美丽特征表达，通过人脸图像对模型进行预训练，再利用人脸美丽图像进行微调，通过将人脸图像剪裁为多个尺度进行特征学习，从而提高人脸美丽预测的精度。

技术领域

本发明涉及一种计算机视觉与图像处理领域，尤其是一种基于多尺度深度的人脸美丽预测方法。

背景技术

美丽一直为人们津津乐道的话题，然而如何评价一张人脸图像的美丽程度是一个抽象的问题。评价人脸的美丽程度很有可能受到主观因素的影响，不同人，不同种族都有不同的评价标准，现有人研究通过计算机对人脸美丽进行较为客观的评价，人脸美丽评价可以广泛地应用在日常生活中，如在社交网络中让计算机为好友进行美丽评价并分享，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，然而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，但过多主观因素介入容易导致所获结果没有普适性，当待标注图像数目庞大时，标注工作量较大。

发明内容

针对现有技术的不足，本发明提供一种基于多尺度深度的人脸美丽预测方法，通过利用深度学习来提取人脸图像更具结构性和层次性的美学特征，提高对人脸美丽度预测的准确性。

本发明的技术方案为：一种基于多尺度深度的人脸美丽预测方法，包括以下步骤：

S1)、获取人脸图像、以及人脸美丽图像作为训练图像；

S2)、对训练图像中的人脸图像、以及人脸美丽图像进行相同的预处理，得到预设大小的图像；

S3)、构建多尺度的CNN模型，该所述的多尺度的CNN模型包括第一输入层、第二输入层、第三输入层，以及多个BMC单元、多个池化层、下采样层、多个全连接层，其中，每个BMC由单元BN层、MFM激活层以及卷积层构成，

第一输入层与第二输入层的输出端依次与BMC3、BMC4、池化层P2串联连接；

第三输入层与池化层P2的输出端依次与BMC5、BMC6、池化层P3、BMC7、BMC8、 BMC9、BMC10、池化层P4、全连接层Fc1、下采样层、全连接层Fc2串联连接，将第一输入层得到美丽特征与第二输入层得到美丽特征结合来，经过堆积的BMC3、BMC4、池化层P2与第三输入层提取的美丽特征结合起来，并经过多个BMC单元提取到更深层次的多尺度特征；

S4)、将步骤S2)中预处理的人脸图像输入到CNN模型中进行预训练，提取人脸图像的深层泛化特征，得到预训练的人脸美丽预测CNN模型；

S5)、然后将步骤S2)中处理后的人脸美丽图像输入到预训练的人脸美丽预测CNN模型中进行再训练，提取人脸图像的统一深层次特征表达，并计算人脸美丽预测的正确率，多次迭代直至正确率不再增加且在最大正确值附近波动时，减少学习速率继续训练，并且将训练图像通过模型，用全连接层参数计算损失误差，将计算得到的损失误差反向传播更新模型参数，得到训练好的最终人脸美丽预测CNN模型；

S6)、将测试人脸图像输入最终训练好的人脸美丽预测CNN模型中，进行人脸美丽预测，并输出预测结果。

进一步，上述技术方案中，步骤S2)中，所述的图像预处理的步骤如下：