CN103649987A - 脸印象分析方法、美容信息提供方法和脸图像生成方法 - Google Patents
脸印象分析方法、美容信息提供方法和脸图像生成方法 Download PDFInfo
- Publication number
- CN103649987A CN103649987A CN201280033752.7A CN201280033752A CN103649987A CN 103649987 A CN103649987 A CN 103649987A CN 201280033752 A CN201280033752 A CN 201280033752A CN 103649987 A CN103649987 A CN 103649987A
- Authority
- CN
- China
- Prior art keywords
- face
- impression
- measured
- information
- age
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims description 179
- 239000002537 cosmetic Substances 0.000 title claims description 64
- 238000009223 counseling Methods 0.000 title 1
- 238000003860 storage Methods 0.000 claims abstract description 74
- 239000013598 vector Substances 0.000 claims description 166
- 230000003796 beauty Effects 0.000 claims description 143
- 230000007246 mechanism Effects 0.000 claims description 101
- 238000013459 approach Methods 0.000 claims description 77
- 230000008859 change Effects 0.000 claims description 61
- 210000003128 head Anatomy 0.000 claims description 59
- 210000001508 eye Anatomy 0.000 claims description 55
- 238000010202 multivariate logistic regression analysis Methods 0.000 claims description 51
- 239000000470 constituent Substances 0.000 claims description 36
- 230000033228 biological regulation Effects 0.000 claims description 28
- 230000014509 gene expression Effects 0.000 claims description 24
- 210000004209 hair Anatomy 0.000 claims description 24
- 239000000284 extract Substances 0.000 claims description 15
- 239000000203 mixture Substances 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 abstract description 9
- 238000000491 multivariate analysis Methods 0.000 abstract 1
- 239000000758 substrate Substances 0.000 description 110
- 230000012010 growth Effects 0.000 description 74
- 239000003102 growth factor Substances 0.000 description 74
- 230000000875 corresponding effect Effects 0.000 description 67
- 238000000513 principal component analysis Methods 0.000 description 42
- 238000005259 measurement Methods 0.000 description 29
- 210000000887 face Anatomy 0.000 description 28
- 230000003716 rejuvenation Effects 0.000 description 26
- 238000011156 evaluation Methods 0.000 description 25
- 230000032683 aging Effects 0.000 description 21
- 230000000295 complement effect Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000007665 sagging Methods 0.000 description 11
- 239000000523 sample Substances 0.000 description 9
- 210000004279 orbit Anatomy 0.000 description 8
- 238000011002 quantification Methods 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 7
- 210000004761 scalp Anatomy 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000036548 skin texture Effects 0.000 description 5
- 238000003556 assay Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000011158 quantitative evaluation Methods 0.000 description 4
- 210000000697 sensory organ Anatomy 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012113 quantitative test Methods 0.000 description 3
- 238000005728 strengthening Methods 0.000 description 3
- 238000012353 t test Methods 0.000 description 3
- 210000001364 upper extremity Anatomy 0.000 description 3
- 206010007134 Candida infections Diseases 0.000 description 2
- 208000007027 Oral Candidiasis Diseases 0.000 description 2
- 208000029152 Small face Diseases 0.000 description 2
- 241000287411 Turdidae Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 201000003984 candidiasis Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000004709 eyebrow Anatomy 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000003454 tympanic membrane Anatomy 0.000 description 2
- 210000000216 zygoma Anatomy 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 241000746998 Tragus Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000019994 cava Nutrition 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/593—Depth or shape recovery from multiple images from stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供脸印象分析装置(100)具备脸形状取得部(10)、脸成分分析部(50)、脸印象决定部(60)和存储部(70)。脸形状取得部(10)取得表示被测者的脸表面的形状的脸形状信息。存储部(70)存储对表示多人的总体的脸表面的三维形状的总体脸信息进行多变量分析而求出的一个或多个特征量、以及表示与特征量相对应的脸的长相的印象倾向的倾向信息。脸成分分析部(50)从被测者的脸形状信息、以及从总体脸信息提取的特征量算出被测者的脸的该特征量的表现量。脸印象决定部(60)参照存储部(70),基于被测者的脸的特征量及其表现量,取得被测者的脸的印象倾向或其程度。
Description
技术领域
本发明涉及脸印象分析方法、使用该分析方法的美容信息提供方法、脸图像生成方法、实现脸印象分析方法的脸印象分析装置和脸印象分析系统。
背景技术
作为现有的美容信息提供方法的一个例子,以按年代的平均的脸与作为顾客的被测者的脸的比较研究结果为指标,定性地把握逐渐衰老(年龄增长)的被测者的脸特征的变化。然而,这样的指标并不是定量的,逐渐衰老的被测者的脸特征多大程度变化这样的定量的判断很大程度上依赖于咨询负责人的个人见解。
作为对于以中老年女性为首的大多被测者而言的“想被看到的印象”,首先可以举出“看起来年轻”。不只是女性,与男性相关,特别是在中老年的情况下,也对“把外在年龄维持得年轻”很关心。
出于该理由,认为将被测者的脸(脸特征)中产生衰老的印象的因子定量化是极为有用的。这是因为,认为通过将从被测者的脸的长相所得到的印象的外在年龄比实际年龄是否要年轻进行定量化,能够提供做完后满足度高的化妆或美容按摩等的美容手术。
另外,作为除了对于年轻女性而言的“看起来年轻”以外的“想被看到的印象”,可以举出“小脸”或“成熟脸”等。成熟脸(adult face)是娃娃脸(baby face)的反义词,是指容貌看起来有成人架势的程度。成熟脸的程度与外在年龄是不同的概念。外在年龄是表示被测者看起来多少岁的指标。成熟脸的程度与外在年龄无关,是表示被测者的脸特征是成熟一点还是幼稚一点的指标。
在专利文献1中,记载了从被测者的二维脸图像预测被测者的脸的年龄增长变化的方法。在专利文献1中,记载了由大量的二维图像生成每个年代的平均脸,以脸形状、上眼睑、嘴角、鼻唇沟、下颚等的尺寸和位置为因子,将平均脸与被测者的脸进行比较。
在专利文献2中,记载了用装置测量包含脸的头部的三维形状信息,算出脸各点的曲面的曲率的分布并对脸形状进行评价。
在专利文献3中,记载了用人的头部的三维形状模型生成统一了数据点数(节点数)和拓扑的同源模型,并用比较少的数据量可以实行主成分分析等的多变量分析的运算方法。即,专利文献3涉及同源模型的生成方法。
在专利文献4中,记载了对被测者的正面的二维脸图像的形状特征矢量进行主成分分析来求出第1主成分,并使该第1主成分的本征值发生变化来再构成图像。由此,可以使被测者的脸图像的外在年龄或表情、体型等发生变化。
现有技术文献
专利文献
专利文献1:日本特开2001-331791号公报
专利文献2:日本特开2009-054060号公报
专利文献3:日本特开2008-171074号公报
专利文献4:日本特开2004-102359号公报
发明内容
本分明的脸印象分析方法,其特征在于,从脸形状信息、以及一个或多个特征量算出被测者的脸的上述特征量的表现量,基于上述表现量来求出上述被测者的脸的长相的印象倾向的程度。上述脸形状信息是表示被测者的脸表面的形状的信息。上述特征量是对表示多人的(抽样)总体的脸表面的三维形状的总体的脸信息进行多变量分析而求出的特征量。
本发明的第一美容信息提供方法,其特征在于,是使用了上述的脸印象分析方法的美容信息提供方法,输出与所算出的上述表现量为规定以上的上述特征量预先相对应的美容信息。
本发明的第二美容信息提供方法,其特征在于,是使用了上述的脸印象分析方法的美容信息提供方法,基于与上述印象倾向相关性大的多阶基底矢量所涉及的多个权重系数的倾向的一致性,将上述总体分类为多个上述群,并且基于上述被测者的上述发现量而求出上述被测者所属的上述群,输出与上述被测者所属的上述群预先相对应的美容信息。
本发明的脸图像生成方法,其特征在于,从脸形状信息、以及一个或多个特征量,算出被测者的脸的上述特征量的表现量,变更上述脸形状信息的上述表现量,基于被变更后的上述脸形状信息而生成使上述被测者的脸的长相的印象倾向发生变化的印象变化图像。上述脸形状信息是表示被测者的脸表面的形状的信息。上述特征量是对表示多人的总体的脸表面的三维形状的总体脸信息进行多变量分析而求出的特征量。
本发明的脸印象分析装置具备脸形状取得机构、存储机构、脸成分分析机构和脸印象决定机构。脸形状取得机构是取得表示被测者的脸表面的形状的脸形状信息的机构。存储机构是存储对表示多人的总体的脸表面的三维形状的总体脸信息进行多变量分析而求出的一个或多个特征量、以及表示与上述特征量相对应的脸的长相的印象倾向的倾向信息的机构。脸成分分析机构是算出从上述脸形状信息和上述特征量算出上述被测者的脸的上述特征量的表现量的机构。脸印象决定机构是参照上述存储机构并基于上述特征量和上述表现量而取得上述印象倾向或其程度的机构。
本发明的脸印象分析系统具备接收机构、存储机构、脸成分分析机构、脸印象决定机构和发送机构。接收机构是通过网络(network)接收表示被测者的脸表面的形状的脸形状信息的机构。存储机构是存储对表示多人的总体的脸表面的三维形状的总体脸信息进行多变量分析而求出的一个或多个特征量、以及表示与上述特征量相对应的脸的长相的印象倾向的倾向信息的机构。脸成分分析机构是从上述脸形状信息和上述特征量算出上述被测者的脸的上述特征量的表现量的机构。脸印象决定机构是参照上述存储机构并基于上述特征量和上述表现量而取得上述印象倾向或其程度的机构。发送机构是通过网络发送表示所取得的上述印象倾向或其程度的输出信息的机构。
在上述发明中,脸的长相的印象倾向是指,因脸的整体或部分的三维形状而受到的与脸的外观相关的属性。脸的长相的印象倾向的程度是指该属性的显著性的高低。
附图说明
对于上述的目的、以及其他目的、特征及优点,通过以下所述的优选的实施方式、及其所附随的以下的附图将变得更清楚。
图1是表示本发明的第一实施方式所涉及的脸印象分析装置的功能框图。
图2是第一实施方式所涉及的脸印象分析方法的流程图。
图3是表示与第一实施方式和实施例1所涉及的总体解析模型相关的主成分分析结果的表。
图4是表示与图3的分析结果相对应的1阶至15阶的主成分所归属的形状变化的特征的表。
图5是表示图3的分析结果所得到的倾向信息的表的例子。
图6是表示包含本发明的第二实施方式所涉及的脸印象分析装置的脸印象分析系统的功能框图。
图7是使用第二实施方式的脸印象分析系统来进行的脸印象分析方法的流程图。
图8是表示美容信息的表。
图9(a)是被测者的头部全体的三维光学数据,图9(b)是表示13点的特征点的图,图9(c)是表示类模型的图。
图10是表示同源模型的立体图。
图11(a)至图11(e)分别是表示20多岁至60多岁的各年代的被测者的平均脸形状的图。
图12(a)是表示20多岁与30多岁的被测者的平均脸形状的图,图12(b)是表示20多岁至60多岁的被测者的平均脸形状的图,图12(c)是表示50多岁与60多岁的被测者的平均脸形状的图。
图13(a)是以仅第1主成分为-3σ的假想形状的立体图,图13(b)是全体平均脸的立体图,图13(c)是以仅第1主成分为+3σ的脸形状的立体图。
图14(a)是以仅第2主成分为-3σ的假想形状的立体图,图14(b)是全体平均脸的立体图,图14(c)是以仅第2主成分为+3σ的脸形状的立体图。
图15(a)是以仅第3主成分为-3σ的假想形状的立体图,图15(b)是全体平均脸的立体图,图15(c)是以仅第3主成分为+3σ的脸形状的立体图。
图16(a)是以仅第4主成分为-3σ的假想形状的立体图,图16(b)是全体平均脸的立体图,图16(c)是以仅第4主成分为+3σ的脸形状的立体图。
图17(a)是以仅第5主成分为-3σ的假想形状的立体图,图17(b)是全体平均脸的立体图,图17(c)是以仅第5主成分为+3σ的脸形状的立体图。
图18(a)是以仅第6主成分为-3σ的假想形状的立体图,图13(b)是全体平均脸的立体图,图18(c)是以仅第6主成分为+3σ的脸形状的立体图。
图19(a)是以仅第7主成分为-3σ的假想形状的立体图,图19(b)是全体平均脸的立体图,图19(c)是以仅第7主成分为+3σ的脸形状的立体图。
图20(a)是以仅第8主成分为-3σ的假想形状的立体图,图20(b)是全体平均脸的立体图,图20(c)是以仅第8主成分为+3σ的脸形状的立体图。
图21(a)是以仅第9主成分为-3σ的假想形状的立体图,图21(b)是全体平均脸的立体图,图21(c)是以仅第9主成分为+3σ的脸形状的立体图。
图22(a)是以仅第10主成分为-3σ的假想形状的立体图,图22(b)是全体平均脸的立体图,图22(c)是以仅第10主成分为+3σ的脸形状的立体图。
图23(a)是以仅第11主成分为-3σ的假想形状的立体图,图23(b)是全体平均脸的立体图,图23(c)是以仅第11主成分为+3σ的脸形状的立体图。
图24(a)是以仅第12主成分为-3σ的假想形状的立体图,图24(b)是全体平均脸的立体图,图24(c)是以仅第12主成分为+3σ的脸形状的立体图。
图25(a)是以仅第13主成分为-3σ的假想形状的立体图,图25(b)是全体平均脸的立体图,图25(c)是以仅第13主成分为+3σ的脸形状的立体图。
图26(a)是以仅第14主成分为-3σ的假想形状的立体图,图26(b)是全体平均脸的立体图,图26(c)是以仅第14主成分为+3σ的脸形状的立体图。
图27(a)是以仅第15主成分为-3σ的假想形状的立体图,图27(b)是全体平均脸的立体图,图27(c)是以仅第15主成分为+3σ的脸形状的立体图。
图28是表示每个基底阶数的权重系数与外在年龄的相关系数的表。
图29是表示t检测结果的表。
图30是表示每个基底阶数的权重系数与实际年龄的相关关系的表。
图31(a)至图31(f)是与9阶的基底矢量相关而从+1σ至+3σ以及从-1σ至-3σ使基底矢量的权重系数发生变化的6块图像。
图32是表示使衰老印象因子发生变化时的假想形态的年龄印象的变化的表。
图33(a)至图33(d)是组合了多个衰老印象轴的同源模型的立体图。
图34是表示20多岁至60多岁的各年代的10名的总体的被测者保有的衰老印象轴的个数的表。
图35是表示衰老倾向的群的表的一个例子。
图36是与实施例2所涉及的总体解析模型相关的主成分分析结果的表。
图37是表示与图36的分析结果相对应的1阶至20阶的主成分所归属的形状变化的特征的表。
图38是表示实施例2所涉及的每个基底阶数的权重系数与外在年龄的相关系数的表。
图39(a)是I型的年轻层,图39(b)是I型的高龄阶层的各平均脸形状的正面图。图39(c)是II型的年轻层,图39(d)是II型的高龄层的各平均脸形状的正面图。图39(e)是III型的年轻层,图39(f)是III型的高龄层的各平均脸形状的正面图。图39(g)是IV型的年轻层,图39(h)是IV型的高龄层的各平均脸形状的正面图。
图40(a)至图40(d)是表示与I型至IV型的被测者相关的每个年龄增长因子的主成分分值的平均的表。
图41(a)至图41(d)是表示与I型至IV型的被测者相关的每个显著的年龄增长因子的偏回归系数和常数项的表。
图42(a)是属于I型的全部被测者的平均脸形状模型的立体图,图42(b)是将图42(a)年轻化至30岁的状态的立体图,图42(c)是将图42(a)年龄增长至60岁的状态的立体图。
图43(a)是属于I型的年轻层的20人的平均脸的正面图,图43(b)是属于I型的高龄层的19人的平均脸的正面图。
图44(a)是属于II型的全部被测者的平均脸形状模型的立体图,图44(b)是将图44(a)年轻化至30岁的状态的立体图,图44(c)是将图44(a)年龄增长至60岁的状态的立体图。
图45(a)是属于III型的全部被测者的平均脸形状模型的立体图,图45(b)是将图45(a)年轻化至30岁的状态的立体图,图45(c)是将图45(a)年龄增长至60岁后的状态的立体图。
图46(a)是属于IV型的全部被测者的平均脸形状模型的立体图,图46(b)是将图46(a)年轻化至30岁的状态的立体图,图46(c)是将图46(a)年龄增长至60岁的状态的立体图。
图47是表示实施例3所涉及的每个基底阶数的权重系数与成人脸的程度的相关系数的表。
图48(a)是总体的全部人员中是最成熟脸的10位被测者的平均脸。图48(b)是总体的全部人员中是最娃娃脸的10位被测者的平均脸。
图49是表示实施例3所涉及的总体分类结果的表。
图50是与实施例3相关,图50(a)是属于群体1的被测者的平均脸。图50(b)是属于群体2的被测者的平均脸。图50(c)是属于群体3的被测者的平均脸。图50(d)是属于群体4的被测者的平均脸。
图51是表示实施例4所涉及的每个基底阶数的权重系数与小脸印象的程度的相关系数的表。
图52(a)是总体的全部人员中小脸印象最弱的10位被测者的平均脸。图52(b)是总体的全部人员中小脸印象最强的10位被测者的平均脸。
图53是表示实施例4所涉及的群体分类结果的表。
图54是与实施例4相关,图54(a)是属于群体1的被测者的平均脸。图54(b)是属于群体2的被测者的平均脸。图54(c)是属于群体3的被测者的平均脸。图54(d)是属于群体4的被测者的平均脸。
图55是表示实施例5所涉及的每个基底阶数的权重系数与眼睛的大小印象的程度的相关系数的表。
图56(a)是总体的全部人员中眼睛最大的印象的10位被测者的平均脸。图56(b)是总体的全部人员中眼睛最小的印象的10位被测者的平均脸。
图57是表示实施例5所涉及的群体分类结果的表。
图58是与实施例5相关,图58(a)是属于群体1的被测者的平均脸。图58(b)是属于群体2的被测者的平均脸。图58(c)是属于群体3的被测者的平均脸。图58(d)是属于群体4的被测者的平均脸。
具体实施方式
以下,基于附图说明本发明的实施方式。再有,在所有附图中,对同样的构成要素赋予同样的符号,适当地省略说明。
首先,说明以下要说明的本发明的概要。
上述的专利文献1所记载的方法,由于基于被测者的脸的特定的部位的形态来预测该脸随着年龄增长将来会怎么变化,因而缺少预测精度。究其原因是由于每位被测者的脸形状有细微差异,因此,要基于特定的部位的形态来普遍地做出年龄增长预测是困难的。在专利文献2的方法中,要正确地将被测者的脸整体的印象进行定量化也是困难的。
另外,由于脸形状的矢量数据的第1主成分对形状的贡献率大,因此,如专利文献4所记载的方法那样,若使第1主成分的本征值发生变化,则能够使被测者的脸形状发生各种变化。然而,专利文献4的方法的分析精度低,除了第1主成分以外的高阶的主成分看不到与外在年龄或表情、体型等的相关性。
根据本发明的实施方式,提供了客观评价脸的形状变化所涉及的被测者的脸的外观的印象,来得到用于正确地进行化妆建议等的咨询的有效的信息的方法。
本发明人取得多人的总体的脸表面的三维形状来生成总体的脸信息,对该总体脸信息使用统计上的解析方法即多变量分析来提取基底矢量。然后,本发明人发现几阶的特征量(基底矢量)与脸的长相的印象倾向有很大的相关性。由此,本发明人想到了,通过在被测者的脸形状信息中定量地算出该阶数的特征量表现了多大程度,从而可以将该被测者的印象倾向客观化。
根据本发明的实施方式所涉及的脸印象分析方法和脸印象分析装置,客观评价被测者的脸的外形的印象,能够得到用于正确地进行化妆建议等咨询的有效的信息。因此,根据使用了所涉及的脸印象分析方法的美容信息提供方法,能够提供与美容相关的每个被测者的客观化的信息。另外,根据本发明的实施方式所涉及的脸印象分析系统,被测者通过网络发送脸形状信息,由此能够接收并取得与自身的脸的外观的印象相关的客观评价。
当通过以下的实施方式来说明本发明的脸印象分析方法和美容信息提供方法时,存在按顺序记载多个工序的情况,但该记载的顺序未必限定实行各工序的顺序或时序。在实施本发明的脸印象分析方法和美容信息提供方法时,其多个工序的顺序可以在没有技术妨碍的范围下变更,多个工序的实行时序的一部分或全部可以相互重复。
用于实现本发明的脸印象分析装置和脸印象分析系统的各种构成要素只要实现它们的功能,具体的硬件构成便没有特别限定。例如,能够由发挥规定的功能的专用的硬件、规定的功能由计算机程序赋予的数据处理装置、由计算机程序在数据处理装置所实现的规定的功能、它们的任意组合等来实现本发明的各种构成要素。更具体而言,以能够读取计算机程序并实行对应的处理动作的方式,能够使用由CPU(Central Processing Unit)、ROM(Read Only Memory)、RAM(RandomAccess Memory)、I/F(Interface)单元等通用器件所构建的硬件、以实行规定的处理动作的方式构建的专用的逻辑电路、它们的组合等来实施本发明。
本发明的构成要素存储数据意思是指,实现本发明的装置具有存储数据的功能,该数据不一定需要实际保存在该装置。
<第一实施方式>
图1是表示本发明的第一实施方式所涉及的脸印象分析装置100的功能框图。
首先,就本发明的概要进行说明。
脸印象分析装置100具备脸形状取得部10、脸成分分析部50、脸印象决定部60和存储部70。
脸形状取得部10是取得表示被测者的脸表面的形状的脸形状信息的机构。
存储部70存储对表示多人的总体的脸表面的三维形状的总体的脸信息进行多变量分析而求出的一个或多个特征量(基底矢量)、以及表示与特征量相对应的脸的长相的印象倾向的倾向信息。本实施方式的存储部70包含基底存储部72和倾向信息存储部74。基底存储部72是存储从总体脸信息提取的一个或多个特征量和各阶的权重系数(本征值)的机构。倾向信息存储部74是存储表示脸的长相的印象倾向的倾向信息的机构。
脸成分分析部50是从被测者的脸形状信息、以及从总体脸信息提取的特征量算出被测者的脸的该特征量的表现量的机构。
脸印象决定部60是参照存储部70(倾向信息存储部74),基于被测者的脸的特征量及其表现量,取得被测者的脸的印象倾向或其程度的机构。
以下,详细地说明本实施方式的脸印象分析装置100和使用该装置进行的脸印象分析方法(以下,有时称为第一方法)。
第一方法是分析从被测者的脸的长相的外观所接受的印象的倾向的方法。在第一方法中,从被测者的脸形状信息、以及统计上所求出的基底矢量,求出被测者的脸的长相的印象倾向的程度。脸形状信息是表示被测者的脸表面的形状的信息,具体而言是作为顾客的被测者的脸表面的三维形状的坐标信息。基底矢量是指对表示多人的总体的脸表面的三维形状的总体脸信息进行多变量分析而求出的特征量(本征矢量)。该特征量包含从由多变量分析求出的多个基底矢量所提取的与被测者的脸的长相的印象倾向相关性大的二阶以上的高阶基底矢量中的至少一者。
在第一方法中,从被测者的脸形状信息以及一个或多个基底矢量算出被测者的脸的基底矢量的表现量,并基于该表现量而求出印象倾向的程度。
图2是第一方法的流程图。使用图1和图2,就脸印象分析装置100和第一方法进行详细说明。
脸印象分析装置100除了上述的脸形状取得部10、脸成分分析部50、脸印象决定部60和存储部70以外,还具备标准化部20、条件输入部30、模型存储部40和美容信息输出部80。它们用总线95相互连接。
本实施方式的脸印象分析装置100设置在化妆品的售卖店或美容咨询的服务店等。脸印象分析装置100通过脸形状取得部10,将作为顾客的被测者的脸表面的三维形状的坐标信息用脸形状取得部10取得(图2:步骤S10)。
脸形状取得部10具体而言包含接触式测量部12、以及非接触式测量部14而构成。作为接触式测量部12,例示使探针接触头皮而取得头皮表面的任意位置的三维坐标的接触式三维数字转换器。作为非接触式测量部14例示三维激光扫描器。作为其他的非接触式测量,也可以使用激光焦点法或立体声法。这些非接触式的测量装置有市售。其中,如后述的第二实施方式中说明的那样,作为脸形状取得部10,还可以使用从多块二维图像算出三维坐标值的运算装置。
即,本实施方式的脸形状取得部10使用接触式的三维数字转换器取得作为脸形状信息的包含被测者的脸的头部的表面的三维坐标值。更具体而言,脸形状取得部10使用接触式的三维数字转换器来取得与头部的表面的多个特征点相关的三维坐标值,且使用非接触式的三维测量装置来取得被测者的头部的表面的其他点的三维坐标值。从不受到头发的影响而正确地测量头皮表面的三维坐标的观点看,从生长头发的头的前面到头的后面为止的三维坐标优选由接触式测量部12来测量。头发不影响的额头以下的脸表面的三维坐标由于测量时间短因此可以使用非接触式测量部14。非接触式测量部14所得到的三维坐标的测量时,为了减少头发的影响,也可以在被测者的头发覆盖网帽(netcap)等保护构件。在这种情况下,仅由三维激光扫描器等光学式的测量装置便能够测量头皮表面的三维坐标。通过使用非接触式测量部14,作为一个例子,能够从被测者头部表面测量超过十万点的多点的三维坐标。此外,与被测者的脸表面的几个特征点相关,可以使用接触式测量部12来高精度地测量该三维坐标。作为所涉及的特征点,可以举出头盖骨表面的特征点(解剖学的特征点)和皮肤表面的特征点。作为解剖学的特征点,可以例示眼窝下点、眼窝上缘中央、眼窝内缘点、外耳道上缘点、鼻根点或颊骨弓点。作为皮肤表面的特征点,可以例示大眼角点、外眼角点、耳珠上缘点、上耳底点、下耳底点、鼻下点、鼻尖点、嘴角点、嘴点或颚角点。再有,这里所指的被测者包含作为本实施方式的脸印象分析方法的对象者的顾客、以及提供用于生成总体脸信息的三维坐标值的数据提供者。通过对多位顾客依次实施本实施方式的脸印象分析方法,从而过去从顾客取得的脸形状信息被追加到提供给以后的顾客的总体脸信息。另外,通过测量对于多位被测者而言共同的特征点的三维坐标,能够将彼此的三维形状模型标准化而同源模型化。如此,通过兼用非接触式的测量装置和接触式的测量装置,能够高精度地取得头皮表面的三维坐标。但是,也可以使用仅非接触式或接触式的测量装置中的任一者来取得包含脸的头部的表面的三维坐标。
脸印象分析装置100由脸形状取得部10(接触式测量部12、非接触式测量部14)测量被测者的脸表面的三维形状模型(脸形状信息)。
标准化部20是将用接触式测量部12和非接触式测量部14取得的高分辨率的多个点的三维形状模型变换成由更少的点构成的同源模型的运算部。同源模型的具体的生成方法记载在专利文献3。在第一方法实施之前,由脸形状取得部10测量表示包含多位被测者的脸表面的头部形状的三维形状模型。标准化部20通过将这些脸形状信息变换成相互统一了数据点数(节点数)和拓扑的同源模型而生成总体脸信息(图2:步骤S20)。所生成的是同源模型的总体脸信息(总体解析模型)保存在模型存储部40。标准化部20将被测者的脸形状信息变换成与总体解析模型相同的数据点数(节点数)和拓扑的同源模型。
模型存储部40是存储在多变量分析中所使用的总体的人的总体脸信息的机构。模型存储部40也存储由脸形状取得部10取得的被测者的脸形状信息。以下,将表示包含被测者的脸的头部的表面形状的三维形状模型称为被测者解析模型。在模型存储部40,可以按性别、年代或出身地域等每个属性而存储总体解析模型。
条件输入部30是从被测者或脸印象分析装置100的操作者接受各种输入的机构。例如,接受被测者的年龄或性别等属性、或被测者希望分析的印象倾向的模式的指定(图2:步骤S30)。脸印象分析装置100基于这些被测者解析模型和总体解析模型中共同的基底矢量的阶数和权重系数(本征值),求出被测者的脸的长相的印象倾向的程度(图2:步骤S400)。
脸成分分析部50依照由条件输入部30接受的条件来选择总体,进行被测者解析模型的多变量分析。例如被测者是女性的情况下,脸成分分析部50从模型存储部40提取性别分类是女性的同源模型来生成总体解析模型。由此,能够分析以女性全体为总体当中的被测者的脸的长相的印象倾向的程度。另外,进一步在特定范围分析总体的情况下,可以除了被测者的性别以外还提取仅同年代(例如被测者的年龄±5岁)的被测者的同源模型来生成总体解析模型。在这种情况下,能够分析以与被测者同年代的女性为总体当中的被测者的脸的长相的印象倾向的程度。
从被测者的脸形状信息算出基底矢量的阶数和权重系数的方法例示有多种。在本实施方式中,可以举出利用总体脸信息和被测者脸形状信息是共同的同源模型的事实,将包含被测者的脸形状信息的总体脸信息进行多变量分析来算出该被测者所涉及的特征量(基底矢量)的方法。在这种情况下,在总体包含有脸形状的样本提供者、以及被提供第一方法的被测者。再有,作为其他方法,也可以如在第二实施方式后述的那样,以不包含被测者的总体为对象而预先由多变量分析算出基底矢量后,通过以该基底矢量再现被测者的脸形状信息,从而求出其权重系数。
在脸成分分析部50实行的多变量分析中,将包含被测者的总体的同源模型(总体解析模型)进行统计处理并提取多阶基底矢量。作为具体的多变量分析的一个例子,可以举出主成分分析(PCA:principalcomponent analysis)。脸成分分解部50关于总体解析模型的脸形状进行主成分分析,算出多阶基底矢量ei(i是表示阶数的自然数,以下同样。)(图2:步骤S40)。基底矢量ei由总体解析模型的协方差矩阵的本征矢量解析来求出。各阶基底矢量相互正交。基底矢量的最高阶数n没有特别限定,可以以规定以上的贡献率(例如0.1%以上)的基底矢量全部被提取、或者一阶主成分以下的累积贡献率为规定以上(例如95%以上)的方式,来设定最高阶数n。
图3是表示与以20多岁至60多岁的各年代10名共计50名日本女性为总体的总体解析模型相关的主成分分析结果的一个例子的表。图3表示了贡献率1%以上的基底矢量存在1阶(pca01)至15阶(pca15)的15个的情况。即,日本20多岁至60多岁的女性(以下,日本成年女性)的头部形态基本能够用15轴来说明。这些的基底矢量和贡献率存储在基底存储部72。
再有,若为80多岁或其以上的年代,一般头部的骨自身有变瘦的倾向而脸印象容易变。另外,直至10多岁前半为止,一般处于骨骼的成长时期,因而脸印象也容易变。由于这样的骨的变化所引起的脸印象的变化在头部表面的三维形状的主成分分析中难以呈现,因此在本实施方式中将其排除。因此,总体为20多岁到60多岁为止。由此,肌肉或脂肪的影响所引起的衰老在统计上被精度良好地提取。
被测者解析模型通过从总体解析模型求出的基底矢量而分解成式(1)。bi是每个基底矢量ei的阶数的权重系数。平均脸形状是将总体解析模型的脸形状平均化后的三维形状。
(数1)
被测者解析模型=平均脸形状+b1*第1基底矢量e1+b2*第2基底矢量e2+b3*第3基底矢量e3+……+bk*第k基底矢量ek+……+bn*第n基底矢量en (1)
脸成分分析部50将被测者解析模型分解成多个总体解析模型中共同的基底矢量(主成分)的线性和(图2:步骤S41)。每个被测者解析模型的阶数的权重系数bi保存在基底存储部72。另外,本实施方式的脸成分分析部50能够再现使任意的权重系数bi发生变化的被测者解析模型。换言之,通过改变任意阶数的权重系数bi来进行与基底矢量ei的积和运算,从而维持被测者的自然的脸形状那样地增减该基底矢量ei的影响。
图4是表示与图3的分析结果相对应的1阶至15阶的主成分的归属的形状变化的特征的表。各阶主成分的具体的说明在实施例后述。
图5是表示倾向信息存储部74所存储的倾向信息PI的表的例子。倾向信息PI是对应一个或多个印象倾向模式以及与该印象倾向相关性大的基底阶数的信息。本实施方式的倾向信息PI包含模式1至4的至少4个。倾向信息PI是表示支配脸的长相的印象倾向的印象因子的信息。
在图5中,作为印象因子,例示了被测者的外在年龄、实际年龄、成熟脸或娃娃脸的程度、或者小脸印象的程度。
模式1表示了与被测者的外在年龄的高低相关性大的基底阶数(年龄增长因子)为2阶、7阶、9阶和11阶。如后面所详述的,通过利用本发明人的研究而使这些阶数的基底矢量的权重系数增加或减少,从而使被测者的外在年龄增加变得明显。
模式2表示了被测者的实际年龄的高低具有与2阶、7阶、9阶和11阶的基底矢量的权重系数很大的相关性。即,模式1和2表示了外在年龄的倾向与实际年龄的倾向与共同的阶数的基底矢量相关。
模式3表示了被测者的脸看起来像成人(成熟脸)或者看起来像小孩(娃娃脸)这样的印象倾向与3阶基底矢量的权重系数相关。
模式4被测者的脸看起来小(小脸)这样的印象倾向与3阶和12阶的基底矢量的权重系数相关。
在分析被测者的外在年龄的情况下,被测者或使用者操作条件输入部30而选择输入模式1。条件输入部30接受模式1的选择输入。除此之外,在第一方法中,也可以不仅从被测者或使用者接受任意印象倾向的模式的指定,而从预先设置在倾向信息存储部74的全部模式中提取被测者的脸所属的一个以上的印象倾向。另外,在图2中主成分分析步骤S40之前图示了条件取得步骤S30,但本发明不限于此。例如,可以在基底算出步骤S41与印象倾向判定步骤S42之间实行条件取得步骤S30。
在倾向信息PI中,各模式的每个基底阶数对应并存储一个正1σ值。在图5中,省略了具体的数值的图示。正1σ值是指,依照该模式的倾向(例如外在年龄的增加)能更显著地被看到的次序,对该基底阶数的权重系数的带正负的分值赋予顺序时的、总体中的上位顺序的分值。
例如,年龄增长因子中7阶的基底矢量的权重系数存在该分值为正且绝对值越大外在年龄越高的倾向,由本发明人而变得明显(详细在后面叙述)。换言之,7阶基底的权重系数与外在年龄具有正的相关性。7阶基底通过在正方向增加其权重系数,从而脸形状向年龄增长方向变化。因此,在与模式1中的7阶基底相关的正1σ值,设定为从总体的7阶基底的权重系数的分值分布求出的平均值+1σ(标准偏差)的正的分值。平均值+1σ的分值相当于在以正的分值为上位而负的分值为下位的情况下的上位约1/3(正确是上位31.7百分比)的顺序。
另一方面,年龄增长因子中2阶的基底矢量的权重系数存在其分值为负且绝对值越大外在年龄越高的倾向也是明显的(详细在后面叙述)。即,2阶基底的权重系数与外在年龄具有负的相关性。2阶基底通过在负方向减少其权重系数,从而脸形状向年龄增长方向变化。因此,在与模式1的2阶基底相关的正1σ值,设定为从总体的2阶基底的权重系数的分值分布求出的平均值-1σ(标准偏差)的负的分值。平均值-1σ的分值相当于在以正的分值为上位而负的分值为下位的情况下的下位约1/3(正确是下位31.7百分比)的顺序。
脸印象决定部60参照倾向信息存储部74,基于被测者解析模式的基底矢量的阶数和其权重系数(表现量),求出被测者的脸的印象倾向的模式及其表现度。该表现度通过将与被测者解析模式相关而存储在基底存储部72的权重系数、以及设定在倾向信息存储部74的倾向信息PI的正1σ值进行对比而求出。具体而言,脸印象决定部60参照倾向信息存储部74,读出在倾向信息PI中与模式1相对应的基底阶数(2阶、7阶、9阶和11阶)和各基底阶数的正1σ值。另外,脸印象决定部60参照基底存储部72,读出与被测者解析模式相关的上述基底阶数的权重系数。脸印象决定部60用相对应的正1σ值除被测者解析模式所涉及的各基底阶数的权重系数,求出该阶数的基底矢量的表现度。
脸印象决定部60将该表现度与规定的正的阈值(例如,+1.0)进行大小比较。在表现度为该阈值以上的情况下,判断为被测者解析模型保有该基底阶数的倾向。
考虑与模式1相对应的2阶、7阶、9阶和11阶中被测者解析模型保有的基底阶数的数目或表现度的数值的大小等,脸印象决定部60决定被测者的脸的长相的印象倾向的程度(图2:步骤S42)。具体而言,作为简易的决定方法,可以将被测者解析模型保有倾向的基底阶数的数目(0~4个)相对于与模式相对应的基底阶数的个数(模式1的话为4个)的比率来作为该模式的印象倾向的程度。
除此之外,在步骤S42中,脸印象决定部60也可以将每个与模式相对应的基底阶数用正1σ值除后的表现度的总和来作为该模式的印象倾向的程度。
美容信息输出部80是将脸印象决定部60求出后的结果输出至被测者的机构。作为一个例子,可以举出显示面板或打印机。本实施方式的美容信息输出部80输出被测者的脸的长相的印象倾向所属的模式、以及该模式的印象倾向的定量的程度。
印象变化图像生成部90是使被测者解析模型中的权重系数bi变化而生成印象变化图像的机构。印象变化图像生成部90参照倾向信息存储部74而从倾向信息PI提取一个或多个印象因子。另一方面,通过条件输入部30,从被测者接受表示印象倾向的程度(例如外在年龄)的变化方向和变化幅度的年龄增长幅度信息。年龄增长幅度信息具体而言是负(年轻化方向)5岁、或正(年龄增长方向)10岁等。
脸印象分析装置100在实施例1如后述那样,将每个年龄增长因子的年龄增长系数存储在倾向信息存储部74。印象变化图像生成部90参照倾向信息存储部74而读出年龄增长因子和年龄增长系数,仅按从条件输入部30输入的与年龄增长幅度信息相对应的变化量,来调整年龄增长因子的权重系数的增减。印象变化图像生成部90生成由所涉及的权重系数和基底矢量再构建的被测者解析模型作为印象变化图像(图2:步骤S45)。
<第二实施方式>
图6是表示包含本发明的第二实施方式所涉及的脸印象分析装置100的脸印象分析系统1000的功能框图。图7是使用本实施方式的脸印象分析系统1000来进行的脸印象分析方法(以下有时称为第二方法)的流程图。以下,使用图6和图7来说明本实施方式。适当地省略与第1实施方式重复的说明。
首先,说明脸印象分析系统1000的概要。
脸印象分析系统1000由通过网络相互连接的脸印象分析装置100和被测者终端110构成。脸印象分析装置100是WEB服务器。被测者终端110是被测者(使用者)操作的移动终端。网络可以是互联网也可以是局域网(LAN),可以是无线网络也可以是有线网络。在本实施方式中,例示移动电话网络。脸印象分析装置100基于来自被测者终端110的连接要求,使WEB应用站点显示在被测者终端110的显示面板。
脸印象分析装置100具备脸形状取得部10、标准化部20、模型存储部40、脸成分分析部50、脸印象决定部60、存储部70和美容信息发送部82。
存储部70包含基底存储部72和倾向信息存储部74。基底存储部72存储对表示多人的总体的脸表面的三维形状的总体脸信息(总体解析模型)进行多变量分析而求出的一个或多个特征量。在基底存储部72,可以存储按性别或年代提取的每个总体的特征量。倾向信息存储部74存储与这些特征量相对应的表示脸的长相的印象倾向的倾向信息PI(参照图5)。
在模型存储部40,任意存储有表示包含多位被测者的脸表面的头部的形状的三维形状的同源模型。但是,通过脸成分分析部50对总体的同源模型进行多变量分析并算出基底矢量后,同源模型的数据从模型存储部40中删除。
本实施方式的脸形状取得部10在由接收部16和三维形状推定部18构成的方面与第一实施方式不同。接收部16是通过网络接收表示被测者的脸表面的形状的脸形状信息的机构。接收部16从被测者终端110接收有关包含被测者的脸的头部进行摄影的被拍摄体的摄影角度不同的多个二维图像。第二方法的被拍摄体是包含脸面的使用者的头部。被测者使用被测者终端110的相机功能,从正面方向和左右倾斜方向对被测者的头部图像进行摄影。
接收部16通过网络从被测者终端110接收二维图像(图7:步骤S11)。与所涉及的接收处理一起,接收部16从被测者终端110接受各种输入。接收部16例如从被测者终端110接受被测者的年龄或性别等属性、或被测者希望分析的印象倾向的模式的指定(图7:步骤S30)。
三维形状推定部18是基于接收部16接收的被拍摄体(被测者的头部)的摄影角度互为不同的多个二维图像来算出被测者的头部的三维坐标的机构。即,第二方法与第一方法的不同点在于,就包含被测者的脸的头部摄影角度不同的多个二维图像被测者进行摄影且脸形状取得部10基于这些二维图像算出作为脸形状信息的头部的表面的三维坐标值。三维形状推定部18通过包含多块二维图像共同出现的脸表面的特征点的位置匹配的坐标运算,算出包含被测者的脸表面的三维坐标值(图7:步骤S12)。在被测者的头部的三维坐标值不能以规定以上的精度被算出的情况下,脸形状取得部10可以对被测者终端110发送指定摄影角度并且促使头部的二维图像的追加摄影和追加发送的消息。
标准化部20将三维形状推定部18生成的三维的脸形状信息变换成同源模型(图7:步骤S20)。
第二方法与第一方法的不同点在于,对不包含被测者的脸形状信息(被测者解析模型)的总体脸信息(总体解析模型)进行多变量分析。在第二方法中,首先,对不包含被测者解析模型的总体解析模型进行多变量分析而求出一阶到规定阶为止的连续的多个特征量。接着,使用上述的式(1),通过这些特征量及其权重系数的积和运算来再现被测者的脸形状信息。然后,算出作为印象倾向的表现量的构成被测者解析模型的权重系数。
由此,在第二方法中,有必要在生成被测者解析模型后实行多变量分析(主成分分析)。因此,能够对被测者迅速地回答分析结果。在总体的人数足够多的情况下,即使使用从不包含被测者的总体解析模型的多变量分析算出的基底矢量,也能够通过式(1)高精度地再现被测者解析模型。
脸成分分析部50从被测者的脸形状信息(被测者解析模型)和总体脸信息(总体解析模型)的特征量算出被测者的脸的特征量的表现量(图7:步骤S410)。脸印象决定部60参照存储部70(倾向信息存储部74),基于被测者的脸的特征量及其表现量,取得印象倾向或其程度。然后,美容信息发送部82(发送部)通过网络将表示所取得的印象倾向或其程度的输出信息发送至被测者终端110。
在条件取得步骤S30中,可以从被测者处接受印象倾向的选择。具体而言,接收部16可以从被测者终端110接受与印象倾向相关的被测者的选择。此时,脸成分分析部50参照存储部70,提取与被测者选择的印象倾向相对应的特征量。然后,脸成分分析部50算出所提取的特征在被测者解析模型中表现的程度(表现量)。脸印象决定部60取得与所选择的印象倾向相对应的特征量的程度。
更具体地说明。脸成分分析部50首先参照基底存储部72,读出基底矢量并生成本征矢量矩阵(图7:步骤S43)。接着,脸印象决定部60对该本征矢量矩阵、以及模型存储部40所存储的被测者解析模型进行矩阵运算,算出每个基底阶数的权重系数。由此,算出基底矢量的表现量。被测者解析模型通过基底矢量和权重系数再现(图7:步骤S44)。
接着,脸印象决定部60参照倾向信息存储部74,从倾向信息PI(参照图5)取得由被测者选择的一部分或全部的印象倾向的模式相对应的每个基底阶数的正1σ值。脸印象决定部60使用正1σ值、以及在步骤S44算出的权重系数,与第一方法同样地决定被测者的长相的印象倾向的程度。
在美容信息输出步骤S50中,将由上述决定的被测者的脸的长相的印象倾向的模式及其程度从美容信息发送部82发送至被测者终端110。
上述实施方式允许各种变形。在第一和第二实施方式中,例示了标准化部20将被测者和总体的脸形状信息变换成三维的同源模型的情况。由此,可以对至少坐标点数的总体解析模型进行多变量分析。通过从总体解析模型提取的基底矢量的线性和,能够高精度地再现被测者解析模型。但是,本发明不限定于使用三维的同源模型作为被测者解析模型。
例如,脸成分分析部50可以从由脸形状取得部10(接触式测量部12、非接触式测量部14)测量的被测者的高分辨率的脸形状信息求出基底矢量的表现量。具体而言,首先通过总体的平均脸形状的头部对被测者的脸形状信息的头部尺寸进行正规化。然后,可以以直至与总体相关的规定阶数(例如15阶)的基底矢量的线性和更好地近似被测者的脸形状信息的方式,从第1基底开始依次决定基底矢量的权重系数。
更具体而言,算出构成被测者的脸形状信息的测量点当中最接近于总体的平均脸形状的节点的点的三维坐标值。以下,令该测量点为“同源模型对应点”。令平均脸形状的各节点与同源模型对应点的距离的总和为“模型间距离”。然后,使第1基底的权重系数bi正或负地变化,算出模型间距离为极小的权重系数b1。
第2基底也是同样的。具体而言,将平均脸形状+b1*第1基底矢量e1作为上述的平均脸形状重新读取,算出构成被测者的脸形状信息的测量点当中最接近于该新的平均脸形状的节点的点的三维坐标值。这些点成为新的同源模型对应点。然后,算出该新的平均脸形状的各节点与同源模型对应点的模型间距离为极小的第2基底的权重系数b2。以后同样地,将平均脸形状+b1*第1基底矢量e1+……+bk-1*第k-1基底矢量ek-1作为新的平均脸形状,算出第k基底矢量的权重系数bk。
由此,能够如上述式(1)那样通过从第1基底矢量到第n基底矢量的线性和来再现被测者的脸形状信息。
另外,在第二实施方式的脸印象分析系统1000中,三维形状推定部18从接收部16接收的多个二维图像算出被测者的头部表面的三维坐标值。但是,本发明也可以替代此,而由使用了表示基底矢量的特征的每个基底阶数的二维图像(基底图像)通过图像处理算出权重系数。具体而言,将由总体解析模型的多变量分析提取的基底矢量分别地加到平均脸形状而生成假想脸形状模型。假想脸形状模型对于每个基底阶数分别地生成。加到平均脸形状的基底矢量的权重系数例如为正1σ值(参照图5)。从正面方向和左右倾斜方向对这样做而生成的假想脸形状模型进行二维图像化(以下称为基底图像)。
接着,脸成分分析部50通过上述的各阶的基底图像的权重的合成,以接收部16接收的被测者的头部图像被近似的方式,决定基底图像的权重系数。具体而言,首先对被测者的头部图像进行正规化,对肌理进行舍弃。然后,脸成分分析部50使与各阶的基底图像的像素值相乘的权重系数发生变化,以与被测者的头部图像(正规化图像)的像素值的差分的平方和为极小的方式决定每个基底阶数的权重系数。
以上,在第一和第二实施方式中,说明了从作为被测者的脸表面的三维形状的坐标信息的脸形状信息、以及对总体脸信息进行多变量分析而求出的基底矢量(特征量)算出被测者的脸的基底矢量的表现量,并基于该表现量而求出印象倾向的程度的脸印象分析方法。在本发明中,可以通过使由该脸印象分析方法求出的印象倾向的程度在图像上发生变化来分析被测者的脸印象。即,本发明还提供了生成使被测者的脸的长相的印象倾向发生变化的印象变化图像的脸图像生成方法。
该脸图像生成方法,其特征在于,从表示被测者的脸表面的形状的脸形状信息、以及对表示多人的总体的脸表面的三维形状的总体脸信息进行多变量分析而求出的一个或多个特征量算出被测者的脸的特征量的表现量,变更脸形状信息的表现量,基于所变更的脸形状信息生成使被测者的脸的长相的印象倾向发生变化的印象变化图像。
具体而言,若例示外在年龄作为印象倾向,则可以使被测者解析模型的规定阶数的基底矢量的权重系数大小发生变化,来生成让被测者的外在年龄年龄增长或年轻化的印象变化图像。发生变化的权重系数的阶数是与印象倾向(外在年龄)相关性大的特征量(基底矢量)中的至少一者。具体而言,是图5中作为年龄增长因子举出的基底阶数(2阶、7阶、9阶、11阶)的一部分或全部。换言之,对总体脸信息进行多变量分析而求出的特征量包含与印象倾向相关性大的二阶以上的基底矢量的至少一个。在本实施方式中,以作为印象倾向的程度的外在年龄向正(年龄增长方向)或负(年轻化方向)仅按规定量变化的方式,使被测者解析模型的该基底阶数的权重系数发生变化。由此,变更被测者的脸形状信息的表现量,生成表示年龄增长时或年轻化时的被测者的脸形状。被测者能够在视觉上把握通过使该印象因子的表现量的增减发生变化来进行年龄增长或年轻化。然后,能够体会到使该印象因子的表现量美容上发生增减变化对外在年龄的年轻化有效。
该印象变化图像是被测者解析模型的静止画或动画。印象变化图像具有表示被测者的脸表面的三维形状的脸形状信息。在印象变化图像中,可以合成表示肌肤的质感的肌理数据。此时,也可以将表示被测者的当前的肌肤的质感的肌理合成在印象变化图像,还可以合成表示印象变化后的外在年龄的人物的典型肌肤的质感的其他肌理数据。
当生成印象变化图像时,印象变化图像生成部90参照倾向信息存储部74来取得每个年龄增长因子的年龄增长系数,基于此以及作为外在年龄的变化幅度的年龄增长幅度信息算出每个年龄增长因子的权重系数的变化量(参照图1)。印象变化图像生成部90发生变化的年龄增长因子可以是在倾向信息PI(参照图5)作为模式1定义的全部年龄增长因子(2阶、7阶、9阶和11阶),或者仅是被测者解析模块显著具有的一部分的年龄增长因子。当对每位被测者决定任一个年龄增长因子的权重系数是否发生变化时,可以将总体分类为多个群,在被测者所属的群中共同地选择与印象倾向相关性大的基底矢量,使该权重系数发生变化。具体而言,可以基于与印象倾向(外在年龄)相关性高的多阶基底矢量即印象因子(在实施方式中为2阶、7阶、9阶和11阶)所涉及的权重系数的倾向的一致性,来将总体分类成多个群。然后,可以基于在被测者解析模型显著表现的印象因子来选择该被测者所属的群。更具体的脸图像生成方法使用实施例2在后面叙述。
<美容信息提供方法>
在第一方法和第二方法中,除了决定被测者的脸的长相的印象倾向的程度以外,还提供使用了脸印象决定部60算出的结果的美容信息的提供。
该美容信息提供方法(以下,称为本方法)使用上述第一实时方式或第二实施方式的脸印象分析方法,输出与所算出的表现量为规定以上的特征量预先相对应的美容信息。
在本方法所使用的美容信息是表示包含美容成形方法、美容按摩方法、头发化妆方法、化妆方法中的任一者的美容实施方法、毛发化妆品或化妆品的信息。图8是表示美容信息的表。除此之外,作为美容信息,不仅美容手段的选择项,也可以是化妆品的使用量或使用方法。美容信息与每个年龄增长因子相对应并存储在倾向信息存储部74。
在本方法中,将用于缓和或促进分析被测者的脸所属的印象倾向的美容实施方法或化妆品(合起来称为美容手段)通过文本消息传给被测者。在该印象倾向对于被测者而言不是很好的情况下,将用于缓和此的美容手段传给被测者。由此,根据脸印象分析装置100,不仅被测者的脸的造型的印象倾向,改善此的方法也被提供给被测者。图8所示的美容实施方法的内容在以下的实施例详细地说明。
<实施例1>
以下,通过实施例来对本发明进行具体说明。实施例1通过分析顾客即被测者的头部的三维数据,让本人的年龄增长要点和年龄增长倾向变得明确。此外,通过输出与年龄增长倾向相对应的美容实施方法,提供客观且有效的美容咨询信息。由此,化妆部位的优先顺序等变得明了,能够通过顾客自身的化妆确切地赋予“年轻的”印象。
被测者(样本提供者)是20多岁至60多岁的各年代30名,共计150名日本女性。
图9(a)是用非接触式的三维激光扫描仪测量包含被测者的脸的头部后的头部全体的三维光学数据(高分辨率数据)。测量点为18万点。该高分辨率数据,对于每位被测者节点数与拓扑不同。
图9(b)是表示被测者的脸和头皮部的13点的特征点的图。用非接触式的三维激光扫描仪来测量这些点的三维坐标。
图9(c)是表示类模型的图。类模型是眼睛与嘴巴的节点的配置密度大而头皮部的节点的配置密度小的模型。节点数为4703点。
图10是表示使每位被测者的高分辨率数据的节点数与拓扑相同的同源模型的立体图。在高分辨率数据中的13点的特征点的坐标值与类模型的特征点的坐标值位置匹配的状态下,通过在高分辨率数据的表面粘附类模型的其他的坐标,制作对象者的同源模型。同源模型由于节点数与拓扑被共同化,因此能够通过收集多位被测者来进行多变量分析。同源模型在按年代各10名共计50名的情况下制作。
图11(a)是表示20多岁的被测者的同源模型的平均脸形状(平均脸形状模型)的图。图11(b)是表示30多岁的被测者的同源模型的平均脸形状模型的图。图11(c)是表示40多岁的被测者的同源模型的平均脸形状模型的图。图11(d)是表示50多岁的被测者的同源模型的平均脸形状模型的图。图11(e)是表示60多岁的被测者的同源模型的平均脸形状模型的图。在同源模型中提取三维坐标,并对肌理进行舍弃。然后,通过对该同源模型进行坐标平均,排除被测者的脸的个体差的影响。因此,在各年代的平均脸形状,呈现随着年代的推移而逐渐变化的脸形状的特征。
图12(a)是表示20多岁与30多岁共计20名年轻女性的被测者的同源模型的平均脸的图。图12(b)是表示20多岁至60多岁共计50名全年代女性的被测者的同源模型的平均脸(以下,有时称为全体平均脸)的图。图12(c)是表示50多岁与60多岁共计20名高龄女性的被测者的同源模型的平均脸形状的图。
若将图11(a)与(e),图12(a)与(c)分别进行对比,便可知随着年龄的推移,鼻唇沟加深,而且颊缓慢膨胀。所涉及的特征通过同源模型的主成分分析来进行客观化和定量化。
由以20多岁~60多岁的被测者50名为总体的总体解析模型的主成分分析提取的基底矢量(主成分)及其贡献率前面已揭示在图3中。通过总体的被测者及其人数变化,从而所提取的基底矢量及其贡献率发生变化(参照后述的实施例2)。
发明人对总体解析模型进行主成分分析,从平均脸使主成分自低阶基底分别变化来调查脸印象的变化。这样做,则可知特定的主成分与衰老(老化)相关性大。另外,可知其他特定的主成分产生成熟脸或娃娃脸的印象,而且有助于小脸印象。
图13(a)~(c)至图27(a)~(c)是分别使第1主成分(pca01)至第15主成分(pca15)个别地发生变化了的假想形状的立体图。
13(b)、图14(b)、……、图27(b)是表示20多岁至60多岁的全年代的同源模型的平均脸(全体平均脸)的形状的立体图,任一者均与图12(b)相同。
图13(c)是以上述式(1)的第1基底矢量的权重系数(b1)为总体的标准偏差的+3倍(+3σ)且以其他基底矢量的权重系数(b2~bn)为零的情况的假想形状的立体图。
图13(a)是第1基底矢量的权重系数(b1)为总体的标准偏差的-3倍(-3σ)且以其他基底矢量的权重系数(b2~bn)为零的情况的假想形状的立体图。
图14(c)是第2基底矢量的权重系数(b2)为总体的标准偏差的+3倍(+3σ)且以其他基底矢量的权重系数(b1,b3~bn)为零的情况的假想形状的立体图。
图15(c)、图16(c)、……、图27(c)分别依次是第3基底矢量至第15基底矢量的权重系数为总体的标准偏差的+3倍(+3σ)且以其他基底矢量的权重系数为零的情况的假想形状的立体图。
图14(a)是第2基底矢量的权重系数(b2)为总体的标准偏差的-3倍(-3σ)且以其他基底矢量的权重系数(b1,b3~bn)为零的情况的假想形状的立体图。
图15(a)、图16(a)、……、图27(a)分别依次是第3基底矢量至第15基底矢量的权重系数为总体的标准偏差的-3倍(-3σ)且以其他基底矢量的权重系数为零的情况的假想形状的立体图。
各主成分所属的形状变化的特征的说明前面已揭示在图4。以下,使用图13(a)~(c)至图27(a)~(c)和图4来说明主成分的特征。
在实施例1中被提取的第1主成分是对脸部整体的大小有贡献的因子。如将图13(c)与图13(a)进行对比可知,若第1主成分的权重系数在正方向上变大则脸部整体上变细和变小。被测者的脸上第1主成分的权重系数大还是小的事实,能够在目视被测者的脸时比较容易地判断。
另一方面,在实施例1的情况下,二阶以上的高阶基底是对脸的局部的部分的形状有贡献的主成分。因此,要仅通过目测被测者的脸来容易地判断高阶基底的权重系数的大小是困难的。与此不同,像本实施例那样通过对被测者解析模型进行主成分分析来对各阶的权重系数进行定量化,从而被测者的脸的特征量(主成分)的表现量被正确地客观化。
第2主成分是对脸的下部膨胀状况、鼻两侧的膨胀、以及鼻下的下垂有贡献的因子。如将图14(c)与图14(a)进行对比可知,若第2主成分的权重系数在正方向上变大则脸紧凑,鼻唇沟变浅。如后述那样,若第2主成分往负方向变大,则外在年龄和实际年龄向年龄增长方向前进。
第3成份是对下巴高有贡献的因子。如将图15(c)与图15(a)进行对比可知,若第3主成分的权重系数在正方向上变大则颚关节发达而变为成熟些的脸。即向成熟脸的印象发展。相反,若第3主成分的权重系数在负方向上变大则变为娃娃脸。再者,若第3主成分向负方向前进,则向小脸印象发展。
第4主成分是对头的后部的伸展、以及眼窝宽度有贡献的因子。如将图16(c)与图16(a)进行对比可知,若第4主成分的权重系数在正方向上变大则头的后部变小,两眼的间隔靠近。即两眼靠近的倾向发展。
第5主成分是对头的前部的前突、以及嘴部的前突有贡献的因子。如将图17(c)与图17(a)进行对比可知,若第5主成分的权重系数在正方向上变大,则头的前部和嘴部向前方突出。
第6主成分是对整个头的高度有贡献的因子。如将图18(c)与图18(a)进行对比可知,若第6主成分的权重系数在正方向上变大则眼睛往上的长度缩短。相反,若第6主成分的权重系数在负方向上变大则额的长度变大。
第7主成分是对眼窝外侧的前后位置、以及鼻子往下的伸展有贡献的因子。如将图19(c)与图19(a)进行对比可知,若第7主成分的权重系数在正方向上变大则眼角向前而眼睛的立体感减少,鼻的下方伸展而鼻唇沟加深。因此,若第7主成分在正方向上变大,则会带来脸整体憔悴那样的印象,因而外在年龄和实际年龄向年龄增长方向发展。相反,若第7主成分在负方向上前进,则外在年龄和实际年龄向年轻年龄方向发展。
第8主成分是对眼窝宽度有贡献的因子。如将图20(c)与图20(a)进行对比可知,若第8主成分的权重系数在正方向上变大则眼窝的外侧彼此的间隔接近。由此,两眼靠近的倾向发展。
第9成份是对眼角上方部的内下垂、以及嘴角提拉状况有贡献的因子。如将图21(c)与图21(a)进行对比可知,若第9主成分的权重系数在负方向上变大则眼角下垂到脸的内侧下方,嘴角向后方移动而鼻唇沟加深。因此,外在年龄和实际年龄向年龄增长方向前进。相反,若第9主成分的权重系数在正方向上变大则眼角向上提,嘴角变浅而成为年轻的印象。即外在年龄和实际年龄向年轻年龄方向发展。
第10主成分是对脸的歪斜有贡献的因子。如将图22(c)与图22(a)进行对比可知,第10主成分对脸的上部的左右方向的扭曲有贡献。
第11主成分是对嘴的中央部的前突、以及颊骨下部的扁平化有贡献的因子。如将图23(c)与图23(a)进行对比可知,若第11主成分的权重系数在负方向上变大则颊变瘦而嘴的中央部向前方突出,嘴角凹陷。由此,外在年龄和实际年龄向年龄增长方向发展。另外,若第11主成分的权重系数在负方向上变大,则向所谓的“鸭唇”的印象倾向发展。
第12主成分是对下颚的膨胀有贡献的因子。如将图24(c)与图24(a)进行对比可知,若第12主成分的权重系数在负方向上变大则下颚周边收紧而向小脸印象发展。
第13主成分是对耳下和颚下的膨胀有贡献的因子。如将图25(c)与图25(a)进行对比可知,若第13主成分的权重系数在负方向上变大则以脂肪附在耳下和颚下的方式膨胀变大。
第14主成分是对头的歪斜有贡献的因子。如将图26(c)与图26(a)进行对比可知,第14主成分对脸的下部的左右非对称性有贡献。
第15主成分是对脸部的歪斜有贡献的因子。如将图27(c)与图27(a)进行对比可知,第15主成分对脸的下部的左右方向的扭曲所引起的脸部的歪斜有贡献。
从以上可知,在本实施例中进行被测者的外在年龄或实际年龄的判断(以下,合起来称为衰老判断)的情况下,可以将被测者解析模型中的2阶、7阶、9阶、11阶中的一部分或全部的阶数的主成分的表现量作为评价对象。具体而言,只要调查这些阶数的基底矢量的权重系数是否为规定量(例如,往衰老的前进方向的正1σ值)以上即可。另外,在判断小学生到中高年级学生的成熟脸或娃娃脸的程度的情况下,可以同样地评价第3主成分的表现量。再者,在判断小脸印象的程度的情况下,可以同样地评价第3、第12主成分的表现量。
这些表示印象倾向与基底阶数的关系的表是图5所示的倾向信息PI。其中,在如后述的实施例2的那样使总体的被测者的人数或属性发生变化的情况下,与外在年龄或实际年龄相关的印象倾向所相关的基底阶数从2阶、7阶、9阶和11阶变化。在这种情况下,可以预先在感官上求出与印象倾向(衰老)相关性大的基底阶数。然后,只要基于被测者模型中的该基底阶数的主成分的表现量来判断印象倾向的程度即可。
以下,关于本实施例的衰老判断来更详细地说明。衰老判断的印象倾向的程度是被测者的外在年龄或实际年龄。判断表现量的特征量是如上述那样与印象倾向(衰老)相关性大的基底矢量中的至少一者。这里,与印象倾向相关性大的基底矢量是指统计上求出与该印象倾向的相关系数高的基底矢量。例如,是比总体的样本数的5%显著性水平的界限值更大的基底矢量。
如在第一实施方式说明了的那样,对以20多岁至60多岁的各年代10名共计50名日本女性为总体的被测者的同源模型进行了主成分分析。求出了从总体到贡献率1%以上的15阶的基底矢量(参照图3)。然后,对每位被测者,算出了第1至第15基底的各阶的权重系数(本征值)。
5名美容专家看着被测者的照片来推定各被测者的年龄,算出了5名推定年龄的平均值作为“外在年龄”。另外,也调查了各被测者的“实际年龄”。
求出被测者的第1至第15基底的权重系数(本征值)与外在年龄的关系。图28是表示每个基底阶数的权重系数与外在年龄的相关系数的表。
与2阶、7阶、9阶和11阶的4个基底阶数相关,能够看到与外在年龄大的相关性。另外,2阶、9阶和11阶的相关系数为负,7阶的相关系数为正。
由此可知,当衰老发展时,2阶、9阶和11阶的主成分在负方向上前进,而7阶的主成分在正方向上前进。
这里,总体的样本数(N)为50的情况的5%显著性水平的界限值为0.279。因此,7阶和9阶的绝对值均比5%显著性水平的界限值更大。即,7阶和9阶的特征量是贡献率1%以上的基底矢量(主成分),且与印象倾向的相关系数比总体的样本数的5%显著性水平的界限值更大。因此,使用7阶和9阶的基底矢量来判断衰老的方式在统计上可以说是可靠的。
按实际年龄将总体分为两个群,检查每个基底阶数的权重系数与外在年龄的关系是否存在显著差异。具体而言,将总体分为20岁至40岁20名、以及41岁至69岁30名的两个群来进行t检验。图29是表示其结果的表。在本说明书中,将t检验值小于0.05的情况判断为显著。具体而言,7阶和9阶的t检验值小于0.05,其他基底阶数的t检验结果为0.05以上。因此,可知关于7阶和9阶的主成分,出现年龄所引起的显著差异。另外,2阶和11阶在t检验值小于0.2时也为比较小的值,年龄所引起的差异稍微呈现。
再有,图30是表示关于总体全体的每个基底阶数的权重系数与实际年龄的相关关系的表。若将图28与图30进行比较,可知关于实际年龄也与2阶、7阶、9阶和11阶的4个基底阶数有大的相关性。另外,可知与外在年龄同样地,若实际年龄前进,则2阶、9阶和11阶的主成分在负方向上前进,7阶的主成分在正方向上前进。按实际年龄将总体分为两个群,对每个基底阶数的权重系数与实际年龄的关系是否有显著差异进行t检验后,能看到与图29所示的结果大体同样的倾向(省略图示)。
从以上可知,与衰老判断相关,能够同样地对待被测者的外在年龄与实际年龄。即,能够使用本发明来判断被测者的外在年龄,并且也能够进行年龄不明的被测者的实际年龄的推定。关于美容,与实际年龄相比,从本人或他人见到的外在年龄的高低更重要,因而在实施例1和后述的实施例2中使用被测者的外在年龄作为印象倾向的程度。
接着,关于2阶、7阶、9阶和11阶的主成分,从总体全体的平均脸(全体平均脸)的形状,求出对于每个主成分分别使基底矢量的权重系数阶段性地变化至±3σ的情况的同源模型的外在年龄的感官值。外在年龄的推定采用了美容专家4名所得到的年龄推定结果的平均值。作为例子,关于9阶的基底矢量将使基底矢量的权重系数每变化1σ直至±3σ的6幅图像表示于图31(a)至(f)。图31(a)是从整体平均脸形状,以衰老前进方向(衰老倾向前进的方向)为正而将9阶的基底矢量的权重系数设为+1σ的图。如上述那样9阶主成分在负方向上越前进衰老倾向越发展。因此,通过使9阶的基底矢量的权重系数仅按-1σ发生变化,则脸形状在衰老前进方向上仅按+1σ发生变化。
图31(b)是将9阶基底矢量的权重系数在衰老前进方向上设为+2σ的图。图31(c)是同样地设为+3σ的图,是与图21(a)相同的图。图31(d)是同样地设为-1σ的图。图31(e)是同样地设为-2σ的图。图31(f)是同样地设为-3σ的图,是与图21(c)相同的图。
图32是表示使衰老印象因子(年龄增长因子)发生变化时的假想形态的年龄印象的变化的表。在使2阶、7阶、9阶、11阶的基底矢量的权重系数分别在衰老倾向上从+1σ至+3σ发生变化的情况下,外在年龄的感官值均直线地增大。相反,在-1σ至-3σ发生变化的情况下,7阶和9阶大致直线地年轻化。然而,2阶和11阶看不到年轻化的倾向。即,在本实施例中,可知7阶基底和9阶基底起到作为年龄增长方向和年轻化方向的两个方向的年龄增长因子的功能,2阶基底和11阶基底起到作为仅年龄增长方向的年龄增长因子的功能。图32的曲线的倾斜度表示使年龄增长因子的基底矢量的权重系数仅按规定量(例如1σ)发生变化的情况的外在年龄的变化量。将该倾斜度称为年龄增长系数。在脸印象分析装置100中,年龄增长系数与每个年龄增长因子的阶数相对应并存储在倾向信息存储部74。
从以上可知,关于衰老的前进方向,2阶、7阶、9阶、11阶的主成分(衰老印象轴)的基底矢量的权重系数与外在年龄的前进均是线性变化。另外,可知关于7阶和9阶,也可以通过将基底矢量的权重系数设为衰老倾向和相反符号而使外在年龄年轻化。
对每个衰老印象轴说明缓和衰老倾向的美容实施方法的例子。
2阶的主成分由于对脸的下部膨胀状况、鼻两侧的膨胀、以及鼻的下垂有贡献,因此提升颊的印象是有效的。因此,除了用美容按摩提升颊的做法以外,通过脸的上部进行显眼的化妆、或扎起头发等的头发打扮等来提升颊的印象是适合的。另外,使用遮瑕膏来隐去鼻唇沟也是有效的。因此,如前面图8所揭示的,作为2阶基底所得到的衰老倾向的缓和方法,例示了(i)强调颊上部;(ii)在脸颊涂腮红;(iii)隐去鼻唇沟;(iv)增加头发顶部的量;(v)用脸面运动提升颊;的5个美容实施方法。
另外,由于7阶的主成分赋予脸整体衰弱那样的印象,因此(i)整体明朗的化妆;(ii)将上唇涂厚等的美容实施方法是有效的。
由于9阶的主成分对眼角上方部的内下垂、以及嘴角提拉状况有贡献,因此(i)提高眼角的化妆;(ii)隐去鼻唇沟等的美容实施方法是有效的。
由于11阶的主成分缓和嘴角的凹陷,因此(i)隐去嘴角的凹陷;(ii)清楚地描绘唇的轮廓;(iii)用脸面运动拉紧表情肌肉等的美容实施方法是有效的。
作为由上述实施方式的美容信息提供方法所输出的美容信息,可以输出上述的美容实施方法。此外,也可以将对于每个被测者保有的衰老印象轴适当的毛发化妆品和化妆品的种类或产品名、或它们的使用方法或使用量等作为美容信息输出。
另外,在条件输入部30(参照图1)接受被测者的实际年龄的输入后,也可以在美容信息输出部80输出脸印象决定部60所算出的被测者的外在年龄与在上述接受的实际年龄的差分。
图33(a)至(d)是组合了多个衰老印象轴的同源模型的立体图。从这些图可知,在组合了多个衰老印象轴的情况下衰老印象更显著地前进。图33(a)是将2阶和9阶的权重系数均在衰老倾向上设为+3σ的图。图33(b)是将7阶和9阶的权重系数均在衰老倾向上设为+3σ的图。图33(c)是将2阶和11阶的权重系数均在衰老倾向上设为+3σ的图。再者,图33(d)是将2阶、7阶和11阶的权重系数均在衰老倾向上设为+3σ的图。图33(a)至(c)比图14(a)、图19(c)、图21(a)和图23(a)外在年龄更高。此外,图33(d)比图33(a)至(c)外在年龄更高。由此,可知在被测者具有多个衰老印象轴的情况下,判断为衰老倾向高是适当的。
图34是表示20多岁至60多岁的各年代的10名总体被测者保有的衰老印象轴的个数的表。图34表示了各年代的被测者具有几个2阶、7阶、9阶、11阶的主成分(衰老印象轴)。
20多岁的被测者中3名保有了各1个衰老印象轴(因子)。不存在保有2个因子以上的人。
30多岁的被测者中2名保有了各1个衰老印象轴(因子)。存在1名保有2个因子的人。
40多岁的被测者中2名保有了各1个衰老印象轴(因子)。存在2名保有2个因子的人。
50多岁的被测者中7名保有了各1个衰老印象轴(因子)。存在1名保有2个因子的人。
60多岁的被测者中3名保有了各1个衰老印象轴(因子)。存在6名保有2个因子的人。
总体50人中不存在保有3个因子以上的人。
如图34所示,若将40多岁至60多岁的被测者表现的因子的总次数进行比较,则可知年代与因子数的总次数具有正相关。该相关在20多岁和30多岁的被测者也能看到。换言之,可以因子的总次数存在随着年龄增长而单调地增加的倾向。因此,可知作为被测者的衰老判断,衰老印象轴是有效的。
此外,基于图34中40多岁以上的被测者所保有的衰老印象轴的阶数来进行簇分析。在分析中使用了沃德(Ward)法。图35是表示衰老倾向的群的表的一个例子。在脸印象分析装置100中,可以将所涉及的表预先存储在倾向信息存储部74(参照图1和图6)。脸信息决定部60基于脸成分分析部50所算出的每个特征量的表现量来判断被测者所属的衰老倾向的群。然后,可以在美容信息输出部80输出该判断结果。
即,作为由上述实施方式的美容信息提供方法输出的美容信息,可以使用基于特征(基底矢量)的贡献率的大小所选择的表示被测者所属的印象倾向的群的信息。
在图35中,作为衰老倾向的群,可以举出I型至IV型4个。I型是2阶以外的衰老印象轴表现为1σ以上的被测者所分类的群。换言之,仅7阶、9阶、11阶的主成分中的任一个以上在衰老倾向上表现为1σ以上的被测者被分类为I型。II型是仅2阶和9阶中的任一个或两者在衰老倾向上表现为1σ以上的被测者所分类的群。III型是仅2阶和7阶中的任一个或两者在衰老倾向上表现为1σ以上的被测者所分类的群。IV型是仅2阶和11阶中的任一个或两者在衰老倾向上表现为1σ以上的被测者所分类的群。
<实施例2>
除了比实施例1增加更多同源模型的数的方面以外同样地进行了总体解析模型的主成分分析。被测者总体均为日本女性,20多岁和30多岁各29名,40多岁、50多岁和60多岁各30名共计148人。通过主成分分析求出直至147阶的基底矢量。图36是表示其中直至20阶基底(省略了一部分)的贡献率和累积贡献率的表。直至20阶基底的主成分的累积贡献率超过80%,具体而言为87.3%。另外,20阶以下(具体而言为18阶以下)的各主成分的贡献率分别小于1%。
在总体解析模型的平均脸形状中,第1主成分以下,使各个权重系数发生变化来调查各主成分所归属的形状变化的特征。将1阶至36阶(省略了一部分)的主成分所归属的脸形状表示在图37。
美容专家5名看着148人的照片来推定各被测者的年龄,算出了5名推定年龄的平均值作为“外在年龄”。求出被测者的第1至第20基底的权重系数(本征值)与外在年龄的关系。图38是表示每个基底阶数的权重系数与外在年龄的单相关系数的表。将单相关系数的绝对值为0.2以上的基底判断为显著的年龄增长因子。在实施例2中,关于1阶、9阶、10阶、12阶和20阶的5个基底阶数,能够看到与外在年龄有大的相关性。另外,9阶和10阶的相关系数为负,1阶、12阶和20阶的相关系数为正。由此可知,当被测者衰老发展时,9阶和10阶的主成分在负方向上前进,而1阶、12阶和20阶的主成分在正方向上前进。
更具体而言,若1阶主成分在正方向上前进,则看到脸下面膨胀即颊的下部膨出的倾向。若9阶主成分在负方向上前进,则看到嘴角向后方拉伸,鼻宽变大,眼角下垂的倾向。若10阶主成分在负方向上前进,则看到眼窝宽度和颊宽度变窄,下颚突出的倾向。另外,与其他年龄增长因子相比,即使使10阶主成分发生变化鼻唇沟也几乎不会加深。若12阶主成分在正方向上前进,则看到嘴角向下方拉伸,鼻子变低,颚下松弛的倾向。若20阶主成分在正方向上前进,则看到鼻下伸展而上唇结节往下,眼角垂下的倾向。这些均是日本女性的衰老前进的情况下的脸的印象倾向的变化。
通过使年龄增长因子1阶、9阶、10阶、12阶和20阶主成分的权重系数在年龄增长方向或年轻化方向发生变化,从而生成使被测者解析模型或平均脸模型的脸的长相的印象倾向发生变化的印象变化图像。
在实施例2中,基于脸的印象倾向将总体分类为多个群,并且基于5个年龄增长因子的表现量(权重系数)的倾向来求出被测者所属的群。具体而言,基于年龄增长因子所涉及的权重系数的倾向的一致性而将总体分类为多个群。分类为群的具体的方法没有特别限定。作为一个例子,可以使用沃德法等的簇分析法,以5个年龄增长因子的主成分分值作为距离函数而分类为规定的群数。
在本实施例中,分类为I型至IV型4个群。
在I型中包含有总体148人中的39人(26%)的被测者,外在年龄的平均为44.7岁。I型的被测者的特征是大多均具有9阶和12阶主成分。图39(a)是I型的24岁以上且未满40岁的20人(年轻层)的平均脸形状模型的正面图。图39(b)是I型的46岁以上且未满65岁的19人(高龄阶层)的平均脸形状的正面图。
同样,图39(c)是II型的22岁以上且未满46岁的20人(年轻层),图39(d)是II型的46岁以上且未满68岁的19人(高龄层)的平均脸形状的正面图。
图39(e)是III型的21岁以上且未满47岁的20人(年轻层),图39(f)是III型的47岁以上且未满63岁的19人(高龄层)的平均脸形状的正面图。
图39(g)是IV型的23岁以上且未满46岁的20人(年轻层),图39(h)是IV型的46岁以上且未满65岁的19人(高龄层)的平均脸形状的正面图。
图40(a)至(d)是表示与I型至IV型的被测者相关的每个年龄增长因子的主成分分值的平均的表。图40(a)是表示属于I型的年轻层和高龄层共计39人所有人员(all)中的5个年龄增长因子的主成分分值的平均、与年轻层相关的主成分分值的平均值、以及与高龄层相关的主成分分值的平均值的表。其结果可知,I型的被测者的年轻层的9阶和12阶的主成分分值高,高龄层的12阶的主成分分值显著地高。关于I型的年轻层和高龄层两个集团进行F检验后,可知9阶和12阶的检验结果比0.05大。因此,可以看做这些年龄增长因子的主成分分值的分散是统计学上的等分散。在该前提下,关于年轻层和高龄层两个集团进行t检验后,可知9阶的检验结果小于0.01,在年轻层与高龄层之间有显著差异。另一方面,12阶的检验结果为0.01以上,不认为有显著差异。
图40(a)的栏外的正(+)或负(-)的符号是表示从年轻层朝向高龄层的年龄增长方向的符号。例如,说到年龄增长因子之一的9阶,通过在主成分分值的平均乘上负符号,会表现从年轻层朝向高龄层的年龄增长方向。从这些结果可知,通过属于I型的被测者所有年代共同地保有12阶主成分,且从年轻朝向高龄的年龄增长变化,从而带负符号的9阶的主成分分值从小的值(-0.708)到中程度的值(+0.206)发生变化。这里,主成分分值为小的值是指负值且绝对值为0.25以上。同样地,主成分分值为中程度的值是指绝对值小于0.25。再者,主成分分值为大的值是指正值且绝对值为0.25以上。
同样地,从图40(b)的结果可知,属于II型的被测者的10阶和20阶的主成分分值显著地大。再者,随着年龄增长变化,带负符号的10阶主成分分值从小的值(-1.200)到中程度的值(-0.169)发生变化,带正符号的20阶主成分分值从大的值(+0.406)到更大的值(+1.478)发生变化。
从图40(c)的结果可知,属于III型的被测者的9阶和10阶的主成分分值显著地大。再者,随着年龄增长变化,带负符号的9阶主成分分值从小的值(-1.004)到中程度的值(-0.151)发生变化,带负符号的10阶主成分分值从大的值(+0.456)到更大的值(+1.208)发生变化。
从图40(d)的结果可知,属于IV型的被测者的9阶的主成分分值显著地大。再者,随着年龄增长变化,带负符号的9阶主成分分值从稍微大的值(+0.440)到更大的值(+1.335)发生变化。
从以上分析结果,从I型至IV型选择任意的被测者所属的群,以将该群为总体的被测者平均示出的年龄增长变化的上述倾向适用于被测者解析模型,由此能够模拟被测者年龄增长的情况下的脸形状或使被测者年轻化的(过去的)脸形状。该模拟是基于统计上分析多个样本提供着的脸形状后的结果的模拟,可以说是模拟被测者的实际的年龄变化的盖然性高的运算。
图41(a)是表示与I型的被测者相关的每个显著的年龄增长因子的偏回归系数和常数项的表。I型的被测者的显著的年龄增长因子是9阶和12阶主成分。同样,图41(b)至(d)是表示与II型至IV型相关的每个显著的年龄增长因子的偏回归系数和常数项的表。在本实施例中,IV型的被测者的显著年龄增长因子仅为9阶,但在本说明书中不特别地区别(单)回归系数与偏回归系数。偏回归系数的有效数字的位数可以根据总体的人数等的条件来适当设定。以显著年龄增长因子的主成分分值作为说明变量,可以由使用了这些偏回归系数和常数项的多重回归式来表示目的变量即外在年龄。
回到图1,在脸印象分析装置100中,可以将这些表所示的数值(年龄增长系数)与显著年龄增长因子相对应而预先存储在倾向信息存储部74。印象变化图像生成部90以与从被测者解析模型提取的5个年龄增长因子的表现量相对应的主成分分值为距离函数,从I型至IV型选择该距离函数为最小的群。接着,印象变化图像生成部90从倾向信息存储部74取得对应于该群的显著年龄增长因子的年龄增长运算系数。于是,印象变化图像生成部90经由条件输入部30从使用者接受年龄增长幅度信息的输入。该年龄增长幅度信息是表示从现在的外在年龄加减被测者的外在年龄的年龄变化幅度的信息。年龄增长幅度信息在使外在年龄年龄增长的情况下为正值,在年轻化的情况下为负值。
印象变化图像生成部90在被测者的外在年龄加上年龄增长幅度信息,算出年龄增长变化的年龄(变化后年龄)。印象变化图像生成部90基于由年龄增长运算系数所表示的(多重)回归式,求出与该变化后年龄相对应的说明变量(显著年龄增长因子)。这里,在每个被测者所分类的I型至IV型的群中,显著年龄增长因子或其组合不同。如上述那样,I型的显著年龄增长因子为9阶和12阶,在II型中为10阶和20阶,在III型中为9阶和10阶,在IV型中仅为9阶。
印象变化图像生成部90在以与被测者所属的群相对应的显著年龄增长因子(例如,在I型中9阶和12阶2个)的主成分分值为说明变量的多重回归式中,算出解为上述所期望的变化后年龄的各说明变量。具体而言,可以算出说明变量作为各显著增长因子的权重系数bi的标准偏差的倍数。
印象变化图像生成部90对被测者解析模型,通过适用在显著年龄增长因子中由上述求出的新的权重系数bi(例如,I型的情况i=9,12:参照上述(1))来重新构建,生成印象变化图像。
再有,在上述中,说明了基于以每个I型至IV型的仅1个或2个显著年龄增长因子作为说明变量的多重回归方程,通过使该显著年龄增长因子的主成分分值发生变化来算出所期望的变化后年龄的权重系数bi。然而,本发明并不限于此。也可以基于以包含显著年龄增长因子的所有年龄增长因子(在实施例2中,1阶、9阶、10阶、12阶、20阶5个)为说明变量的多重回归式,分别算出以变化后年龄为解的主成分分值和权重系数。然后,通过变更年龄增长因子所涉及的权重系数来重新构建被测者解析模型,从而能够生成被测者的脸形状按所期望地年龄增长(或年轻化)的印象变化图像。这里,如实施例2那样,通过使仅与显著年龄增长因子相关的权重系数发生变化,从而能够适当地生成进一步残存有被测者固有且自然的脸形状的印象变化图像。
图42(a)是I型的全部被测者(外在年龄的平均:44.7岁)的平均脸形状模型的立体图。换言之,图42(a)表示了均显著具有9阶和12阶主成分的印象倾向的被测者的约45岁时的外在年龄的平均的脸形状。
图42(b)是将图42(a)的平均脸形状模型年轻化至外在年龄为30岁的状态的立体图。图42(c)是将图42(a)的平均脸形状年龄增长至外在年龄为60岁后的状态的立体图。
若将图42(b)与图42(c)进行对比,则把握基于实施例2的年龄增长倾向的运算结果。具体而言,在年轻化的图像即图42(b)的脸形状中,鼻唇沟和嘴角浅。相对于此,可知在年龄增长后的图像即图42(c)的脸形状中,鼻唇沟和嘴角深,颊的下部膨胀,而且眼角垂下。
图43(a)是属于I型的年轻层的20人的平均脸的正面图,是与图39(a)所示的平均脸模型相对应的合成写实图像。图43(b)是属于I型的高龄层的19人的平均脸的正面图,是与图39(b)所示的平均脸模型相对应的合成写实图像。年轻层的外在年龄的平均年龄为30岁,高龄层的外在年龄的平均年龄为57岁。可以说图43(a)表示了实际存在的年轻的被测者的平均的脸形状,图43(b)表示了实际存在的高龄的被测者的平均的脸形状。再者,若将图42(b)与图43(a)、以及图42(c)与图43(b)进行对比,则可知平均脸形状模型所呈现的年龄增长倾向也在实际存在的被测者呈现。具体而言,能够确认图43(a)所示的年轻的被测者的鼻唇沟和嘴角浅,图43(b)所示的高龄的被测者的鼻唇沟和嘴角深,颊的下部的膨胀和眼角下垂。
图44(a)是II型的全被测者(外在年龄的平均:42.9岁)的平均脸形状模型的立体图。换言之,图44(a)表示了均显著地具有10阶和20阶主成分的印象倾向的被测者的上述平均年龄相当时间点的平均的脸形状。
图44(b)是II型的被测者的平均脸形状模型年轻化至外在年龄约为30岁的状态的立体图。图44(c)是II型的全被测者的平均脸形状模型年龄增长至外在年龄约为60岁的状态的立体图。
图45(a)是III型的全被测者(外在年龄的平均:46.3岁)的平均脸形状模型的立体图。换言之,图45(a)表示了均显著地具有9阶和10阶主成分的印象倾向的被测者的上述平均年龄相当时间点的平均的脸形状。
图45(b)是III型的被测者的平均脸形状模型年轻化至外在年龄约为30岁的状态的立体图。图45(c)是III型的被测者的平均脸形状模型年龄增长至外在年龄约为60岁的状态的立体图。
图46(a)是IV型的全被测者(外在年龄的平均:43.6岁)的平均脸形状模型的立体图。换言之,图46(a)表示了显著地具有年龄增长因子中仅9阶主成分的印象倾向的被测者的上述平均年龄相当时间点的平均的脸形状。
图46(b)是IV型的被测者的平均脸形状模型年轻化至外在年龄约为30岁的状态的立体图。图46(c)是IV型的被测者的平均脸形状模型年龄增长至外在年龄约为60岁的状态的立体图。
与II型至IV型相关,通过与图43(a)、(b)同样地将实际存在的年轻层和高龄层的被测者的平均脸(省略图示)进行对比,确认年龄增长因子的表现量的倾向在每个群被良好地模拟。从以上可知,根据实施例2的脸图像生成方法,能够生成以高精度模拟实际存在的被测者的年龄增长或年轻化的印象变化图像。另外,在实施例2中使用外在年龄作为印象倾向,但替代此使用被测者的实际年龄也确认有同样的结果(省略图示)。
此外,生成的印象变化图像,可由美容信息输出部80(参照图1)显示输出并被提示给被测者。
若总结实施例2的结果,则确认了以下的脸图像生成方法是有效性。首先,印象倾向的程度为被测者的外在年龄或实际年龄,基于该年龄,将总体分为包含被测者的第一集团(例如年轻层)和不包含被测者的第二集团(例如高龄层)。然后,将第一权重率赋予偏向第一集团或第二集团的一者而表现的年龄增长因子(I型的情况为9阶的基底矢量),将比第一权重率小的第二权重率赋予在第一集团和第二集团两者表现的年龄增长因子(I型的情况是1阶、10阶和20阶的基底矢量)而使主成分分值(权重系数)发生变化。
这里,第一和第二权重率的大小跟图41(a)的表所示的偏回归系数的绝对值与图36所示的贡献率的积的大小相对应。即,进一步将I型至IV型的群分为年轻层和高龄层,在两年龄层的一者显著表现的因子推定为该群的支配的年龄增长因子,在该年龄增长因子设定大的权重率而生成印象变化图像。由此,能够得到以高的盖然性模拟了被测者的年龄增长或年轻化的印象变化图像。因此,当使被测者的脸形状发生变化时,优选在年轻层与高龄层的平均年龄之间的范围下进行这样。换言之,经规定量的变化后的外在年龄或实际年龄优选在第一集团(例如年轻层)的平均年龄与第二集团(例如高龄层)的平均年龄之间。由此,能够基于第一集团的平均值与第二集团的平均值的内插运算来求出按规定的年龄增长幅度年龄变化后的年龄增长因子的主成分分值。
在实施例2中,将被测者的总体分为I型至IV型的群后,进一步分为年轻层与高龄层并分析年龄增长引起的表现量的偏差,但本发明不限于此。也可以不分类为I型至IV型等的群而将总体全体分为年轻层和高龄层而分析年龄增长因子的表现量的偏差,特别指定支配的年龄增长因子。
另外,作为将被测者的总体分类为多个群,在上述实施例中使用了基于年龄增长因子的一致性的簇分析,但本发明不限于此。也可以基于被测者的脸形状的特定部位的尺寸或相对位置等的可以测量的形状的特征而将总体分类为多个群。
属于总体的一部分的被测者可以属于第一集团和第二集团两者。即,在实施例2中以46岁为界将被测者无遗漏和无重复地分类为年轻层和高龄层,但本发明不限于此。例如,也可以将第一集团设为24岁以上且50岁以下,将第二集团设为40岁以上且60岁以下。即使一部分的被测者属于两者的集团,从各群的平均脸形状的特征量的表现倾向分析年龄增长倾向的本发明的方法也不失妥当性。另外,也可将总体分为年轻层、中间层、高龄层等的三个以上的集团。再者,可以特别指定年龄增长因子中表现量从年轻层朝向中间层进一步从中间层朝向高龄层逐渐增长的因子为支配的年龄增长因子,并将抑制所涉及的因子的表现的美容实施方法或化妆品提供给被测者。或者,可以特别指定在年轻层与中间层不表现而仅在高龄层表现的年龄增长因子,并将抑制所涉及的因子的表现的美容实施方法或化妆品提供给被测者。
另外,在实施例2中在脸印象分析方法中将被测者的总体分类为多个群,但可以如实施例1所述基于被测者的脸的长相的印象倾向的程度在输出美容实施方法等的美容信息的美容信息提供方法中也同样地将总体分类为多个群。即,可以将多人的被测者的总体分类为多个群,并且基于被测者的脸的特征量的表现量求出该被测者所属的群。具体而言,可以基于与印象倾向相关性大的多阶基底矢量(年龄增长因子)所涉及的多个权重系数的倾向的一致性而将总体分类为多个群。
当提供美容信息提供方法时,可以基于与印象倾向(外在年龄)相关性大的多阶基底矢量(年龄增长因子)所涉及的多个权重系数的倾向的一致性而将总体分类为多个群,并且基于被测者的脸的特征量的表现量而求出被测者所属的群。再者,可以输出与被测者所属的群预先相对应的美容信息。在实施例1中说明了每个年龄增长因子预先对应美容信息提供方法而作为表(参照图8)预先存储,但取而代之,也可以基于年龄增长因子的表现量的倾向来分类的每个群预先对应美容实施方法而作为表(未图示)存储。
具体而言,作为改善I型至IV型的被测者的年龄增长倾向的美容信息,可以将表示包含美容成形方法、美容按摩方法、头发化妆方法、化妆方法中的任一者的美容实施方法、毛发化妆品或化妆品的信息与I型至IV型的每个群相对应而存储在倾向信息存储部74。脸印象决定部60可以基于被测者解析模型所具有的年龄增长因子的权重系数来决定被测者所属的群,再参照倾向信息存储部74,取得与其所决定的群相对应的美容信息而输出美容信息输出部80。由此,提供适于被测者所属的群的美容信息。由于属于该群的被测者们的年龄增长因子的表现倾向是共同的,因此推测抑制该年龄增长因子的美容实施方法或化妆品在这些被测者们通用且美容效果高。因此,根据所涉及的美容信息提供方法,提出了对每个被测者有效的美容实施方法或化妆品的方案。
若将图42(a)、图44(a)、图45(a)、图46(a)进行对比,则可知接近于每个群的平均年龄的45岁时的脸型没有大的差异。这意味着关于依照年龄增长因子的表现量的倾向的一致性来分类的I型至IV型,各群的被测者以当时的平均的脸形状看不到大的差异的程度充分地等分散。相对于此,若比较上述各图(b)的年轻化图像彼此则脸形状呈现差异。此外,若比较上述各图(c)的年龄增长图像彼此则显著呈现脸形状的差异。
具体而言,图42(c)的I型的年龄增长图像可知年龄增长至颊的下部膨出而下膨状态,而且嘴角向后方拉伸。因此,对于I型以在落在嘴的上部的颊施加亮度高的突显(highlight)且能看到嘴角收紧的方式涂抹彩度高的唇线等,对应对于脸的中间部至下部的美容信息来存储。
图44(c)的II型的年龄增长图像看到眼角下垂而上唇结节下垂的倾向。因此,对于II型,可以对应对于提升眉角的方式画眉等眼睛的附近的美容信息、以及对于唇线等的唇附近的美容信息来存储。
图45(c)的III型的年龄增长图像看到鼻唇沟浅但变成钓鱼眼(slanted eyes)的倾向。因此,对于III型,可以对应对于颊的突显等脸的中间部的美容信息来存储。
图46(c)的IV型的年龄增长图像看到嘴角降低,鼻唇沟深浅且眼角下垂的倾向。因此,对于IV型,可以对应对于唇线等的唇附近的美容信息、隐去法令线的遮瑕膏、提升眉角的画眉等、对于脸的全体的美容信息来存储。
I型与III型在颊的下垂这样的脸的轮廓全体的形状年龄增长变形的倾向是共同的。为了抑制所涉及的年龄增长印象,基底化妆品比彩妆化妆品更有效的方面是共同的。另一方面,II型与IV型在眼角的下垂这样的脸的部分(部分要素)的形状呈现显著的年龄增长变形的倾向是共同的。为了抑制所涉及的年龄增长印象,彩妆化妆品比基底化妆品更有效的方面是共同的。
因此,在脸印象分析装置100中,脸的轮廓全体的形状相对于年龄增长变形的倾向显著表现的群对应基底化妆品,相对于脸的部分要素的形状年龄增长变化的倾向显著表现的群对应彩妆化妆品来存储。
在实施例2中,基于年龄来将总体分为第一集团和第二集团,但本发明不限于此。作为其他的例子,也可以根据出身地域将总体分为被测者所属的第一集团和被测者不所属的第二集团。由此,能够特别地指定支配出身地域所引起的脸的长相的印象倾向的特征量(基底矢量)。然后,通过生成变更被测者解析模型中的该特征量的表现量的印象变化图像,能够推定被测者的子孙的脸形状。
<实施例3>
使用与实施例2共同的总体解析模型和主成分分析结果,分析衰老以外的脸的长相的印象倾向的程度。
美容专家5名看着148人的被测者的照片,按0~6的7个层次评价成熟脸至娃娃脸的程度。成熟脸的程度越强评价值越高,娃娃脸的程度越强评价值越低。
图47是表示每个基底阶数的权重系数与成熟脸的程度的单相关系数的表。将比5%显著性水平的界限值大的权重系数的基底阶数标注“*”,再将比1%显著性水平的界限值大的权重系数的基底阶数标注“**”。由此可知,7阶、8阶和10阶的基底阶数的表现量相对于成熟脸或娃娃脸的程度显著相关。以下,将7阶、8阶和10阶的基底阶数称为“成熟脸因子”。
图48(a)是总体全部人员中成熟脸评价值最高的10位被测者的平均脸。图48(b)是总体全部人员中成熟脸的评价值最低的即评价为最娃娃脸的10位被测者的平均脸。若将图48(a)与(b)进行对比,则可知眼睛的位置越高,颚越长,且脸越长的脸越强烈地接受成熟脸的印象。
接着,基于成熟脸因子的表现模式的相似度而将总体全部人员进行簇分析并分类为多个群。具体而言,分类为4个群(簇)。图49是分类为簇1至4的被测者的外在年龄的平均、成熟脸的程度(评价值)、与成熟脸因子的各阶数的主成分分值的平均值的对比表。
图50(a)是属于总体中的簇1的约30%的被测者的平均脸。簇1的平均脸是圆脸,眼睛的位置与全体平均脸同等。成熟脸的程度评价为普通。
图50(b)是属于总体中的簇2的约20%的被测者的平均脸。簇2的平均脸是长脸,眼睛的位置比全体平均脸位于更上方。簇2的平均脸的成熟脸的程度评价为最强。
图50(c)是属于总体中的簇3的约24%的被测者的平均脸。簇3的平均脸是长脸,眼睛的位置处于中间。成熟脸的程度评价为稍强。
图50(d)是属于总体中的簇4的约16%的被测者的平均脸。簇4的平均脸是圆脸,眼睛的位置比全体平均脸位于更下方。簇4的平均脸的成熟脸程度评价为最弱即娃娃脸。
根据本实施例,可以通过将成熟脸因子的表现量定量化,从而能够定量分析成熟脸或娃娃脸的程度作为脸的印象倾向的程度。然后,如本实施例所示,可以基于成熟脸因子的表现量将总体分类为多个簇,求出任意的被验者所属的簇。由此,实现了根据被测者所属的簇来提示用于增强还是减弱(增强娃娃脸的倾向)成熟脸的倾向的美容信息这样的美容信息提供方法。作为美容信息的一个例子,可以举出与腮红的颜色的选择或涂覆方法相关的信息。
如图49所示,成熟脸因子中特别是8阶基底在成熟脸的程度比较强的簇2和3共同且主成分分值高。因此,可以将高的权重率赋予多个成熟脸因子中的一部分的高阶因子(具体而言是8阶基底)并将比这低的权重率赋予其他因子来定量评价成熟脸和娃娃脸的程度。
在本实施例中说明了根据印象倾向的表现模式将包含被测者的总体分类为多个簇。此外,可以使被测者的脸图像中的成熟脸因子的表现量(权重系数)发生变化来生成印象变化图像。在由本实施例提供的脸图像生成方法中,基于印象倾向的程度,将总体分为包含被测者的第一集团(簇)和不包含被测者的第二集团(其他簇)。然后,可以将第一权重率赋给偏向第一集团或第二集团而表现的基底矢量,将比第一权重率小的第二权重率赋给在这些第一集团和第二集团两者表现的基底矢量而使基底矢量的权重系数发生变化。在本实施例中,可以在8阶基底的权重系数乘以比较大的第一权重率,在7阶基底和10阶基底乘以比较小的第二权重率来生成印象变化图像。
<实施例4>
使用与实施例2和实施例3共同的总体解析模型和主成分分析结果,分析衰老以外的脸的长相的印象倾向的程度。
美容专家5名看着148人的被测者的照片,按0~6的7个层次评价大脸印象至小脸印象的程度。大脸印象的程度越强评价值越高,小脸印象的程度越强评价值越低。
图51是表示每个基底阶数的权重系数与大脸印象的程度的单相关系数的表。将比5%显著性水平的界限值大的权重系数的基底阶数标注“*”,再将比1%显著性水平的界限值大的权重系数的基底阶数标注“**”。由此可知,1阶、11阶和16阶的基底阶数的表现量相对于大脸印象或小脸印象的程度显著相关。以下,将1阶、11阶和16阶的基底阶数称为“小脸因子”。
图52(a)是总体全部人员中大脸印象评价值最高的10位被测者的平均脸。图52(b)是总体全部人员中大脸印象的评价值最低的即评价为最小脸印象的10位被测者的平均脸。若将图52(a)的大脸印象的平均脸进行对比,则52(b)的小脸印象的平均脸,颚细小、下颊的膨胀小、脸为最大宽度的位置与眼睛同等。相反,图52(a)的大脸印象的平均脸,颚大、下颊的膨胀、脸为最大宽度的位置比眼睛低。
接着,基于小脸因子的表现模式的相似度而将总体全部人员进行簇分析并分类为多个群。具体而言,分类为4个群(簇)。图53是分类为簇1至4的被测者的外在年龄的平均、大脸印象的程度(评价值)、以及小脸因子的各阶数的主成分分值的平均值的对比表。
图54(a)是属于总体中的簇1的约30%的被测者的平均脸。簇1的平均脸的大小与全体平均脸同等。大脸印象评价为普通。
图54(b)是属于总体中的簇2的约26%的被测者的平均脸。簇2的平均脸与全体平均脸相比下颊要稍微更膨胀。簇2的平均脸的大脸印象评价为最强。
图54(c)是属于总体中的簇3的约24%的被测者的平均脸。簇3的平均脸与全体平均脸相比颚更小,下颊的膨胀也更小。簇3的平均脸的小脸印象评价为强。
图54(d)是属于总体中的簇4的约20%的被测者的平均脸。簇4的平均脸与全体平均脸相比下颊更膨胀。簇4的平均脸的大脸印象评价为最强。
根据本实施例,可以通过将小脸因子的表现量定量化,从而能够定量分析作为脸的印象倾向的程度的大脸印象或小脸印象的程度。然后,如本实施例所示,可以基于小脸因子的表现量将总体分类为多个簇,求出任意的被测者所属的簇。由此,实现了根据被测者所属的簇来提示用于增强小脸印象的美容信息这样的美容信息提供方法。作为美容信息的一个例子,可以举出与为了使颚线看起来尖锐而增强小脸印象而对颊或颚施加浓色的化妆化妆品和化妆方法相关的信息。
<实施例5>
使用与实施例2至实施例4共同的总体解析模型和主成分分析结果,分析衰老以外的脸的长相的印象倾向的程度。
美容专家5名看着148人的被测者的照片,按0~6的7个层次进行评价。接受眼睛越大的印象评价值越高,接受眼睛越小的印象评价值越低。
图55是表示每个基底阶数的权重系数与眼睛大小印象的程度的单相关系数的表。将比5%显著性水平的界限值大的权重系数的基底阶数标注“*”,再将比1%显著性水平的界限值大的权重系数的基底阶数标注“**”。由此可知,12阶、26阶和36阶的基底阶数的表现量相对于眼睛大小的印象的程度显著相关。以下,将12阶、26阶和36阶的基底阶数称为“眼睛的大小因子”。
图56(a)是总体全部人员中眼睛的大小的评价值最高的10位被测者的平均脸。图56(b)是总体全部人员中眼睛的大小的评价值最低的10位被测者的平均脸。若将图56(a)与(b)进行对比,则可知评价为眼睛大的图56(a)的平均脸不仅只在眼睛大,而且从脸的最大宽度的位置到眼角的宽度尺寸小。
接着,基于眼睛的大小因子的表现模式的相似度而将总体全部人员进行簇分析并分类为多个群。具体而言,分类为4个群(簇)。图57是分类为簇1至4的被测者的外在年龄的平均、眼睛大的印象(评价值)、及眼睛的大小因子的各阶数的主成分分值的平均值的对比表。
图58(a)是属于总体中的簇1的约30%的被测者的平均脸。簇1的平均脸是圆脸,是接受与全体平均脸相比眼睛更小的这种印象的脸。
图58(b)是属于总体中的簇2的约28%的被测者的平均脸。簇2的平均脸与全体平均脸是长脸,是接受与全体平均脸相比眼睛更大这种印象的脸。
图58(c)是属于总体中的簇3的约22%的被测者的平均脸。簇3的平均脸是长脸,是接受与全体平均脸相比眼睛更小这种印象的脸。
图58(d)是属于总体中的簇4的约20%的被测者的平均脸。簇4的平均脸是小脸,是接受与全体平均脸相比眼睛更大这种印象的脸。
根据本实施例,可知通过将眼睛的大小因子的表现量定量化,从而能够定量分析接受作为脸的印象倾向的程度的眼睛大这种印象的程度。然后,如本实施例所示,可以基于眼睛的大小因子的表现量将总体分类为多个簇,求出任意的被测者所属的簇。由此,实现了根据被测者所属的簇来提示用于赋予眼睛大这种印象的美容信息这样的美容信息提供方法。作为美容信息的一个例子,可以举出与眼睑膏或内线的颜色的选择或涂抹方法相关的信息。
替代上述各实施例,也可以定量评价与脸的长相相关的各种印象倾向的程度。例如作为实施例3的变形例,可以评价圆脸或脸长的程度。此外,也可以评价“男性的或女性的容貌的程度”、“东洋或西洋的容貌的程度”、“高鼻梁这样的印象的程度”等。另外,还可以定量评价与“看起来健康的脸形状的程度”、“看起来魅力的脸形状的程度”、“外观的印象良好的脸形状的程度”等脸的长相相关的感官的印象倾向的程度。将与这些印象倾向各个对应的一个或多个特征量(基底阶数)作为倾向信息PI(图5)而预先存储在倾向信息存储部74(图1)。此时,例如“看起来魅力的脸形状的程度”在强烈接受小脸印象的程度强且眼睛大这种印象的脸中变高这样的事实通过本发明人的研究而变得明了。因此,也可以基于在多个印象倾向共同的特征量(基底阶数)的表现量(权重系数),来定量评价其他印象倾向的程度。
由上述实施例及其变形例提供的美容信息提供方法中,印象倾向的程度是被测者的成熟脸或娃娃脸的程度、小脸印象的程度、圆脸或长脸的程度、或眼睛大的印象的程度。然后,输出与被测者所属的群(簇)、以及被测者不所属的其他群预先相对应的美容信息。美容信息是表示包含美容成形方法、美容按摩方法、头发化妆方法、化妆方法中的任一种的美容实施方法、毛发化妆品或化妆品的信息。
实施例2的年龄增长因子、实施例3的成熟脸因子、实施例4的小脸因子、实施例5的眼睛的大小因子分别由多个基底矢量构成。构成各个因子的至少一个基底矢量互为不同。具体而言,年龄增长因子中的9阶和20阶基底、成熟脸因子中的7阶和8阶基底、小脸因子中的11阶和16阶基底、眼睛的大小因子中的26阶和36阶基底是不包含在其他因子的唯一的基底矢量。
在由上述实施例及其变形例提供的美容信息提供方法中,可以包含将被测者的印象变化图像显示输出给被测者。此时,可以将被测者的当前的脸图像与印象变化图像进行对比并显示输出。此外,可以生成模拟将含头发化妆方法或化妆方法的不使脸表面的形状发生变化的美容实施方法适用于被测者的脸的美容模拟图像,并将该美容模拟图像与印象变化图像进行对比并显示输出。由此,能够将实施美容实施方法而引起的印象变化模拟使被测者的脸形状发生变化所引起的印象变化表示给被测者。换言之,被测者能够目视地确认与使被测者的脸形状变形为成熟脸或小脸大致同等地使印象倾向发生变化的头发化妆方法或化妆方法。
在上述实施例及其变形例中,分别评价了被测者的外在年龄或实际年龄的高低、成熟脸或娃娃脸的程度、小脸印象的程度、圆脸或长脸的程度、以及眼睛的大小的印象的程度。也可以评价这些当中多个印象倾向。即,由上述实施例提供的脸印象的分析方法和美容信息提供方法中成为对象的印象倾向的程度可以是选自被测者的外在年龄或实际年龄的高低、成熟脸或娃娃脸的程度、小脸印象的程度、圆脸或长脸的程度、以及眼睛的大小的印象的程度中的任意2个以上。然后,与这些2个以上的印象倾向的各个相对应的一个或多个特征量彼此可以包含互为不同的阶数的基底矢量。
与实施例3的成熟脸因子、实施例4的小脸因子、实施例5的眼睛的大小因子的3个印象倾向相关,构成它们的基底矢量完全不一致。因此,由上述实施例提供的脸印象分析方法和美容信息提供方法是分析2个以上的印象倾向的方法,且与至少2个印象倾向的各个相对应的一个或多个特征量彼此可以仅由互为不同的阶数的基底矢量构成。
上述实施方式和实施例公开了以下的脸印象分析方法、美容信息提供方法和脸印象分析系统的技术思想。
<1>一种脸印象分析方法,特征在于,从表示被测者的脸表面的形状的脸形状信息、以及对表示多人的总体的脸表面的三维形状的总体脸信息进行多变量分析而求出的高阶的特征量,算出所述被测者的脸的所述特征量的表现量,基于所述表现量来求出所述被测者的脸的长相的印象倾向的程度;
<2>如上述<1>所述的脸印象分析方法,其中,所述总体脸信息是相互统一了数据点数和拓扑的同源模型;
<3>如上述<2>所述的脸印象分析方法,其中,被测者的所述脸形状信息进一步是所述同源模型,对包含所述脸形状信息的所述总体脸信息进行多变量分析来算出所述被测者所涉及的所述特征量;
<4>如上述<1>或<2>所述的脸印象分析方法,其中,对不包含被测者的所述脸形状信息的所述总体脸信息进行多变量分析来求出一阶至规定阶的连续的多个特征量,通过用所述特征量及其权重系数的积和运算来再现所述被测者的所述脸形状信息来算出作为所述表现量的所述权重系数;
<5>如上述<1>至<4>中的任一项所述的脸印象分析方法,其中,所述印象倾向的程度是被测者的外在年龄、实际年龄、成熟脸或娃娃脸的程度,或小脸印象的程度;
<6>如上述<5>所述的脸印象分析方法,其中,所述印象倾向的程度是被测者的外在年龄或实际年龄,所述特征量包含与所述印象倾向相关性大的基底矢量的至少一个;
<7>如上述<1>至<6>中的任一项所述的脸印象分析方法,其特征在于,所述特征量是贡献率1%以上的基底矢量,且与所述印象倾向的相关系数比所述总体的样本数的5%显著性水平的界限值更大;
<8>如上述<1>至<7>中的任一项所述的脸印象分析方法,其中,使用接触式的三维数字转换器来取得作为所述脸形状信息的包含被测者的脸的头部的表面的三维坐标值;
<9>如上述<8>所述的脸印象分析方法,其中,使用接触式的三维数字转换器来取得与头部的表面的多个特征点相关的三维坐标值,且使用非接触式的三维测量装置来取得所述头部的表面的其他点的三维坐标值。
<10>如上述<1>至<7>中的任一项所述的脸印象分析方法,其中,就包含被测者的脸的头部进行摄影角度不同的多个二维图像的摄影,基于所述二维图像算出作为所述脸形状信息的所述头部的表面的三维坐标值;
<11>如上述<1>至<10>中的任一项所述的脸印象分析方法,其中,从所述被测者处接受所述印象倾向的选择;
<12>一种美容信息提供方法,其特征在于,是使用了上述<1>至<11>中的任一项所述的脸印象分析方法的美容信息提供方法,输出与所算出的所述表现量为规定以上的所述特征量预先相对应的美容信息;
<13>如上述<12>所述的美容信息提供方法,其中,所述美容信息是表示包含美容成形方法、美容按摩方法、头发化妆方法、化妆方法中的任一种的美容实施方法,毛发化妆品或化妆品的信息;
<14>如上述<12>或<13>所述的美容信息提供方法,其中,所述美容信息是基于所述特征量的贡献率的大小而选择的表示所述被测者所属的所述印象倾向的群的信息;
<15>一种脸印象分析装置,具备取得表示被测者的脸表面的形状的脸形状信息的脸形状取得机构、存储对表示多人的总体的脸表面的三维形状的总体脸信息进行多变量分析而求出的高阶的特征量以及表示与所述特征量相对应的脸的长相的印象倾向的倾向信息的存储机构、从所述脸形状信息和所述特征量算出所述被测者的脸的所述特征量的表现量的脸成分分析机构、以及参照所述存储机构并基于所述特征量和所述表现量而取得所述印象倾向或其程度的脸印象决定机构;
<16>一种脸印象分析系统,具备通过网络接收表示被测者的脸表面的形状的脸形状信息的接收机构、存储对表示多人的总体的脸表面的三维形状的总体脸信息进行多变量分析而求出的高阶的特征量以及表示与所述特征量相对应的脸的长相的印象倾向的倾向信息的存储机构、从所述脸形状信息和所述特征量算出所述被测者的脸的所述特征量的表现量的脸成分分析机构、参照所述存储机构并基于所述特征量和所述表现量而取得所述印象倾向或其程度的脸印象决定机构、以及通过网络发送表示所取得的所述印象倾向或其程度的输出信息的发送机构;
<17>如上述<16>所述的脸印象分析系统,还具备基于被拍摄体的摄影角度互为不同的多个二维图像来算出所述被拍摄体的三维坐标值的三维形状推定机构,所述接收机构从被测者终端接收就包含被测者的脸的头部进行摄影的摄影角度不同的多个二维图像,所述三维形状推定机构基于所述接收机构所接收的所述二维图像来算出作为所述脸形状信息的被测者的头部的表面的三维坐标值,所述脸成分分析机构基于所算出的所述脸形状信息来算出所述表现量,所述发送机构将所述输出信息发送至所述被测者的终端;
<18>如上述<17>所述的脸印象分析系统,其特征在于,所述接收机构从所述被测者终端接收所述印象倾向的选择,所述脸成分分析机构参照所述存储机构而提取与选择的所述印象倾向相对应的所述特征量,并且算出所提取的所述特征量的所述表现量,所述脸印象决定机构取得与所选择的所述印象倾向相对应的所述特征量的程度。
另外,上述实施方式和实施例公开了以下的脸图像分析方法、美容信息提供方法和脸印象分析系统的技术思想。
<1a>一种脸印象分析方法,特征在于,从表示被测者的脸表面的形状的脸形状信息、以及对表示多人的总体的脸表面的三维形状的总体脸信息进行多变量分析而求出的一个或多个特征量,算出所述被测者的脸的所述特征量的表现量,基于所述表现量求出所述被测者的脸的长相的印象倾向的程度;
<2a>如上述<1a>所述的脸印象分析方法,其中,所述总体脸信息相互是统一了数据点数和拓扑的同源模型;
<3a>如上述<1a>或<2a>所述的脸印象分析方法,其中,将所述总体分类为多个群,并且基于所述被测者的所述表现量来求出所述被测者所属的所述群;
<4a>如上述<3a>所述的脸印象分析方法,其中,基于与所述印象倾向相关性大的多阶基底矢量所涉及的多个权重系数的倾向的一致性而将所述总体分类为多个所述群;
<5a>如上述<1a>至<4a>中的任一项所述的脸印象分析方法,其中,所述印象倾向的程度是被测者的外在年龄、实际年龄、成熟脸或娃娃脸的程度,或小脸印象的程度;
<6a>如上述<4a>所述的脸印象分析方法,其中,所述印象倾向的程度是被测者的外在年龄或实际年龄,包含所述特征量与所述印象倾向相关性大的基底矢量的至少一个;
<7a>如上述<1a>至<6a>中的任一项所述的脸印象分析方法,其特征在于,所述特征量与所述印象倾向的相关系数比所述总体的样本数的5%显著性水平的界限值更大;
<8a>如上述<1a>至<7a>中的任一项所述的脸印象分析方法,其中,使用接触式的三维数字转换器来取得作为所述脸形状信息的包含被测者的脸的头部的表面的三维坐标值;
<9a>如上述<8a>所述的脸印象分析方法,其中,使用接触式的三维数字转换器来取得与头部的表面的多个特征点相关的三维坐标值,且使用非接触式的三维测量装置来取得所述头部的表面的其他点的三维坐标值。
<10a>如上述<1a>至<9a>中的任一项所述的脸印象分析方法,其中,就包含被测者的脸的头部进行摄影角度不同的多个二维图像的摄影,基于所述二维图像算出作为所述脸形状信息的所述头部的表面的三维坐标值;
<11a>如上述<2a>所述的脸印象分析方法,其中,被测者的所述脸形状信息进一步是所述同源模型,对包含所述脸形状信息的所述总体脸信息进行多变量分析来算出所述被测者所涉及的所述特征量;
<12a>如上述<1a>至<10a>中的任一项所述的脸印象分析方法,其中,对不包含被测者的所述脸形状信息的所述总体脸信息进行多变量分析而求出一阶至规定阶的连续的多个特征量,通过由所述特征量及其权重系数的积和运算再现所述被测者的所述脸形状信息,从而算出作为所述表现量的所述权重系数;
<13a>如上述<1a>至<12a>中的任一项所述的美容信息提供方法,其中,从所述被测者处接受所述印象倾向的选择;
<14a>一种美容信息提供方法,其特征在于,是使用了上述<1a>至<13a>中的任一项所述的脸印象分析方法的美容信息提供方法,输出与所算出的所述表现量为规定以上的所述特征量相对应的美容信息;
<15a>如上述<14a>所述的美容信息提供方法,其中,所述美容信息是基于所述特征量的贡献率的大小而选择的表示所述被测者所属的所述印象倾向的群的信息;
<16a>一种美容信息提供方法,其特征在于,是使用了上述<1a>至<13a>中的任一项所述的脸印象分析方法的美容信息提供方法,基于与所述印象倾向相关性大的多阶基底矢量所涉及的多个权重系数的倾向的一致性而将所述总体分类为多个群,并且基于所述被测者的所述表现量而求出所述被测者所属的所述群,输出与所述被测者所属的所述群预先相对应的美容信息。
<17a>如<14a>至<16a>中的任一项所述的美容信息提供方法,其中,所述美容信息是表示包含美容成形方法、美容按摩方法、头发化妆方法、化妆方法中的任意方法的美容实施方法,毛发化妆品或化妆品的信息;
<18a>一种脸图像生成方法,其特征在于,从表示被测者的脸表面的形状的脸形状信息、以及对表示多人的总体的脸表面的三维形状的总体脸信息进行多变量分析而求出的一个或多个特征量,算出被测者的脸的上述特征量的表现量,变更上述脸形状信息的上述表现量,基于被变更后的上述脸形状信息而生成使上述被测者的脸的长相的印象倾向发生变化的印象变化图像;
<19a>如上述<18a>所述的脸图像生成方法,其中,所述特征量包含与所述印象倾向相关性大的基底矢量的至少一个,通过以所述印象倾向的程度按规定量变化的方式使所述基底矢量的权重系数发生变化,从而变更所述脸形状信息的所述表现量;
<20a>如上述<19a>所述的脸图像生成方法,其中,所述印象倾向的程度是被测者的外在年龄或实际年龄,基于所述年龄而将所述总体分为包含所述被测者的第一集团和不包含所述被测者的第二集团,将第一权重率赋给偏向所述第一集团或所述第二集团而表现的所述基底矢量,将比第一权重率小的第二权重率赋给在这些第一集团和第二集团两者表现的基底矢量,从而使基底矢量的权重系数发生变化。
<21a>如上述<20a>所述的脸图像生成方法,其中,按所述规定量变化后的所述年龄是所述第一集团的平均年龄和所述第二集团的平均年龄之间的值。
<22a>如<19a>至<21a>中的任一项所述的脸图像生成方法,其中,基于与所述印象倾向相关性大的多阶基底矢量所涉及的多个权重系数的倾向的一致性而将所述总体分类为多个群,并且基于所述被测者的所述表现量而求出所述被测者所属的所述群,使所述被测者所属的所述群中与所述印象倾向相关性大的所述基底矢量的权重系数发生变化。
<23a>一种脸印象分析装置,具备取得表示被测者的脸表面的形状的脸形状信息的脸形状取得机构、存储对表示多人的总体的脸表面的三维形状的总体脸信息进行多变量分析而求出的一个或多个特征量、以及表示与所述特征量相对应的脸的长相的印象倾向的倾向信息的存储机构、从所述脸形状信息和所述特征量算出所述被测者的脸的所述特征量的表现量的脸成分分析机构、以及参照所述存储机构并基于所述特征量和所述表现量而取得所述印象倾向或其程度的脸印象决定机构;
<24a>一种脸印象分析系统,具备通过网络接收表示被测者的脸表面的形状的脸形状信息的接收机构、存储对表示多人的总体的脸表面的三维形状的总体脸信息进行多变量分析而求出的一个或多个特征量以及表示与所述特征量相对应的脸的长相的印象倾向的倾向信息的存储机构、从所述脸形状信息和所述特征量算出所述被测者的脸的所述特征量的表现量的脸成分分析机构、参照所述存储机构并基于所述特征量和所述表现量而取得所述印象倾向或其程度的脸印象决定机构、以及通过网络发送表示所取得的所述印象倾向或其程度的输出信息的发送机构;
<25a>如上述<24a>所述的脸印象分析系统,还具备基于被拍摄体的摄影角度互为不同的多个二维图像来算出所述被拍摄体的三维坐标值的三维形状推定机构,所述接收机构从被测者终端接受就包含被测者的脸的头部进行摄影的摄影角度不同的多个二维图像,所述三维形状推定机构基于所述接收机构所接收的所述二维图像来算出作为所述脸形状信息的被测者的头部的表面的三维坐标值,所述脸成分分析机构基于所算出的所述脸形状信息来算出所述表现量,所述发送机构将所述输出信息发送至所述被测者终端。
<26a>如上述<25a>所述的脸印象分析系统,其特征在于,所述接收机构从所述被测者终端接收所述印象倾向的选择,所述脸成分分析机构参照所述存储机构而提取与选择的所述印象倾向相对应的所述特征量,并且算出所提取的所述特征量的所述表现量,所述脸印象决定机构取得与所选择的所述印象倾向相对应的所述特征量的程度。
另外,上述实施方式和实施例公开了以下的脸印象分析方法、美容信息提供方法和脸印象分析系统的技术思想。
<1b>如上述<1a>所述的脸印象分析方法,其中,所述特征量包含与所述印象倾向相关性大的二阶以上的基底矢量的至少一个;
<2b>如上述<1a>至<4a>或<1b>中的任一项所述的脸印象分析方法,其中,所述印象倾向的程度是被测者的外在年龄或实际年龄的高低;
<3b>如上述<1a>至<4a>或<1b>中的任一项所述的脸印象分析方法,其中,所述印象倾向的程度是被测者的成熟脸或娃娃脸的程度、小脸印象的程度、圆脸或长脸的程度、或眼睛的大小的印象的程度;
<4b>如上述<1b>所述的脸印象分析方法,其中,所述印象倾向的程度是选自被测者的外在年龄或实际年龄的高低、成熟脸或娃娃脸的程度、小脸印象的程度、圆脸或长脸的程度、以及眼睛的大小的印象的程度中的任意2个以上,与所述2个以上的印象倾向的各个相对应的一个或多个所述特征量彼此包含互为不同的阶数的基底矢量;
<5b>如上述<4b>所述的脸印象分析方法,其中,与所述2个以上的印象倾向的各个相对应的一个或多个特征量彼此仅由互为不同的阶数的基底矢量构成;
<6b>如上述<15a>或<16a>所述的美容信息提供方法,其中,所述印象倾向的程度是被测者的成熟脸或娃娃脸的程度、小脸印象的程度、圆脸或长脸的程度、或眼睛的大小的印象的程度,输出与所述被测者所属的所述群以及所述被测者不所属的其他的所述群预先相对应的美容信息;
<7b>如上述<18a>所述的脸图像生成方法,其中,所述特征量包含从由所述多变量分析求出的多个基底矢量提取的与所述印象倾向相关性大的二阶以上的基底矢量的至少一个,通过以所述印象倾向的程度按规定量变化的方式使所述基底矢量的权重系数发生变化来变更所述脸形状信息的所述表现量;
<8b>如上述<23a>所述的脸印象分析装置,其中,所述特征量包含从由所述多变量分析求出的多个基底矢量提取的与所述印象倾向相关性大的二阶以上的基底矢量的至少一个,通过以所述印象倾向的程度按规定量变化的方式使所述基底矢量的权重系数发生变化来变更所述脸形状信息的所述表现量;
<9b>如上述<24a>至<26a>中的任一项所述的脸印象分析系统,其中,所述特征量包含从由所述多变量分析求出的多个基底矢量提取的与所述印象倾向相关性大的基底矢量的至少一个,通过以所述印象倾向的程度按规定量变化的方式使所述基底矢量的权重系数发生变化来变更所述脸形状信息的所述表现量;
<10b>如上述<18a>至<22a>或<7b>中的任一项所述的脸图像生成方法,其中,所述印象倾向的程度是被测者的成熟脸或娃娃脸的程度、小脸印象的程度、圆脸或长脸的程度、或眼睛的大小的印象的程度;
<11b>如上述<7b>所述的脸图像生成方法,其中,所述印象倾向的程度是选自被测者的外在年龄或实际年龄的高低、成熟脸或娃娃脸的程度、小脸印象的程度、圆脸或长脸的程度、以及眼睛的大小的印象的程度中的任意2个以上,与所述2个以上的印象倾向的各个相对应的一个或多个所述特征量彼此包含互为不同的阶数的基底矢量;
<12b>如上述<11b>所述的脸图像生成方法,其中,与至少2个所述印象倾向的各个相对应的一个或多个所述特征量彼此仅由互为不同的阶数的基底矢量构成;
<13b>如上述<23a>所述的脸印象分析装置,其中,所述总体脸信息是相互统一了数据点数和拓扑的同源模型;
<14b>如上述<23a>或<13b>所述的脸印象分析装置,其中,所述存储机构将所述总体分类为多个群来存储,所述脸印象决定机构基于所述被测者的所述表现量而决定所述被测者所属的所述群;
<15b>如上述<14b>所述的脸印象分析装置,其中,所述存储机构存储基于与所述印象倾向相关性大的多阶基底矢量所涉及的多个权重系数的倾向的一致性而分类的多个所述群;
<16b>如上述<23a>或<13b>至<15b>中的任一项所述的脸印象分析装置,其中,所述印象倾向的程度是被测者的外在年龄或实际年龄的高低;
<17b>如上述<23a>或<13b>至<15b>中的任一项所述的脸印象分析装置,其中,所述印象倾向的程度是被测者的成熟脸或娃娃脸的程度、小脸印象的程度、圆脸或长脸的程度、或眼睛的大小的印象的程度;
<18b>如上述<8b>所述的脸印象分析装置,其中,所述印象倾向的程度是选自被测者的外在年龄或实际年龄的高低、成熟脸或娃娃脸的程度、小脸印象的程度、圆脸或长脸的程度、以及眼睛的大小的印象的程度中的任意2个以上,与所述2个以上的印象倾向的各个相对应的一个或多个所述特征量彼此包含互为不同的阶数的基底矢量;
<19b>如上述<18b>所述的脸印象分析装置,其中,与所述2个以上的所述印象倾向的各个相对应的一个或多个所述特征量彼此仅由互为不同的阶数的基底矢量构成;
<20b>如上述<23a>或<13b>至<19b>中的任一项所述的脸印象分析装置,其特征在于,所述脸印象决定机构基于与所述印象倾向的相关系数比所述总体的样本数的5%显著性水平的界限值更大的所述特征量,来取得所述印象倾向或其程度;
<21b>如上述<23a>或<13b>至<20b>中的任一项所述的脸印象分析装置,其中,还包含取得作为所述脸形状信息的包含被测者的脸的头部的表面的多个特征点的三维坐标值的接触式的三维数字转换器;
<22b>如上述<21b>所述的脸印象分析装置,其中,还包含取得所述头部的表面的其他点的三维坐标值的非接触式的三维测量装置;
<23b>如上述<23a>或<13b>至<22b>中的任一项所述的脸印象分析装置,其中,还包含基于就包含被测者的脸的头部进行摄影的摄影角度互为不同的多个二维图像的摄影,算出作为所述脸形状信息的所述头部的表面的三维坐标值的三维形状推定机构;
<24b>如上述<13b>所述的脸印象分析装置,其中,被测者的所述脸形状信息进一步是所述同源模型,所述脸成分分析机构对包含所述脸形状信息的所述总体脸信息进行多变量分析来算出所述被测者所涉及的所述特征量;
<25b>如上述<23a>或<13b>至<23b>中的任一项所述的脸印象分析装置,其中,所述脸成分分析机构对不包含被测者的所述脸形状信息的所述总体脸信息进行多变量分析而求出一阶至规定阶的连续的多个特征量,通过由所述特征量及其权重系数的积和运算再现所述被测者的所述脸形状信息,从而算出作为所述表现量的所述权重系数;
<26b>如上述<23a>或<13b>至<25b>中的任一项所述的脸印象分析装置,其中,还具备从所述被测者处接受所述印象倾向的选择的条件输入机构;
<27b>如上述<10b>至<12b>中的任一项所述的脸印象分析方法,其中,基于所述印象倾向的程度而将所述总体分为包含所述被测者的第一集团和不包含所述被测者的第二集团,将第一权重率赋给偏向所述第一集团或所述第二集团而表现的所述基底矢量,将比第一权重率小的第二权重率赋给在所述第一集团和所述第二集团两者表现的所述基底矢量而使所述权重系数发生变化。
<28b>如上述<18a>至<22a>、<7b>或<10b>至<12b>中的任一项所述的脸图像生成方法,其中,将被测者的脸图像与所述印象变化图像进行对比并显示输出;
<29b>一种美容信息提供方法,是使用了上述<28b>所述的脸图像生成方法的美容信息提供方法,生成模拟了将包含头发化妆方法或化妆方法并不使被测者的脸表面的形状发生变化的美容实施方法适用于被测者的脸的状态的美容模拟图像,并将所述美容模拟图像与所述印象变化图像进行对比并显示输出。
Claims (30)
1.一种脸印象分析方法,特征在于,
从表示被测者的脸表面的形状的脸形状信息、以及对表示多人的总体的脸表面的三维形状的总体脸信息进行多变量分析而求出的一个或多个特征量,算出所述被测者的脸的所述特征量的表现量,
基于所述表现量来求出所述被测者的脸的长相的印象倾向的程度。
2.如权利要求1所述的脸印象分析方法,其特征在于,
所述总体脸信息是相互统一了数据点数和拓扑的同源模型。
3.如权利要求1或2所述的脸印象分析方法,其特征在于,
将所述总体分类为多个群,并且基于所述被测者的所述表现量来求出所述被测者所属的所述群。
4.如权利要求3所述的脸印象分析方法,特征在于,
基于与所述印象倾向相关性大的多阶基底矢量所涉及的多个权重系数的倾向的一致性,而将所述总体分类为多个所述群。
5.如权利要求1至4中的任一项所述的脸印象分析方法,其特征在于,
所述特征量包含从由所述多变量分析求出的多个基底矢量提取的与所述印象倾向相关性大的二阶以上的基底矢量的至少一个。
6.如权利要求1至5中的任一项所述的脸印象分析方法,其特征在于,
所述印象倾向的程度是被测者的外在年龄或实际年龄的高低。
7.如权利要求1至5中的任一项所述的脸印象分析方法,其特征在于,
所述印象倾向的程度是被测者的成熟脸或娃娃脸的程度、小脸印象的程度、圆脸或长脸的程度、或眼睛的大小的印象的程度。
8.如权利要求5所述的脸印象分析方法,其特征在于,
所述印象倾向的程度是选自被测者的外在年龄或实际年龄的高低、成熟脸或娃娃脸的程度、小脸印象的程度、圆脸或长脸的程度、以及眼睛的大小的印象的程度中的任意2个以上,
与所述2个以上的印象倾向的各个相对应的一个或多个所述特征量彼此包含互为不同的阶数的基底矢量。
9.如权利要求8所述的脸印象分析方法,其特征在于,
与至少2个所述印象倾向的各个相对应的一个或多个所述特征量彼此仅由互为不同的阶数的基底矢量构成。
10.如权利要求1至9中的任一项所述的脸印象分析方法,其特征在于,
所述特征量与所述印象倾向的相关系数比所述总体的样本数的5%显著性水平的界限值大。
11.如权利要求1至10中的任一项所述的脸印象分析方法,其特征在于,
使用接触式的三维数字转换器来取得作为所述脸形状信息的包含被测者的脸的头部的表面的三维坐标值。
12.如权利要求11所述的脸印象分析方法,其特征在于,
使用所述接触式的三维数字转换器来取得与头部的表面的多个特征点相关的三维坐标值,且使用非接触式的三维测量装置来取得所述头部的表面的其他点的三维坐标值。
13.如权利要求1至12中的任一项所述的脸印象分析方法,其特征在于,
就包含被测者的脸的头部进行摄影角度不同的多个二维图像的摄影,基于所述二维图像算出作为所述脸形状信息的所述头部的表面的三维坐标值。
14.如权利要求2所述的脸印象分析方法,其特征在于,
被测者的所述脸形状信息进一步是所述同源模型,对包含所述脸形状信息的所述总体脸信息进行多变量分析来算出所述被测者所涉及的所述特征量。
15.如权利要求1至13中的任一项所述的脸印象分析方法,其特征在于,
对不包含被测者的所述脸形状信息的所述总体脸信息进行多变量分析而求出一阶至规定阶的连续的多个特征量,通过由所述特征量及其权重系数的积和运算再现所述被测者的所述脸形状信息,从而算出作为所述表现量的所述权重系数。
16.如权利要求1至15中的任一项所述的脸印象分析方法,其特征在于,
从所述被测者处接受所述印象倾向的选择。
17.一种美容信息提供方法,其特征在于,
是使用了权利要求1至16中的任一项所述的脸印象分析方法的美容信息提供方法,
输出与算出的所述表现量为规定以上的所述特征量预先相对应的美容信息。
18.如权利要求17所述的美容信息提供方法,其特征在于,
所述美容信息是基于所述特征量的贡献率的大小而选择的表示所述被测者所属的所述印象倾向的群的信息。
19.一种美容信息提供方法,其特征在于,
是使用了权利要求1至16中的任一项所述的脸印象分析方法的美容信息提供方法,
基于与所述印象倾向相关性大的多阶基底矢量所涉及的多个权重系数的倾向的一致性而将所述总体分类为多个群,并且基于所述被测者的所述表现量而求出所述被测者所属的所述群,
输出与所述被测者所属的所述群预先相对应的美容信息。
20.如权利要求18或19所述的美容信息提供方法,其特征在于,
所述印象倾向的程度是被测者的成熟脸或娃娃脸的程度、小脸印象的程度、圆脸或长脸的程度、或眼睛的大小的印象的程度,
输出与所述被测者所属的所述群以及所述被测者不所属的其他的所述群预先相对应的美容信息。
21.如权利要求17至20中的任一项所述的美容信息提供方法,其特征在于,
所述美容信息是表示包含美容成形方法、美容按摩方法、头发化妆方法、化妆方法中的任一种的美容实施方法、毛发化妆品或化妆品的信息。
22.一种脸图像生成方法,其特征在于,
从表示被测者的脸表面的形状的脸形状信息、以及对表示多人的总体的脸表面的三维形状的总体脸信息进行多变量分析而求出的一个或多个特征量,算出所述被测者的脸的所述特征量的表现量,
变更所述脸形状信息的所述表现量,
基于被变更后的所述脸形状信息而生成使所述被测者的脸的长相的印象倾向发生变化的印象变化图像。
23.如权利要求22所述的脸图像生成方法,其特征在于,
所述特征量包含从由所述多变量分析求出的多个基底矢量中提取的与所述印象倾向相关性大的二阶以上的基底矢量的至少一个,通过以所述印象倾向的程度仅按规定量变化的方式使所述基底矢量的权重系数发生变化,从而变更所述脸形状信息的所述表现量。
24.如权利要求23所述的脸图像生成方法,其特征在于,
所述印象倾向的程度是被测者的外在年龄或实际年龄,
基于所述年龄而将所述总体分为包含所述被测者的第一集团和不包含所述被测者的第二集团,
将第一权重率赋给偏向所述第一集团或所述第二集团的一者而表现的所述基底矢量,将比所述第一权重率小的第二权重率赋给在所述第一集团和所述第二集团两者中表现的所述基底矢量而使所述权重系数发生变化。
25.如权利要求24所述的脸图像生成方法,其特征在于,
仅按所述规定量变化后的所述年龄是所述第一集团的平均年龄和所述第二集团的平均年龄之间的值。
26.如权利要求23至25中的任一项所述的脸图像生成方法,其特征在于,
基于与所述印象倾向相关性大的多阶基底矢量所涉及的多个权重系数的倾向的一致性而将所述总体分类为多个群,并且基于所述被测者的所述表现量而求出所述被测者所属的所述群,
使所述被测者所属的所述群中与所述印象倾向相关性大的所述基底矢量的权重系数发生变化。
27.一种脸印象分析装置,其特征在于,
具备:
脸形状取得机构,取得表示被测者的脸表面的形状的脸形状信息;
存储机构,存储对表示多人的总体的脸表面的三维形状的总体脸信息进行多变量分析而求出的一个或多个的特征量、以及表示与所述特征量相对应的脸的长相的印象倾向的倾向信息;
脸成分分析机构,从所述脸形状信息和所述特征量算出所述被测者的脸的所述特征量的表现量;以及
脸印象决定机构,参照所述存储机构,并基于所述特征量和所述表现量而取得所述印象倾向或其程度。
28.一种脸印象分析系统,其特征在于,
具备:
接收机构,通过网络接收表示被测者的脸表面的形状的脸形状信息;
存储机构,存储对表示多人的总体的脸表面的三维形状的总体脸信息进行多变量分析而求出的高阶的特征量以及表示与所述特征量相对应的脸的长相的印象倾向的倾向信息;
脸成分分析机构,从所述脸形状信息和所述特征量算出所述被测者的脸的所述特征量的表现量;
脸印象决定机构,参照所述存储机构并基于所述特征量和所述表现量而取得所述印象倾向或其程度;以及
发送机构,通过网络发送表示所取得的所述印象倾向或其程度的输出信息。
29.如权利要求28所述的脸印象分析系统,其特征在于,
还具备基于被拍摄体的摄影角度互为不同的多个二维图像来算出所述被拍摄体的三维坐标值的三维形状推定机构,
所述接收机构从被测者终端接受就包含被测者的脸的头部进行摄影的摄影角度不同的多个二维图像,
所述三维形状推定机构基于所述接收机构所接收的所述二维图像来算出作为所述脸形状信息的被测者的头部的表面的三维坐标值,
所述脸成分分析机构基于所算出的所述脸形状信息来算出所述表现量,所述发送机构将所述输出信息发送至所述被测者终端。
30.如权利要求28所述的脸印象分析系统,其特征在于,
所述接收机构从所述被测者终端接收所述印象倾向的选择,
所述脸成分分析机构提取与参照所述存储机构而选择的所述印象倾向相对应的所述特征量,并且算出所提取的所述特征量的所述表现量,
所述脸印象决定机构取得与所选择的所述印象倾向相对应的所述特征量的程度。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011-151289 | 2011-07-07 | ||
JP2011151289 | 2011-07-07 | ||
JP2012019529 | 2012-02-01 | ||
JP2012-019529 | 2012-02-01 | ||
PCT/JP2012/004404 WO2013005447A1 (ja) | 2011-07-07 | 2012-07-06 | 顔印象分析方法、美容カウンセリング方法および顔画像生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103649987A true CN103649987A (zh) | 2014-03-19 |
CN103649987B CN103649987B (zh) | 2018-05-25 |
Family
ID=47436809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201280033752.7A Active CN103649987B (zh) | 2011-07-07 | 2012-07-06 | 脸印象分析方法、美容信息提供方法和脸图像生成方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US9330298B2 (zh) |
EP (1) | EP2731072A4 (zh) |
JP (1) | JP5231685B1 (zh) |
CN (1) | CN103649987B (zh) |
WO (1) | WO2013005447A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104952106A (zh) * | 2014-03-31 | 2015-09-30 | 特里库比奇有限公司 | 用于提供虚拟整形手术社交网络服务的方法和装置 |
CN107125904A (zh) * | 2016-02-29 | 2017-09-05 | 松下知识产权经营株式会社 | 图像处理装置以及图像处理方法 |
CN107578625A (zh) * | 2017-08-22 | 2018-01-12 | 青海省交通科学研究院 | 一种基于多维矢量相关性的车型分类方法及装置 |
CN108093284A (zh) * | 2017-09-15 | 2018-05-29 | 孙凤兰 | 信息输入方式选择系统 |
CN111274423A (zh) * | 2018-12-05 | 2020-06-12 | 富士施乐株式会社 | 信息处理装置、记录媒体及信息处理方法 |
CN113377020A (zh) * | 2021-05-10 | 2021-09-10 | 深圳数联天下智能科技有限公司 | 设备控制方法、装置、设备及存储介质 |
US11564638B1 (en) | 2016-04-11 | 2023-01-31 | Pricewaterhousecoopers Llp | System and method for physiological health simulation |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2953090A4 (en) * | 2013-02-01 | 2016-05-25 | Panasonic Ip Man Co Ltd | MAKEUP AID, MAKEUP AID, MAKEUP ASSISTANCE AND MAKEUP ASSISTANCE |
GB201302194D0 (en) * | 2013-02-07 | 2013-03-27 | Crisalix Sa | 3D platform for aesthetic simulation |
WO2014144275A2 (en) | 2013-03-15 | 2014-09-18 | Skin Republic, Inc. | Systems and methods for specifying and formulating customized topical agents |
US9477330B2 (en) * | 2013-11-05 | 2016-10-25 | Microsoft Technology Licensing, Llc | Stylus tilt tracking with a digitizer |
US20170177927A1 (en) * | 2014-02-17 | 2017-06-22 | Nec Solution Innovators, Ltd. | Impression analysis device, game device, health management device, advertising support device, impression analysis system, impression analysis method, and program recording medium |
WO2015125759A1 (ja) * | 2014-02-24 | 2015-08-27 | 花王株式会社 | 加齢分析方法及び加齢分析装置 |
CN104408417A (zh) * | 2014-11-25 | 2015-03-11 | 苏州福丰科技有限公司 | 基于三维人脸局部特征匹配的超市预付费支付方法 |
JP6886773B2 (ja) * | 2015-03-31 | 2021-06-16 | ポーラ化成工業株式会社 | 顔の見た目印象の決定部位の抽出方法、顔の見た目印象の決定因子の抽出方法、顔の見た目印象の鑑別方法 |
JP6934632B2 (ja) * | 2016-01-22 | 2021-09-15 | パナソニックIpマネジメント株式会社 | メイクトレンド分析装置、メイクトレンド分析方法、およびメイクトレンド分析プログラム |
CA3015492C (en) | 2016-03-21 | 2021-11-23 | The Procter & Gamble Company | Systems and methods for providing customized product recommendations |
CA2933799A1 (en) * | 2016-06-21 | 2017-12-21 | John G. Robertson | System and method for automatically generating a facial remediation design and application protocol to address observable facial deviations |
JP7074422B2 (ja) * | 2016-11-02 | 2022-05-24 | 花王株式会社 | 加齢分析方法 |
US10614623B2 (en) | 2017-03-21 | 2020-04-07 | Canfield Scientific, Incorporated | Methods and apparatuses for age appearance simulation |
US10621771B2 (en) | 2017-03-21 | 2020-04-14 | The Procter & Gamble Company | Methods for age appearance simulation |
JP6849825B2 (ja) | 2017-05-31 | 2021-03-31 | ザ プロクター アンド ギャンブル カンパニーThe Procter & Gamble Company | 見掛け肌年齢を判定するためのシステム及び方法 |
CN110678875B (zh) | 2017-05-31 | 2023-07-11 | 宝洁公司 | 用于引导用户拍摄自拍照的系统和方法 |
CN108399379B (zh) * | 2017-08-11 | 2021-02-12 | 北京市商汤科技开发有限公司 | 用于识别面部年龄的方法、装置和电子设备 |
CN110096936B (zh) * | 2018-01-31 | 2023-03-03 | 伽蓝(集团)股份有限公司 | 评估眼部表观年龄、眼部衰老程度的方法及其应用 |
US10395436B1 (en) | 2018-03-13 | 2019-08-27 | Perfect Corp. | Systems and methods for virtual application of makeup effects with adjustable orientation view |
WO2020014695A1 (en) | 2018-07-13 | 2020-01-16 | Shiseido Americas Corporation | System and method for adjusting custom topical agents |
CN110599639B (zh) * | 2019-08-13 | 2021-05-07 | 深圳市天彦通信股份有限公司 | 身份验证方法及相关产品 |
TW202122040A (zh) * | 2019-12-09 | 2021-06-16 | 麗寶大數據股份有限公司 | 臉部肌肉狀態分析與評價方法 |
CN111008971B (zh) * | 2019-12-24 | 2023-06-13 | 天津工业大学 | 一种合影图像的美学质量评价方法及实时拍摄指导系统 |
CN113850708A (zh) * | 2020-06-28 | 2021-12-28 | 华为技术有限公司 | 交互方法、交互装置、智能镜子 |
WO2023210341A1 (ja) * | 2022-04-25 | 2023-11-02 | 株式会社資生堂 | 顔分類方法、装置、およびプログラム |
CN117745036B (zh) * | 2024-02-18 | 2024-04-30 | 四川金投科技股份有限公司 | 一种基于特征识别及近场通信的牲畜信息管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060257041A1 (en) * | 2005-05-16 | 2006-11-16 | Fuji Photo Film Co., Ltd. | Apparatus, method, and program for image processing |
JP4481142B2 (ja) * | 2004-10-22 | 2010-06-16 | 花王株式会社 | 顔形状分類方法および顔形状評価方法および顔形状評価装置 |
CN101751551A (zh) * | 2008-12-05 | 2010-06-23 | 比亚迪股份有限公司 | 一种基于图像的人脸识别方法、装置、系统及设备 |
WO2011017653A1 (en) * | 2009-08-07 | 2011-02-10 | Google Inc. | Facial recognition with social network aiding |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3054301B2 (ja) * | 1993-11-30 | 2000-06-19 | キヤノン株式会社 | 画像処理方法及び装置 |
EP0641993B1 (en) | 1993-09-03 | 1999-06-30 | Canon Kabushiki Kaisha | Shape measuring apparatus |
JP4349720B2 (ja) | 2000-05-23 | 2009-10-21 | ポーラ化成工業株式会社 | 加齢パターンの鑑別方法 |
JP3920747B2 (ja) | 2002-09-04 | 2007-05-30 | 株式会社国際電気通信基礎技術研究所 | 画像処理装置 |
WO2006022977A2 (en) * | 2004-07-23 | 2006-03-02 | Digimarc Corporation | Facial database methods and systems |
JP4682373B2 (ja) | 2005-11-01 | 2011-05-11 | 株式会社国際電気通信基礎技術研究所 | 顔画像合成装置、顔画像合成方法および顔画像合成プログラム |
JP2008171074A (ja) | 2007-01-09 | 2008-07-24 | National Institute Of Advanced Industrial & Technology | 三次元形状モデル生成装置、三次元形状モデル生成方法、コンピュータプログラム、及び三次元形状モデル生成システム |
JP2009054060A (ja) | 2007-08-29 | 2009-03-12 | Kao Corp | 顔の形状評価方法 |
JP5905702B2 (ja) | 2011-10-18 | 2016-04-20 | 花王株式会社 | 顔印象判定チャート |
-
2012
- 2012-07-06 EP EP12806872.3A patent/EP2731072A4/en not_active Ceased
- 2012-07-06 CN CN201280033752.7A patent/CN103649987B/zh active Active
- 2012-07-06 WO PCT/JP2012/004404 patent/WO2013005447A1/ja active Application Filing
- 2012-07-06 JP JP2012558097A patent/JP5231685B1/ja active Active
- 2012-07-06 US US14/131,374 patent/US9330298B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4481142B2 (ja) * | 2004-10-22 | 2010-06-16 | 花王株式会社 | 顔形状分類方法および顔形状評価方法および顔形状評価装置 |
US20060257041A1 (en) * | 2005-05-16 | 2006-11-16 | Fuji Photo Film Co., Ltd. | Apparatus, method, and program for image processing |
CN101751551A (zh) * | 2008-12-05 | 2010-06-23 | 比亚迪股份有限公司 | 一种基于图像的人脸识别方法、装置、系统及设备 |
WO2011017653A1 (en) * | 2009-08-07 | 2011-02-10 | Google Inc. | Facial recognition with social network aiding |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104952106A (zh) * | 2014-03-31 | 2015-09-30 | 特里库比奇有限公司 | 用于提供虚拟整形手术社交网络服务的方法和装置 |
CN107125904A (zh) * | 2016-02-29 | 2017-09-05 | 松下知识产权经营株式会社 | 图像处理装置以及图像处理方法 |
CN107125904B (zh) * | 2016-02-29 | 2021-01-29 | 松下知识产权经营株式会社 | 图像处理装置以及图像处理方法 |
US11564638B1 (en) | 2016-04-11 | 2023-01-31 | Pricewaterhousecoopers Llp | System and method for physiological health simulation |
US11564637B1 (en) | 2016-04-11 | 2023-01-31 | Pricewaterhousecoopers Llp | System and method for physiological health simulation |
US11564636B1 (en) | 2016-04-11 | 2023-01-31 | Pricewaterhousecoopers Llp | System and method for physiological health simulation |
CN107578625A (zh) * | 2017-08-22 | 2018-01-12 | 青海省交通科学研究院 | 一种基于多维矢量相关性的车型分类方法及装置 |
CN108093284A (zh) * | 2017-09-15 | 2018-05-29 | 孙凤兰 | 信息输入方式选择系统 |
CN111274423A (zh) * | 2018-12-05 | 2020-06-12 | 富士施乐株式会社 | 信息处理装置、记录媒体及信息处理方法 |
CN113377020A (zh) * | 2021-05-10 | 2021-09-10 | 深圳数联天下智能科技有限公司 | 设备控制方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2013005447A1 (ja) | 2015-02-23 |
EP2731072A4 (en) | 2015-03-25 |
EP2731072A1 (en) | 2014-05-14 |
JP5231685B1 (ja) | 2013-07-10 |
US20140226896A1 (en) | 2014-08-14 |
US9330298B2 (en) | 2016-05-03 |
WO2013005447A1 (ja) | 2013-01-10 |
CN103649987B (zh) | 2018-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103649987A (zh) | 脸印象分析方法、美容信息提供方法和脸图像生成方法 | |
CN104203043B (zh) | 化妆辅助装置及化妆辅助方法 | |
CN101341507B (zh) | 面部分类方法以及面部分类装置 | |
US20080240489A1 (en) | Feature Change Image Creation Method, Feature Change Image Creation Device, and Feature Change Image Creation Program | |
TWI780919B (zh) | 人臉影像的處理方法、裝置、電子設備及儲存媒體 | |
CN110717418A (zh) | 一种喜好情感自动识别方法及系统 | |
CN109891519A (zh) | 信息处理装置、信息处理方法和程序 | |
Dantcheva et al. | Female facial aesthetics based on soft biometrics and photo-quality | |
Lanitis et al. | Towards automatic face identification robust to ageing variation | |
JP3920747B2 (ja) | 画像処理装置 | |
JP5035524B2 (ja) | 顔画像の合成方法及び合成装置 | |
JP5651385B2 (ja) | 顔評価方法 | |
Sharma et al. | Comparative analysis of CycleGAN and AttentionGAN on face aging application | |
CN108717730B (zh) | 一种3d人物重建的方法及终端 | |
JP2017120595A (ja) | 化粧料の塗布状態の評価方法 | |
Bastanfard et al. | Toward E-appearance of human face and hair by age, expression and rejuvenation | |
US11354844B2 (en) | Digital character blending and generation system and method | |
Fang et al. | Facial makeup transfer with GAN for different aging faces | |
JP2007175484A (ja) | 顔分類方法、顔分類装置、分類マップ、顔分類プログラム、及び該プログラムが記録された記録媒体 | |
Nunnari et al. | Generation of virtual characters from personality traits | |
JP7095849B1 (ja) | アイウェア仮想試着システム、アイウェア選定システム、アイウェア試着システムおよびアイウェア分類システム | |
CN106030659B (zh) | 增龄分析方法及增龄分析装置 | |
CN113947520A (zh) | 一种基于生成对抗网络实现人脸妆容转换的方法 | |
JP2022078936A (ja) | 肌画像分析方法 | |
JP6320844B2 (ja) | パーツの影響度に基づいて感情を推定する装置、プログラム及び方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |