[发明专利]基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法

说明书

本发明属于图像处理技术领域，公开了一种基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法，对采集到的人脸图像进行去模糊、去抖动、人脸对齐及归一化处理；对人脸图像进行脸型结构分类并对得到的人脸数据库进行脸型结构子库划分；提取人脸几何特征与纹理特征，并进行特征融合，用以表征人脸吸引力；将脸型结构分类与人脸吸引力评价相结合，选取基于各类脸型结构数据集相关性最高的机器学习算法；输出人脸吸引力评价分数。本发明提出的基于全局轮廓和脸型结构分类的人脸吸引力评价方法，降低了不同脸型结构间的人脸吸引力相互影响，可实现优化人脸吸引力评价性能的目标。同时本发明也适用于规模相对较大的数据集。

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法。

背景技术

目前，最接近的现有技术：

基于下颌17个特征点来训练传统脸型结构分类器的脸型结构分类方法，仅仅利用了下颌特征点，遗失了其他有用的信息，且人脸脸型结构分类的类别较少。本发明中的全局轮廓点特征对脸型结构分类有很好的拟合作用，可以得到更加准确和类别更多的脸型结构分类结果。

基于K近邻和Hausdorff距离的脸型结构分类方法，将Hausdorff距离作为K近邻算法的距离函数，但由于Hausdorff距离对异常值的容忍度较低，可能会导致计算点集之间距离较大时引起的分类错误。本发明利用K近邻与平均Hausdorff距离算法对脸型结构进行分类，改善了Hausdorff距离对异常值的容忍度较低的问题，得到了较好的人脸脸型结构分类效果。

目前对于人脸吸引力的评估预测多是利用几何特征表征人脸吸引力特征，因为几何特征是较好提取的且最普遍的表征人脸吸引力的特征，因此忽略了多特征融合和脸型结构分类对人脸吸引力的影响，导致了预测人脸吸引力评分不准确的问题。本发明采用几何特征与纹理特征相融合的方法来提取人脸吸引力特征，再将分类好的各类脸型子集进行人脸吸引力的训练及预测，选取各脸型结构相关系数最高的评价模型进行拼接，优化建立多层次、多影响因子的人脸吸引力评价估计模型。

综上所述，现有技术存在的问题是：现有对人脸吸引力多特征融合忽略了全局轮廓点特征对脸型结构分类的影响；Hausdorff距离对异常值的容忍度较低，可能会导致脸型结构分类错误；忽略了多特征融合和脸型结构分类对人脸吸引力的影响，导致了预测人脸吸引力评分不准确的问题。

解决上述技术问题的难度：传统的人脸吸引力研究主要局限于心理学与医学领域，重点关注的是美容与整形外科上的应用，而利用信息处理技术对人脸吸引力的研究才刚刚兴起。

解决上述技术问题的意义：本发明可实现优化人脸吸引力评价性能的目标。

发明内容

针对现有技术存在的问题，本发明提供了一种基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法。

本发明是这样实现的，一种基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法，所述基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法包括以下步骤：

第一步，对采集到的人脸图像进行去模糊、去抖动、人脸对齐及归一化处理；

第二步，对人脸图像进行脸型结构分类并对得到的人脸数据库进行脸型结构子库划分；

第三步，提取人脸几何特征与纹理特征，并进行特征融合，用以表征人脸吸引力；

第四步，将脸型结构分类与人脸吸引力评价相结合，选取基于各类脸型结构数据集相关性最高的机器学习算法；

第五步，输出人脸吸引力评价分数。