一种人脸颜值识别方法技术

本发明专利技术属于人工智能、图像识别技术领域，尤其为一种人脸颜值识别方法，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；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，具有更高的泛化能力，近年来，深度学习已在目标检测和分类、图像分割、人脸识别和验证等领域取得显著成果，发展迅速。发展迅速。发展迅速。

【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，具有更高的泛化能力。近年来，深度学习已在目标检测和分类、图像分割、人脸识别和验证等领域取得显著成果，发展迅速。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种人脸颜值识别方法，包括如下步骤：
[0007]S1、人脸图像对齐；
[0008]S2、关键点特征提取；
[0009]S3、长短期记忆网络作为池化层；
[0010]S4、连接全连接层得到最终模型的输出结果。
[0011]作为本专利技术一种人脸颜值识别方法优选的，所述S1中、人脸图像对齐还包括如下步骤：
[0012]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’
)；
[0013]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
[0014]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。
[0015]作为本专利技术一种人脸颜值识别方法优选的，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。
[0016]作为本专利技术一种人脸颜值识别方法优选的，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。
[0017]作为本专利技术一种人脸颜值识别方法优选的，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。
[0018]作为本专利技术一种人脸颜值识别方法优选的，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)。
[0019]作为本专利技术一种人脸颜值识别方法优选的，所述LSTM为一种序列学习模型，能够学习序列中数据的依赖关系，其主要包含三个模块：遗忘门、记忆门和输出门。
[0020]作为本专利技术一种人脸颜值识别方法优选的，所述遗忘门计算，为接受一个长期记忆C
t
‑1(上一模块输出)并决定要保留和遗忘C
t
‑1的部分信息，其中的遗忘因子f
t
由短期记忆h
t
‑1以及当前输入x
t
来进行计算：即f
t
＝σ(W
f
[h
t
‑1,x
t
]+b
f
)；
[0021]所述记忆门计算，为确定需要保留的输入信息，以补充遗忘门丢弃的属性信息：i
t
＝σ(W
i
[h
t
‑1,x
t
]+b
i
),至此，更新旧的状态信息C
t
‑1为C
t
，即
[0022]所述输出门计算，为决定长期记忆信息C
t
的输出部分，其中输出因子o
t
由h
t
‑1以及当前输入x
t
来进行计算，即o
t
＝σ(W
o
[h
t
‑1,x
t
]+b
o
)；
[0023]得到最终输出表示h
t
为，即h
t
＝o
t
×
tanh(C
t
)。
[0024]作为本专利技术一种人脸颜值识别方法优选的，利用LSTM提取图像中的人脸u的颜值演变模式，即其中：式中h
o
和c
o
分别表示模型输入的初始隐藏单元和状态单元，表示为LSTM网络的输出状态，并将此作为人脸u演化模式特征，从而实现人脸u的颜值预测,即其中，σ为sigmoid函数。
[0025]作为本专利技术一种人脸颜值识别方法优选的，所述S4中、连接全连接层得到最终模型的输出结果，即为0或者1，0代表颜值低；1代表颜值高。
[0026]与现有技术相比，本专利技术的有益效果是：由于人脸不同关键点位置的特征对颜值
的影响程度不同，而目前的深度学习方法采取的是平均池化，这将会显著降低其差异。针对这种情况，本专利技术基于长短期记忆网络和关键点来重新评估人脸颜值，通过采用长短期记忆网络替代平均池化层，提取关键点坐标对应的特征，并将其作为长短期记忆网络的输入，从而显著提高人脸颜值识别的准确率。
附图说明
[0027]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本本文档来自技高网...

【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：