人脸吸引力是遗传心理学和认知心理学的一个重要命题,研究结果可以给人脸进化(以及人类进化)提供科学依据,具有重要的科学意义。结合信息技术的人脸吸引力研究是信息学科与心理学的交叉研究,可以完善传统研究方法存在的主观性强、数据少的不足。在对于人脸识别研究中,脸型结构的精细化分类在提高人脸识别的稳定性与高效性方面已经通过实验证明。本文为提高计算机评估人脸吸引力的评价性能,深入分析了全局轮廓点特征提取问题、人脸脸型结构分类问题以及各类脸型结构的人脸吸引力评价问题。其主要研究和创新内容如下:(1)对脸型结构分类问题进行了详细的分析,并利用全局轮廓特征对脸型结构进行了分类。根据全局轮廓点特征模型,提取下颌轮廓特征与全局轮廓特征,考虑各类脸型结构的基本几何属性,结合K近邻与平均Hausdorff距离对脸型结构进行分类。实验表明全局轮廓特征在脸型结构分类上取得了更好的效果,与下颌轮廓特征相比将脸型结构分类精度提升了5.98%。(2)针对人脸吸引力评价问题,提出了对人脸数据集的脸型结构进行“分集”的方法。所谓“分集”,即在人脸脸型结构数据集构建环节,将原有数据集划分为六类脸型结构的小数据集。然后对各类脸型结构的人脸吸引力评价分数进行分析,结果显示椭圆形与心形的脸型结构相比其他脸型结构更具有吸引力。(3)将脸型结构分类与人脸吸引力评价相结合,提出了基于全局轮廓和脸型结构分类的人脸吸引力评价方法。选取基于各类脸型结构数据集相关性最高的人脸吸引力评价方法,并将其与基于整体数据集的人脸吸引力评价方法进行了对比,实验表明通过脸型结构“分集”后获得了更好的人脸吸引力评价性能,Pearson相关性系数平均提升了6.60%。