【技术实现步骤摘要】
一种人脸颜值识别方法
[0001]本专利技术属于人工智能、图像识别
,具体涉及一种人脸颜值识别方法。
技术介绍
[0002]人脸颜值即人脸的吸引力程度。“颜值”作为第一印象,在人类社会生活中扮演着重要的角色。对于经纪公司来说,不同颜值特征的人适合扮演的角色不同,因此在新人挖掘或选角中如果能快速获取颜值信息将提高效率。一般做法是对颜值进行分类,分类的基础需要先进行识别评估。
[0003]传统的人脸颜值评估需要人为地设计特征提取器和分类器(或回归器),人脸图像经过特征提取器和分类器(或回归器)后可得到对应图像的分类结果(如:高/一般/低颜值)或回归结果(具体的颜值分数)。人脸颜值评估的特征提取器主要关注几何特征和纹理特征,针对性地设计了多种特征提取和融合方式,但几何特征更多地是验证“三庭五眼”、“黄金比例”等假说的有效性,受人种等因素的影响,较难设计归纳出具有普适性的有效几何特征,且纹理特征对同年龄段的人脸颜值区分度较低,传统的人脸颜值评估方法预测颜值的准确性相对较有限;
[0004]为解决上述问题,本申请中提出一种人脸颜值识别方法。
技术实现思路
[0005]为解决上述
技术介绍
中提出的问题。本专利技术提供了一种人脸颜值识别方法,通过构建多层卷积神经网络,它可以从批量数据中自动学习特征,将原始图像数据转变为更抽象的表达,学习到更高阶的特征。它和传统方法和核心区别在于,传统方法更注重于人工设计(设计特征提取器和分类器),而深度学习是采用一种通用的学习方式从数据中学习到的,具有更高的泛化 ...
【技术保护点】
【技术特征摘要】
1.一种人脸颜值识别方法,其特征在于,包括如下步骤:S1、人脸图像对齐;S2、关键点特征提取;S3、长短期记忆网络作为池化层;S4、连接全连接层得到最终模型的输出结果。2.根据权利要求1所述的人脸颜值识别方法,其特征在于,所述S1中、人脸图像对齐还包括如下步骤:S11、定义左眼中点、右眼中点和嘴巴中点的坐标分别为(x1,y1),(x2,y2),(x3,y3),将图像旋转θ角,即旋转后的左眼中点、右眼中点和嘴巴中点的坐标分别为(x1′
,y1′
),(x2′
,y2′
),(x3′
,y3′
);S12、对旋转后的图像进行缩放和裁剪,以使每张对齐后的人脸居中,眼睛与图像顶部的距离等于图像高度的30%,眼睛与嘴巴的距离等于图像高度的35%,嘴巴与图像底部的距离等于图像高度的35%,且整张图像归一化至224*224像素大小,旋转后的图像缩放至原图的α倍,即S13、对图像进行裁剪,以(X
‑
112,Y')为裁剪后图像的左上角,保留向右向下各224像素的图像,即Y'=Y
‑
224
×
0.3。3.根据权利要求1所述的人脸颜值识别方法,其特征在于,所述S2中、关键点特征提取,包括提取提取224*224像素图像中六人脸关键点。4.根据权利要求3所述的人脸颜值识别方法,其特征在于,所述六人脸关键点分别为人脸左眼眼角、右眼眼角、左眼眼尾、右眼眼尾、左嘴角、右嘴角的坐标,并标记为t1,t2,t3,t4,t5,t6。5.根据权利要求4所述的人脸颜值识别方法,其特征在于,所述S2中、关键点特征提取,选取ResNet
‑
50网络结构,在LM层,基于人脸关键点对conv5输出的7 7 2048维的特征进行特征提取,得到6 2048维特征。6.根据权利要求5所述的人脸颜值识别方法,其特征在于,所述S3、长短期记忆网络作为池化层中,将六个人脸关键点坐标对应的特征,作为长短时记忆网络(Long Short Term Memory Network,LSTM)的输入,即x
t
=(t1,t2,t3,t4,t5,t6)。7.根据权利要求6所述的...
【专利技术属性】
技术研发人员:袁尉,陈茜,
申请(专利权)人:上海渔米可禧文化传媒有限公司,
类型:发明
国别省市:
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。