方法概览
经过对颜值、美丽值或者是魅力值打分相关的资料整理。方法大致有三类,非监督方法、监督方法和深度学习相关的方法。
在这些方法中,使用的判别标准或者说是参考特征主要有:人脸五官大小和相对位置特征,例如,眼宽、瞳孔距,脸宽,鼻宽,鼻长,嘴宽,上唇厚度,下唇厚度,眉心距以及比例特征等;人脸纹理特征,例如肤色、皮肤光滑程度等。
利用深度学习和监督方法需要大量样本,通过对样本的学习对新的样本进行预测;非监督方法中,也需要一些样本,根据提取的标准按照一定的方法建立评测标准来进行打分。
相关专利参考价值不大,有很多app有这个功能,但是关于具体实现描述较少,相关论文按照分类进行整理如下。
非监督方法
人脸评分方法
本发明揭露一种人脸评分方法,为取得一影像,分析此影像是否具有人脸,再利用脸部辨识法以切割该影像为多个区域方式侦测影像中的人脸,并得人脸的特征值,再由人脸黄金比例条件作为评分标准,将此人脸的特征值进行评分,最后输出评分结果的信息。此种评分功能设于任一种可以撷取影像的多媒体电子产品之中,增添使用者在拍照时不一样的新乐趣。
非监督人脸美貌度评价
针对目前人脸美貌度评价方法计算复杂等不足,根据黄金比例的美学标准与人脸面部的三分之一比例,提出了一种基于图像的非监督人脸美貌度自动评价方法.基于人脸所具有的类Haar特征,定位人脸区域,提取人脸面部相关特征并确定其位置,结合人脸肤色的聚类性确定人脸边界.根据人脸面部各特征之间所具有的不同比例及其评分权重,通过计算所提取的人脸相关特征各比例与人脸美学人脸特征比例之间的差异度,对人脸美貌进行非监督自动评价.
人脸美学生物特征计算
http://www.docin.com/p-260493930.html
监督方法
基于美丽指数的人脸美学分析模型
本文根据人脸图像的特点,定义并提取了一系列人脸美学分析特征,包括点特征、几何特征和比例特征。通过提取这些特征作为美丽指数的研究基础,然后对上述特征按照一定准则进行归一化,以保证特征的稳定性。定义了美丽指数主观分析准则:在美丽指数的研究中,需要定义一些主观的评价准则,一方面来指导客观准则的建立,另一方面可以验证客观分析模型的有效性。在此我们提出了美丽指数分级打分的思想,首先建立主观评价准则,然后邀请大量的志愿者对一定规模的人脸美学研究数据集进行主观评价。对打分结果进行统计分析,通过定义不同的美丽指数等级和统计结果来寻找合适的美丽指数等级。人脸美丽指数客观分析模型的建立:在主观评价的基础上,建立了基于最近邻分类算法的人脸美丽指数客观分析模型,在该模型下对不同人脸特征以及多种美学特征进行融合分类,并结合主观评价结果,来检验该分析模型的有效性。
人脸美丽吸引力的特征分析与机器学习
在几何特征提取方面,我们系统研究了前人提出的6种表征人脸美丽吸引力的几何特征提取方法,在此基础上,我们借鉴中国传统的三庭五眼审美标准以及现代美论提出了几种表征中国女性人脸美丽吸引力的几何特征,包括17维距离特征、归一化特征点特征及三角形面积特征以及在此基础上的两种组合特征,力求更准确完整地提取对中国女性人脸美丽有影响的几何信息。实验结果表明本文根据东方审美观点而设计的17维距离特征来分析中国女性人脸的美丽吸引力具有较好的预测性能。本文提出的两个新的组合特征能进一步提升预测的准确性。最好的组合特征在经过Wrapper选择之后,获得了最高为0.916的预测相关度。实验结果一方面验证了我们提出的几何特征用于表征人脸美丽吸引力的有效性,另一方面,也很好的验证了本文提出的“人脸美丽吸引力是可学习的”这一假设。(3)基于人脸皮肤纹理和人脸美丽之间的关系存在着认知心理学和生物学、医学上的理论基础,本文提出了基于二维Gabor纹理特征的人脸美丽吸引力预测方法。在传统Gabor滤波器的基础上,我们提出了特征点采样Gabor特征、特征三角中心采样Gabor特征等两种新的用于表征人脸美丽吸引力的特征提取方法。对给定的人脸图像经过归一化预处理之后,分别提取图像的纹理特征,然后使用主分量分析(PCA)对纹理特征进行降维,之后采用Wrapper特征选择去除无关的特征以提高预测性能,最后使用回归支持向量机(SVM)模型对人脸美丽吸引力进行学习及预测。实验结果表明,本文提出的特征点采样Gabor纹理特征的预测性能明显高于别的纹理特征,更能有效反应人脸美丽吸引力相关有益的信息。此外,融合特征点采样Gabor纹理特征和几何特征获得了目前为止最高的Pearson预测相关系数为0.932,这些结果清楚地显示了在面部吸引力的预测问题上纹理信息的重要性,也说明了本文方法的有效性。http://www.cnki.net/KCMS/detail/detail.aspx?QueryID=6&CurRec=3&recid=&filename=1011188499.nh&dbname=CDFD0911&dbcode=CDFD&pr=&urlid=&yx=&v=MjI0ODNVUkx5ZmIrUnNGaURuV3J6SVZGMjZIN0t3RnRYRnBwRWJQSVI4ZVgxTHV4WVM3RGgxVDNxVHJXTTFGckM=
人脸的几何特征分析与美丽分数计算(可以看到全文)
人脸美这一抽象的概念进行可量化的特征表达,基于三庭五眼标准及黄金比例规则,综合考虑人脸的距离特征、大小特征和位置特征,提出了三种表征中国人脸美丽的几何特征:18维距离特征、基于AAM算法的68个特征点及三角形面积特征,期望更加完整、准确地表征人脸的几何特征,从而提高美丽分数预测性能。考虑到几何特征的维数高,本文采用基于互信息和遗传算法的组合式特征选择算法对几何特征进行有效的特征选择,从而降低特征维数。3)构建人脸美丽分数计算的回归模型。利用机器学习方法构建合理的回归模型。本文分析了5种机器学习方法来预测人脸几何美丽分数,包括:K近邻回归模型、支持向量回归模型、多层感知器神经网络模型、高斯过程回归模型和基于Hessian能量的半监督回归模型;并定义三种验证系数:Pearson相关系数、平均绝对值误差和均方误差,用以衡量五种回归模型的预测性能。
人脸美丽分类算法研究
从一些流行的社交网站上收索大量的男性和女性人脸图像,建立较大规模的男性人脸美丽和女性人脸美丽数据库,以便后续实验的进行。(2)采用局部二值模式(LBP)描述子和分块的LBP (Block-LBP)来提取人脸的纹理特征,来表示人脸的美丽特征。(3)采用尺度不变特征变换(SIFT)描述子和空间金字塔匹配(SPM)策略来提取人脸的特征点,并利用了图像的空间信息,来表示人脸的美丽特征。(4)对于一副给定的人脸图像,为了对其给出较客观的等级评价,我们使用K近邻(KNN)分类器和支持向量机(SVM)分类器对所提取的人脸美丽特征进行分类,然后客观分析结果。
非限制环境下的人脸美丽分析与预测
本文阐述了几种经典的表观特征学习算法,如卷积受限玻尔兹曼机(Convolution restricted Boltzmann machine,CRBM)、特征脸、K-means无监督图像编码算法,并将上述算法用于人脸美丽特征提取。然后,通过实验对比所提取特征的美丽表征能力。实验结果表明K-means无监督图像编码算法和CRBM能够结合自学习,充分利用大量易获取的无标签样本,提高预测性能。然而,上述算法只涉及浅层的表观特征如细小边缘、角点等,这些特征对于抽象的美丽细节很难进行描述。为了提取更丰富更有表征力的表观特征,本文在K-means无监督图像编码的基础上探讨并构建了多尺度K均值特征学习模型(Multi-scale K-means,MSK)。该算法能够学到多尺度的目标结构特征,从而对人脸浅层特征或者人脸结构之间的空间相对位置以及几何形状等信息进行表征。这些信息一定程度上对人脸美丽产生较大影响,且是简单的表观特征所不能很好描述的。实验结果亦表明,多尺度的目标结构特征能够取得最好的预测性能,且拥有相对较少的算法时间消耗
基于图像的人脸美貌度评价方法
它是根据人脸所具有的类Haar特征,定位人脸区域,提取人脸面部的眉毛、人眼、鼻子、嘴巴特征并确定其位置,结合人脸肤色的聚类性确定人脸边界。根据人脸面部的眉毛、人眼、鼻子、嘴巴等特征以及人脸边界特征之间所具有的不同比例及其评分权重,通过计算所提取的人脸面部特征各比例与人脸的美学特征比例之间的差异度,对人脸美貌度进行自动评价。
深度学习
基于深度学习的人脸美丽预测研究
基于深度自编码器的人脸美丽吸引力预测研究
基于深度自学习的人脸美丽预测研究