基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法技术

本发明专利技术属于图像处理技术领域，公开了一种基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法，对采集到的人脸图像进行去模糊、去抖动、人脸对齐及归一化处理；对人脸图像进行脸型结构分类并对得到的人脸数据库进行脸型结构子库划分；提取人脸几何特征与纹理特征，并进行特征融合，用以表征人脸吸引力；将脸型结构分类与人脸吸引力评价相结合，选取基于各类脸型结构数据集相关性最高的机器学习算法；输出人脸吸引力评价分数。本发明专利技术提出的基于全局轮廓和脸型结构分类的人脸吸引力评价方法，降低了不同脸型结构间的人脸吸引力相互影响，可实现优化人脸吸引力评价性能的目标。同时本发明专利技术也适用于规模相对较大的数据集。

Face attraction data processing method based on global contour and face structure classification

【技术实现步骤摘要】
基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法
本专利技术属于图像处理
，尤其涉及一种基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法。
技术介绍
目前，最接近的现有技术：基于下颌17个特征点来训练传统脸型结构分类器的脸型结构分类方法，仅仅利用了下颌特征点，遗失了其他有用的信息，且人脸脸型结构分类的类别较少。本专利技术中的全局轮廓点特征对脸型结构分类有很好的拟合作用，可以得到更加准确和类别更多的脸型结构分类结果。基于K近邻和Hausdorff距离的脸型结构分类方法，将Hausdorff距离作为K近邻算法的距离函数，但由于Hausdorff距离对异常值的容忍度较低，可能会导致计算点集之间距离较大时引起的分类错误。本专利技术利用K近邻与平均Hausdorff距离算法对脸型结构进行分类，改善了Hausdorff距离对异常值的容忍度较低的问题，得到了较好的人脸脸型结构分类效果。目前对于人脸吸引力的评估预测多是利用几何特征表征人脸吸引力特征，因为几何特征是较好提取的且最普遍的表征人脸吸引力的特征，因此忽略了多特征融合和本文档来自技高网...

【技术保护点】
1.一种基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法，其特征在于，所述基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法包括以下步骤：/n第一步，对采集到的人脸图像进行去模糊、去抖动、人脸对齐及归一化处理；/n第二步，对人脸图像进行脸型结构分类并对得到的人脸数据库进行脸型结构子库划分；/n第三步，提取人脸几何特征与纹理特征，并进行特征融合，用以表征人脸吸引力；/n第四步，将脸型结构分类与人脸吸引力评价相结合，选取基于各类脸型结构数据集相关性最高的机器学习算法；/n第五步，输出人脸吸引力评价分数。/n

【技术特征摘要】
1.一种基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法，其特征在于，所述基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法包括以下步骤：
第一步，对采集到的人脸图像进行去模糊、去抖动、人脸对齐及归一化处理；
第二步，对人脸图像进行脸型结构分类并对得到的人脸数据库进行脸型结构子库划分；
第三步，提取人脸几何特征与纹理特征，并进行特征融合，用以表征人脸吸引力；
第四步，将脸型结构分类与人脸吸引力评价相结合，选取基于各类脸型结构数据集相关性最高的机器学习算法；
第五步，输出人脸吸引力评价分数。


2.如权利要求1所述的基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法，其特征在于，所述基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法利用主动形状模型ASM训练人脸脸型结构的全局轮廓点特征模型，获得全局轮廓点特征模板；提取下颌轮廓特征与全局轮廓特征；利用K近邻与平均Hausdorff距离对脸型结构进行分类，共分为圆形、椭圆形、心形、菱形、方形和长形6种脸型结构；在训练中根据人脸脸型结构将表征人脸吸引力的人脸图像数据分为六个脸型结构子集，将后续人脸吸引力评价预测限定在一个较小的数据集中。


3.如权利要求1所述的基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法，其特征在于，所述基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法全局轮廓点特征模型的训练过程包括：
从由ASM算法训练好的68人脸特征点模板中提取本数据集人脸图像的人脸特征点位置，使用STASM算法提取表征额头的3个特征点，手动标记左右髋骨各两个点，将其结果坐标存入文本文档中；将每个特征点用二维坐标(x,y)表示，则脸型结构的75个全局轮廓特征点构成形状向量X＝(x1,y1,x2,y2,...,xn,yn)T，其中，n＝75；对所有样本全局轮廓向量进行归一化处理，使用Procrustes方法对每个全局轮廓形状向量进行简单的平移，旋转和缩放变换，将样本中多个人脸全局轮廓形状特征归一化到同一标准下；对样本人脸图像中所有的全局轮廓特征点与其附近的全局轮廓特征点在垂直方向上的灰度值进行归一化处理，计算得出所有全局轮廓特征点的局部灰度模型；在全局轮廓特征点邻域内进行迭代搜索，通过对全局轮廓点的局部特征点特征匹配，获取新的全局轮廓特征点位置；在全局轮廓特征点附近的矩形区域提取候选点集，选取多个候选点，然后利用马氏距离与样本全局轮廓特征点模型进行匹配，新的全局轮廓特征点位置由距离最近的待选点的横纵坐标所决定，并且对初始的全局轮廓形状进行更新；采用平均全局轮廓模型对匹配结果进行修正，计算最接近的全局轮廓特征点，若新的全局轮廓特征点变换很小或达到迭代次数，则停止搜索，否则继续搜索匹配。


4.如权利要求1所述的基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法，其特征在于，所述基于全局轮廓和脸型结构分类的人脸吸引力数据处理方法轮廓特征提取的主要步骤如下：
(1)对输入的人脸图像进行特征点定位，得到75个全局人脸特征点；
(2)在全局人脸特征点的基础上，提取下颌轮廓特征向量Jaw＝(x1,y1,...,xi,yi,...,xn,yn)T与全局轮廓特征向量Global＝(x1,y1,...,xi,yi,...,xm,ym)T，其中(xi,yi)表示第i个特征点的二维坐标，Jaw的向量长度即为2n，n＝17，Global的向量长度即为2m，m＝24；
(3)根据下颌轮廓特征向量内与全局轮廓特征向量内，特征点间的比例关系，分别计算出两组距离特征S2、S3与S1、S2、S3、S4，其中S1＝d(p18,p24)，S2＝d(p2,p17)，S3＝d(p6,p12)，S4＝d(p21,p9)，其中S4＝d(p21,p9)为点a与点b之间的欧式距离，对距离特征求取其比例特征



(4)得到两组距离特征比，K4与K1、K2、K3、K4、K5、K6，并将其与下颌轮廓特...

【专利技术属性】
技术研发人员：赵健，张苗，贺晨，吴春萌，陈阳，
申请(专利权)人：西北大学，
类型：发明
国别省市：陕西;61