[发明专利]一种基于LBP和卷积神经网络的人脸美丽预测方法

说明书

本发明涉及一种基于LBP和卷积神经网络的人脸美丽预测方法，通过将LBP纹理图像与R、G、B三通道图像融合后的特征图输入到构建的卷积神经网络模型CNN中训练，并输入代表皮肤颜色信息的RGB图像对网络进行微调，得到训练好的人脸美丽预测模型；将需要预测的人脸图像输入训练好的人脸美丽预测模型，输出人脸美丽预测评分；发明利用卷积神经网络来提取人脸美丽特征，能够从数据中学习到有效的美丽特征表达，采用R、G、B三通道图像和LBP纹理图像结合的方法训练CNN模型，从而提高人脸美丽预测的精度；本发明能够提取到更深层次的表观特征，综合利用人脸肤色、纹理、颜色信息去优化人脸美丽预测模型，得到更准确的人脸美丽表达，提高了人脸美丽的预测精度。

技术领域

本发明涉及一种图像处理技术领域，尤其是一种基于LBP和卷积神经网络的人脸美丽预测方法。

背景技术

人脸作为人的一种自然属性，其具有很强的稳定性和个体差异性，而且是人最基本的象征，对于一个人最初的印象是基于人脸，而且人们对其最基本的判断是漂不漂亮，爱美之心，人皆有之，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。

一些学者已经开始用计算机对人脸美丽进行较为客观的评价。目前，用于人脸美丽研究的方法主要有以下几种：

1、基于几何特征，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。

2、基于表观特征，表观特征是指以人脸整体外貌特征为研究对象，采用特征脸、纹理特征等初级特征来表征人脸美丽信息。

3、基于深度学习的层次特征，对低层次的简单特征进行非线性映射，得到高层次的抽象特征。

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，甚至当待标注图像数目庞大时，令到人工介入非常繁琐。

人脸美丽很大程度上取决于人脸的各局部结构和轮廓信息，而基于表观特征没有涉及更具有结构性、层次性的表达，它属于人脸的浅层特征的范畴。

利用深度学习来进行人脸美丽预测，可以学习到深层次的特征表达，但它提取的是全局特征，而忽略了人脸的局部信息，因此，它的泛化能力不强。

发明内容

针对现有技术的不足，本发明提供一种基于LBP和卷积神经网络的人脸美丽预测方法，通过针对每个颜色通道信息，分区域提取纹理特征，并通过LBP和卷积神经网络相结合，进一步提高预测结果。

本发明的技术方案为：一种基于LBP和卷积神经网络的人脸美丽预测方法，包括以下步骤：

1)、训练卷积神经网络模型CNN

1a)、采集人脸图像作为训练图像，并对训练图像中的每张人脸图像进行预处理，得到大小为144×144的RGB彩色图像I₀＝[R,G,B]；

1b)、对RGB彩色图像I₀＝[R,G,B]的R、G、B三个通道分别使用LBP算子处理，得到每个通道的LBP纹理图像I₁＝LBP(I₀)＝[R_LBP,G_LBP,B_LBP]；