[发明专利]一种基于多尺度深度的人脸美丽预测方法

摘要

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。

主权项

1.一种基于多尺度深度的人脸美丽预测方法，其特征在于，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，将第一输入层得到的美丽特征与第二输入层得到的美丽特征结合来，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到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。