论文部分内容阅读
人脸美丽预测是机器学习领域一个前瞻性的研究课题,运用深度学习(Deep Learning,DL)对人脸美丽的研究暂不多见。目前,人脸美丽预测大多依赖于几何特征和表观特征,通过传统机器学习方法实现预测。几何特征提取过程中大量的人工干预造成了其较差的普适性,表观特征在提取过程中不需要人工参与,是一种自动的特征提取方法。由于几何特征和部分表观特征对人脸图像距离、比例、纹理等特征的不同侧重,导致表征人脸美丽信息的丢失。作为一个新兴的领域,国内外研究者各自根据研究内容的不同建立了多个小型的人脸美丽数据库,而训练样本的缺失对人脸美丽研究带来了许多难题。针对上述问题,本文提出一种基于深度学习的人脸美丽预测模型。主要内容包括:(1)采用四层自适应反卷积网络(Adaptive Deconvolutional Networks,ADN)对人脸图像进行特征提取及可视化分析。ADN既拥有卷积神经网络分层特征提取的优点,符合人类大脑分层视觉感知过程;又能够通过可视化方法观察网络参数和特征,为人脸美丽预测提供科学的依据。ADN采用高层特征的反向重构图像与原始图像的误差作为网络训练依据,有效保证了特征提取过程中人脸信息的完整性。ADN作为一种无监督的特征提取模型,在有标签样本难以获取的情况下,可以通过添加大量无标签样本完善网络对数据分布的理解。(2)在模型训练过程中,利用可视化方法观察网络参数和特征。通过可视化分析,ADN的特征提取符合人类大脑的分层区域感知理论,是一个不断抽象和提炼的过程。同时,通过对单个或多个高层特征的反向重构,我们发现高层特征与人脸的局部特征相对应。最后的预测结果表明,人脸的整体美丽度是人脸的局部特征(眼、鼻、嘴、眉毛、轮廓等)共同作用的结果。(3)通过网络爬虫技术在社交、求职等网站获取大量的图像,利用人脸检测技术在大量图像中进行快速筛选和几何校正。本文采用OPENCV自带的Adaboost人脸检测算法对图像进行筛选,依据人脸检测得到人脸区域坐标和关键特征点坐标,再对人脸图像进行几何校正。通过筛选和校正,我们得到标准的正面人脸图像,并将其用于模型的训练和测试。(4)利用Logistic回归、SVM、KNN三种不同的分类方法对ADN提取的多层高级表观特征进行美丽预测,并分析特征与人脸美丽评分的相关性。实验结果表明,,SVM在ADN提取的三层特征上均取得了较高的识别率。其中,SVM结合ADN提取的第三层高级表观特征取得了最高98.6%的识别率和最高0.825的相关性,说明了SVM相对于其它两种分类方法的优势。这也间接说明了深度网络提取的表观特征在人脸美丽预测上的有效性。