【技术实现步骤摘要】
一种基于多任务迁移学习的人脸美丽预测方法
本专利技术涉及利用图像处理和机器学习技术进行人脸美丽评价
，尤其是一种基于多任务迁移学习的人脸美丽预测方法。
技术介绍
爱美是人类的天性，爱美之心，人皆有之。亚里士多德说：“美丽的面孔是更好的推荐书”。美丽给人留下的好感在日常生活中切实存在，且给人们日常生活带来重大影响。人脸美丽研究是近年来兴起的关于人类认知本质与规律研究的前沿课题，探索如何更好地测美，将有助于人脸美丽密码这一人类永恒的主题得到科学、客观及可量化的描述，使人脸美丽研究这一跨学科领域得到长足的发展。现实生活中，人们对美丽的评价标准各自不同，这也导致在很长一段时间内，人们都认为美是一种主观的感知活动。然而，研究者们发现人们对于人脸美丽的评判有着高度的一致性，这种一致性与审美个体所处的民族、文化、年龄和性别等无关，这个结论也证明了人脸美的客观性。人脸美的客观性为人脸美的自动预测和分析奠定了理论基础。自上个世纪80年代以来，计算机科学的迅猛发展使得建立人脸美丽的计算预测模型变得可行。人们倾向于手工提取人脸图像的几何特征或者表观特征，再结合线性回归、高斯回归或...
【技术保护点】
1.一种基于多任务迁移学习的人脸美丽预测方法，其特征在于用深度学习网络进行多任务学习，共享表示层可使具有共性的任务更好地结合相关性信息，任务特定层则可单独建模任务特定的信息，从而有效实现共享信息和任务特定信息的统一；多任务是指人脸美丽预测、人脸表情识别、以及年龄识别，包括以下步骤：S1)、针对不同任务构建多任务学习人脸数据库，并对多任务学习人脸数据库中的每张人脸图像进行预处理；S2)、特征学习与融合，具体包括以下步骤：S201)、深度共享特征FCNN的提取，采用训练好的VGG神经网络模型、GoogleNet神经网络模型以及ResNet神经网络模型的骨干网络作为深度共享特征学...
【技术特征摘要】
1.一种基于多任务迁移学习的人脸美丽预测方法，其特征在于用深度学习网络进行多任务学习，共享表示层可使具有共性的任务更好地结合相关性信息，任务特定层则可单独建模任务特定的信息，从而有效实现共享信息和任务特定信息的统一；多任务是指人脸美丽预测、人脸表情识别、以及年龄识别，包括以下步骤：S1)、针对不同任务构建多任务学习人脸数据库，并对多任务学习人脸数据库中的每张人脸图像进行预处理；S2)、特征学习与融合，具体包括以下步骤：S201)、深度共享特征FCNN的提取，采用训练好的VGG神经网络模型、GoogleNet神经网络模型以及ResNet神经网络模型的骨干网络作为深度共享特征学习网络模型，通过模型迁移的方法对在大型数据集上训练好的VGG神经网络模型、GoogleNet神经网络模型以及ResNet神经网络模型的参数进行迁移，运用多任务学习人脸数据库的人脸图像对网络模型进行微调，并提取深度共享特征FCNN；S202)、由于人脸表情变化主要改变的是几何特征，提取多任务人脸图像的几何特征，利用dlib库对每张人脸图像进行k个人脸特征点检测和标注，得到每张人脸图像的人脸特征点坐标{(x1,y1),(x2,y2),…,(xk,yk)}，其中，人脸特征点坐标可以用于表示人脸的几何特征向量G，并且为了为保持平移不变性，将所有特征点的均值从特征点的x和y坐标中减去；同时为了保持尺度不变性，通过将几何特征向量G的组成部分除以其范数来将几何特征向量归一化为单位长度；S203)、由于年龄变化主要改变的是纹理特征，提取多任务人脸图像的纹理特征，纹理特征主要反映人脸图像灰度变化、以及人皮肤光滑性，将每张人脸图像分割成m个区域a0,…,aj,…,am-1，其中，m为实数，统计每个区域的LBP局部纹理的直方图特征，即其中，i表示LBP的i种模式，i＝0,1,…,n-1；j表示第j个区域，j＝0,1,…,m-1，(x,y)表示图像像素点的离散坐标，I表示所有坐标的集合，Hi,j是区域aj中第i种模式出现的总次数；将每个区域的直方图特征级联，形成二维图像的LBP直方图特征向量，即H＝[H1,1,H1,1,…,Hi,j,…,Hn-1,m-1](2)将提取的几何特征和纹理特征进行连接，得到特征向量T＝[G,H]；S204)、特征融合，通过Concatelayer将几何特征G、纹理特征H和深度共享特征FCNN进行拼接融合处理，得到拼接融合后的特征Ffusion，即，Ffusion＝[FCNN,T]＝[FCNN,G,H]；融合后的特征Ffusion连接全连接层FC2，该全连接层的输出为：其...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。