文献阅读–人脸美丽吸引力的特征分析与机器学习.docVIP

摘要： 美丽是什么?人脸是否有客观存在的客观的美丽密码？是我们需要研究的问题。针对人脸美丽吸引力的机器学习与图像分析这一新课题,期望能对人脸美丽密 码这一人类永恒的话题给出科学、客观及可量化的描述，文章主要提出并解决了一下几个问题： 研究了人脸美丽吸引力的可学习性问题 提出了一种基于图像特征分析及机器学习的人脸美丽吸引力预测模型 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 正文： 第一章 绪论 什么是美？ 在认知心理学方面,研究者们推翻了长期以来所认为的美是主观的的论点,大量的实验发现人们对于什么脸是美的存在着高度的一致,这种高度的一致与文化、种族、年龄、性别无关 有没有可能也让计算机通过机器学习的手段来获得同样的智能?我们认为这就是人脸美丽吸引力这一概念是否可学习的一个基本问题,这也是本文研究的主要动机之一 最终将要实现的目标 可以辅助医院进行美容整形,利用检测出的数据与标准美丽模型相对比得到的结果,为整容者给出各部分改进的最佳方案,以利于整容者做出正确的决定,从而消除整容者或整容师个人对美的错误认知所带来的不良后果。 研究人脸美丽吸引力的机器学习还可以为数字娱乐、智能感知、人脸图像处理领域提供较有价值的方法和工具，如美丽自动打分、排名系统可以为以脸部吸引作为基本要求的工作筛选出符合要求的申请者,可以为大型社交网站的用户从大量的人脸照片中搜索出美丽的人脸;人脸美丽评价也可给动画!游戏设计人员设计虚拟人提供参照,为数字娱乐或特定行业提供客观的辅助参考数据等等。 本文还研究了基于二维 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,研究并提出了几种新的表征人脸美丽吸引力的纹理特征提取方法,包括特征点采样 Gabor特征三角中心采样 Gabor 特征等。通过 实验验证了纹理特征对于人脸美丽吸引力预测的重要作用此外,还研究了将纹理特征与几何特征融合,取得了较好的人脸美丽吸引力预测效果 文章的主要内容，由国家自然科学基金重点项目《基于认知科学的人机交互智能信息处理基础理论》的支持 第二章 人脸美丽吸引力的的理解与分析综述 如何借助当代先进的计算机图像处理及机器学习技术来对人脸美丽进行分析以帮助其它学科探索美丽的本质,以及更进一步,使得计算机也具有象人一样的美丽感知智能,是在模式识别、图像处理及人工智能领域关于人脸研究中继人脸识别、人脸表情识别!性别识别后出现的又一崭新课题 心理学家和社会学家在研究中发现人们对美丽的判断存在一致性，无论种族，性别，甚者是通过对婴儿的对比实验。美丽的脸存在共性,且这些共性相对时空稳定是不可否认的,它为人脸美丽的研究提供了认知理论基础。 人脸美丽的定量准则： 近古典准则 黄金比例准则 三庭五眼准则（中国古代） 基于图像处理和机器学习的人脸吸引力研究办法与步骤： (1)借助图像处理技术对平均性、对称性、性别二态性的研究; (2)用图像处理技术构建美丽人脸; (3)利用机器学习和模式识别技术对人脸美丽进行分类; (4)借助机器学习技术和图像变形计算进行人脸美化 1879 年,实验心理学家 Francis Galton 希望从一个特定群体中找出该群体的人特有的脸部特征(如找出罪犯!素食者!军人等群体的人所共有的外貌特征),他将数张人脸肖像采用光学的方法投影到同一张胶片上,并由此得到合成的人脸图像惊讶地发现得到的合成脸要比组成它的人脸都要美观 基于人脸图像的美丽吸引力分析预测： 类似的人脸美丽预测系统有Eisenthal Y.等学者采用了两套数据集,各含 92 幅人脸正面图像,28 个打分者,打分等级 7 级,在人脸表示上除了采用37 个特征点距离及比率构成的特征矢量外还使用灰度图像像素值本身,两类人脸表示用PCA 降维,使用支持向量机(Support Vector Machine,SVM)标准 kNN (k Nearest Neighbor)和线性回归进行预测,获得与人打分的最高相关系数为 0.65,特征矢量的性能优于灰度图像KAGIAN A.等学者的实验数据是 91 幅女性人脸正面图像,测量了84 个特征点坐标,3486 个特征距离,特征距离的斜率构成 3486 维斜率矢量,采用线性回 LS-SVM (Least Squares Support Vector Machine), 高 斯 回 归 (Gaussian Regression),获得的预测结果与人的打分的相关系数为 0.82GunesH. 等学者请48 个打分者对 215 幅女性图像进行打分,打分量级为 10 级,统计分析发现所打分数围绕平均值有紧密的分布,尤其对于很美和很不美的人脸的打分比较