[发明专利]一种基于多任务迁移学习的人脸美丽预测方法

说明书

本发明提供一种基于多任务迁移学习的人脸美丽预测方法，包括构建多任务人脸数据库、特征学习、特征融合、以及人脸美丽预测模型的构建，本发明通过增加表情识别和年龄识别来增强人脸美丽预测的准确率；为了避免因少量样本数据训练深度网络出现过拟合，且计算设备不够，通过使用VGG、ResNet、GoogleNet骨干深度卷积网络作为共享特征学习网络结构，利用模型迁移，将训练好的卷积网络训练可迁移的共享特征。训练过程中每个任务之间共享网络参数，学习共享特征，从而提高网络对单任务学习的准确率；通过使用深度学习网络进行多任务学习，共享表示层可使具有共性的任务更好地结合相关性信息，任务特定层则可单独建模任务特定的信息。

技术领域

本发明涉及利用图像处理和机器学习技术进行人脸美丽评价技术领域，尤其是一种基于多任务迁移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。

现实生活中，人们对美丽的评价标准各自不同，这也导致在很长一段时间内，人们都认为美是一种主观的感知活动。然而，研究者们发现人们对于人脸美丽的评判有着高度的一致性，这种一致性与审美个体所处的民族、文化、年龄和性别等无关，这个结论也证明了人脸美的客观性。

人脸美的客观性为人脸美的自动预测和分析奠定了理论基础。自上个世纪80年代以来，计算机科学的迅猛发展使得建立人脸美丽的计算预测模型变得可行。人们倾向于手工提取人脸图像的几何特征或者表观特征，再结合线性回归、高斯回归或支持向量机等传统的机器学习方法去最大限度地拟合数据，从而对人脸图像的美丽程度进行预测。然而，这种传统方法下所提取的特征是低层次的，表征能力十分有限，预测效果大打折扣。

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。近年来，随着深度学习技术的发展，研究者们逐渐认识到深度学习对人脸美丽预测的重要性。但是，深度学习方法用于人脸美丽研究需要大量训练样本，人脸美丽预测研究的现有数据库规模一般不大，从而使直接训练一个深层网络模型不仅困难而且易出现过拟合的问题，同时现有的人脸美丽评价只能基于单任务进行预测，但是人脸美丽的评价缺受到很多因素的影响，导致现有的人脸美丽评估不准确，参考意义不大。

发明内容

针对现有技术的不足，本发明提供一种基于多任务迁移学习的人脸美丽预测方法，本发明能够充分利用相关任务的关联性，弥补由于人脸美丽数据样本较少的缺陷，同时利用多任务之间有用的额外信息来提高系统的准确率。

本发明的技术方案为：一种基于多任务迁移学习的人脸美丽预测方法，其中，多任务是指人脸美丽预测、人脸表情识别、以及年龄识别，包括以下步骤：

S1)、针对不同任务构建多任务学习人脸数据库，并对多任务学习人脸数据库中的每张人脸图像进行预处理；

S2)、特征学习与融合，具体包括以下步骤：