[发明专利]人脸美丽预测方法、装置、系统及可读存储介质

说明书

本发明公开了一种人脸美丽预测方法、装置、系统及可读存储介质，人脸美丽预测方法包括获取第一人脸图像，将所述第一人脸图像输入至胶囊‑多组分生成对抗网络中进行特征提取，得到人脸图像特征；将所述人脸图像特征输入至宽度学习网络中进行训练，得到人脸美丽预测模型；将待识别的第二人脸图像输入至所述人脸美丽预测模型进行人脸美丽预测，得到所述待识别的第二人脸图像的人脸美丽预测数据。本发明的技术方案能够获取足够多的训练样本，并实现对人脸图像的人脸美丽预测，且模型训练耗时较短。

技术领域

本发明涉及图像处理技术领域，特别涉及一种人脸美丽预测方法、装置、系统及可读存储介质。

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，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便是漂不漂亮。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、不同的审美观及不同种族都有不同的评价标准。

人们对美的追求，推动了人脸美丽研究相关产业的迅猛发展，并带来巨大的经济效益和广阔的发展前景。研究发展至今，其理论成果被广泛应用于实践当中，如社交应用、整容辅助以及美容产品导购等。虽然人脸美丽产业发展迅速，但是目前市场上并没有形成相对系统的标准来对人脸美丽进行预测，且现有的人脸预测方法中还存在模型训练耗时长等问题。且在目前对机器视觉图像进行半监督学习中，现有的双组分生成对抗网络存在两个问题：

1.生成器和判别器不能同时达到最优。即双组分生成对抗网络虽然可以很好地进行分类判别，以及很好地建立带有样本信息的生成过程，但是其不能同时实现最优的生成器和判别器；

2.生成器不能彻底地学习不同类别之间的潜在表示。半监督学习的目的是在有限的监督下，从数据本身中提取分类信息或其他有意义的特征。判别器在判断所给数据来自于真实数据还是模型分布时，只考虑数据本身，并没有完全的利用标签相关信息。

因此，在对抗性训练过程中，潜在变量无法在生成器中学习足够多的标签知识，导致训练样本不足。

名词解释：

生成对抗网络(Generative Adversarial Networks，GAN)本质上是一种训练模型，其基于深度生成模型，而不是特定的网络。生成对抗网络主要包括一个生成器G(Generator)和一个判别器D(Discriminator)。

多组分生成对抗网络(Triple GAN)由三个部分组成，主要为分类器C(Classifier)，生成器G(Generator)和判别器D(Discriminator)。

胶囊网络(CapsuleNet)是一种结合特征实例的出现概率与特征实例的姿态信息来判定对象是否为目标类别的神经网络。

宽度学习网络是一种随机向量函数链接神经网络，该网络结构没有层与层之间的耦合和连接，也不需要利用梯度下降来更新权值。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种人脸美丽预测方法、装置、系统及可读存储介质，能够获取足够多的训练样本，并实现对人脸图像的人脸美丽预测，且模型训练耗时较短。

本发明解决其问题所采用的技术方案是：

本发明实施例的第一方面，提供了一种人脸美丽预测方法，包括以下步骤：

获取第一人脸图像，将所述第一人脸图像输入至胶囊-多组分生成对抗网络中进行特征提取，得到人脸图像特征；

将所述人脸图像特征输入至宽度学习网络中进行训练，得到人脸美丽预测模型；

将待识别的第二人脸图像输入至所述人脸美丽预测模型进行人脸美丽预测，得到所述待识别的第二人脸图像的人脸美丽预测数据。