【技术实现步骤摘要】
一种基于多任务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、高斯回归或支持向量...
【技术保护点】
1.一种基于多任务学习的人脸美丽预测方法，其特征在于：多任务是指人脸美丽预测、人脸表情识别、以及年龄识别，具体包括以下步骤：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人脸美丽、人脸表情、年龄标注、以及相应的预处理；S2)、构建多任务学习人脸美丽预测模型的共享特征学习结构，此结构需要构建合理的深度共享网络提取深度共享特征，网络由不同数量的卷积层、池化层、Batch Normalization及正则化策略构成，提取的深度共享特征为：FCNN＝[Ftask1,Ftask2,Ftask3]；其中，Ftask1、Ftask2、Ftask...
【技术特征摘要】
1.一种基于多任务学习的人脸美丽预测方法，其特征在于：多任务是指人脸美丽预测、人脸表情识别、以及年龄识别，具体包括以下步骤：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人脸美丽、人脸表情、年龄标注、以及相应的预处理；S2)、构建多任务学习人脸美丽预测模型的共享特征学习结构，此结构需要构建合理的深度共享网络提取深度共享特征，网络由不同数量的卷积层、池化层、BatchNormalization及正则化策略构成，提取的深度共享特征为：FCNN＝[Ftask1,Ftask2,Ftask3]；其中，Ftask1、Ftask2、Ftask3分别表示为深度学习网络最后一层中人脸美丽、人脸表情、年龄的特征向量表达；S3)、构建多任务学习人脸美丽预测模型的独立特征学习结构，将共享特征学习结构的共享特征作为输入，基于3个不同的任务对模型设置3类不同的全连接层，并设置相应的损失函数，将提取的融合特征输入模型中进行训练，通过优化损失函数直至损失最小，得到训练好的多任务学习人脸美丽预测模型；S4)、将待测试的人脸图像输入训练好的多任务学习人脸美丽预测模型，实现多任务的人脸美丽预测、表情识别、年龄识别。2.根据权利要求1所述的多任务学习的人脸美丽预测方法，其特征在于：步骤S1)中，所述的多任务学习人脸数据库中每张图片均有人脸美丽、人脸表情、年龄标注；构建多任务学习人脸数据库包括以下步骤：S101)、基于IMDB-WIKI年龄数据库获取每张人脸图像的年龄标签；S102)、然后通过规范性人工评分标注对人脸图像进行规范的人工标注，得到人脸美丽标注和表情标注；S103)、对每张人脸图像进行人脸及关键点检测、人脸对齐、归一化剪裁处理，将每张图像剪裁成只保留人脸区域的大小，最终得到规范且包含人脸美丽、表情、年龄标签的多任务学习人脸数据库。3.根据权利要求2所述的多任务迁移...
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。