人臉的美在社會活動中起著重要的作用;影響了數(shù)字娛樂、模特和表演等職業(yè)、以及個人職業(yè)前景。人們對美麗的追求和向往吸引了各領(lǐng)域?qū)W者對人臉美麗預(yù)測的研究。但是,傳統(tǒng)的人臉美麗預(yù)測方法在特征提取上耗費了大量時間,而且預(yù)測效果不理想。目前,研究者們通過深度學習方法,采用卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network,CNN）替代手工提取特征,讓網(wǎng)絡(luò)智能地提取人臉美麗特征,從而為機器自動進行人臉美麗預(yù)測提供了可能。本文提出基于多特征融合的人臉美麗預(yù)測研究,采用多特征融合代替?zhèn)鹘y(tǒng)的單一特征來增強網(wǎng)絡(luò)的預(yù)測能力。本文主要研究內(nèi)容如下:（1）采用一種融合幾何特征與PCANet網(wǎng)絡(luò)的人臉美麗預(yù)測模型。將PCANet網(wǎng)絡(luò)提取的直方圖特征與幾何特征進行融合,得到更具魯棒性和區(qū)分度的特征,最后通過SVM回歸器和隨機森林回歸器進行5折交叉驗證實驗。實驗結(jié)果表明,PCANet網(wǎng)絡(luò)融合幾何特征后的預(yù)測性能優(yōu)于未進行特征融合的預(yù)測性能,說明融合的幾何特征能有效提高人臉美麗預(yù)測結(jié)果。（2）采用一種結(jié)合局部二值模式（Local Binary Pattern,LBP）與卷積神經(jīng)網(wǎng)絡(luò)的人臉美麗預(yù)測新方法。L... 

【文章來源】：五邑大學廣東省

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

8個特征點標注及其幾何特征示意圖

a) 原圖像 b) LBP 紋理圖圖 2-4 LBP 紋理特征示意圖Figure 2-4 Diagram of LBP texture featuresns 特征法是無監(jiān)督聚類算法，簡單高效，應(yīng)用非常廣泛得簇心來搭建淺層網(wǎng)絡(luò)模型，提取淺層特征。K-m根據(jù)這些簇心將數(shù)據(jù)集劃分到 K 個不同的簇。本為 {,,,,,}1 2iNxxxx X =，其中，innxR×∈ 代找到K個簇心，將訓(xùn)練樣本劃分到K個簇中，計算，即 = == NiKkiikkqx1 12E μ

CNN 是深度學習中最具代表性的網(wǎng)絡(luò)結(jié)構(gòu)，在機器視覺領(lǐng)域取得了巨大成與傳統(tǒng)圖像處理方法相比，CNN 的優(yōu)點在于：利用端到端的學習能力，將原始像直接輸入，不需要過多的人工干涉，極大程度地降低了人工成本。與傳統(tǒng)神網(wǎng)絡(luò)相比，CNN 的優(yōu)點在于：CNN 通過局部連接結(jié)構(gòu)，使模型構(gòu)造更加簡單；且神經(jīng)元之間使用權(quán)值共享機制，需要訓(xùn)練的權(quán)值參數(shù)為卷積核的大小，跟隱層神經(jīng)元數(shù)目不相關(guān)，進一步降低了可訓(xùn)練參數(shù)。盡管權(quán)值參數(shù)大幅度縮減，是，CNN 網(wǎng)絡(luò)仍然表現(xiàn)出非常優(yōu)秀的特征表征能力。CNN 由兩部分組成：特征取和特征映射，主要包括卷積層、池化層以及全連接層，如圖 2-6 所示。通過卷運算逐層提取圖像不同層次的語義信息，利用訓(xùn)練樣本對網(wǎng)絡(luò)的各層參數(shù)進行合調(diào)整，以此提取圖像的分類特征。CNN 中的卷積層對輸入圖像進行卷積操作可獲得初始特征提取的特征映射；將多個特征映射加權(quán)求和進行非線性激活函處理，再進行池化操作，得到新的特征映射。經(jīng)過多次卷積和池化操作得到從層到高層的語義抽象，將獲得的特征輸入到全連接層，最終通過分類器完成分類

【參考文獻】：
博士論文
[1]人臉美麗吸引力的特征分析與機器學習[D]. 毛慧蕓.華南理工大學 2011

碩士論文
[1]基于多尺度圖像深度學習的人臉美麗預(yù)測研究[D]. 姜開永.五邑大學 2018
[2]基于深度學習的人臉美麗吸引力預(yù)測[D]. 許杰.華南理工大學 2017
[3]人臉的幾何特征分析與美麗分數(shù)計算[D]. 戴禮青.南京理工大學 2014
[4]人臉美麗分類算法研究[D]. 王敏.西安電子科技大學 2012



本文編號：3320644