导　　师： 甘俊英

授予学位： 硕士

作　　者： (）;

机构地区： 五邑大学

摘　　要： 人脸美丽预测利用智能信息处理技术提取人脸面部的美学特征,将主观的美丽感知转换成机器学习的模式识别问题,从而实现对人脸美丽度进行智能预测。由于人们对人脸美丽存在主观性,同时缺乏对人脸美丽的客观认识和统一的评判标准,因此,人脸美丽研究与人脸识别和人脸表情识别等其他生物特征识别研究相比仍存在较大差距。人脸美丽特征提取的方法有两种,一种是以人脸美学理论为依据,采用手工设计并提取特征;另一种是通过构建深度学习网络,采用数据训练的方式让网络自动提取特征。基于人脸美学理论的几何特征、纹理特征等的人脸美丽预测,由于缺乏对人脸美丽的完整性描述,预测精度和泛化能力均较差。而基于深度学习方法的人脸美丽预测,通过大量带标签数据的有监督训练,让网络智能地提取人脸图像中潜在的结构性和抽象性美学特征,从而实现人脸美丽预测的完全自动化和智能化,为人脸美丽预测研究开辟了新方向。基于以上分析,本文采用深度学习方法构建网络用于自动提取人脸美学特征和分类,并通过引入多尺度图像技术增强深度学习网络的特征提取能力,以此对人脸美丽预测展开研究,主要内容如下:(1)针对SCUT-FBP人脸美丽数据库图像数据量小、网络训练难度大、拟合效果欠佳的情况,本文构建了多尺度主元分析网络(Principal Component Analysis Network,PCANet)的人脸美丽预测模型。首先,采用图像多尺度化技术,将人脸美丽数据库进行图像分割,生成3个不同尺度的人脸美丽图像集。其次,以PCANet作为特征提取器,用于提取3个人脸图像集的美学特征;并采用特征融合算法,获得具有全局结构性的新特征。最后,在线性支持向量机(Support Vector Machine,SVM)和随机森林上进行回归预测,取得了最高0.8627回归预测相关系数。(2)利用深度学习方法,在亚洲大�

关 键 词： 人脸美丽预测 图像多尺度 深度卷积神经网络 深度可分离卷积层

领　　域： []