CN108629338B - 一种基于lbp和卷积神经网络的人脸美丽预测方法 - Google Patents
一种基于lbp和卷积神经网络的人脸美丽预测方法 Download PDFInfo
- Publication number
- CN108629338B CN108629338B CN201810614292.6A CN201810614292A CN108629338B CN 108629338 B CN108629338 B CN 108629338B CN 201810614292 A CN201810614292 A CN 201810614292A CN 108629338 B CN108629338 B CN 108629338B
- Authority
- CN
- China
- Prior art keywords
- lbp
- image
- neural network
- layer
- convolutional neural
- 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.)
- Expired - Fee Related
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 79
- 230000003796 beauty Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000011176 pooling Methods 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 101150082661 MFM1 gene Proteins 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000001815 facial effect Effects 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于LBP和卷积神经网络的人脸美丽预测方法,通过将LBP纹理图像与R、G、B三通道图像融合后的特征图输入到构建的卷积神经网络模型CNN中训练,并输入代表皮肤颜色信息的RGB图像对网络进行微调,得到训练好的人脸美丽预测模型;将需要预测的人脸图像输入训练好的人脸美丽预测模型,输出人脸美丽预测评分;发明利用卷积神经网络来提取人脸美丽特征,能够从数据中学习到有效的美丽特征表达,采用R、G、B三通道图像和LBP纹理图像结合的方法训练CNN模型,从而提高人脸美丽预测的精度;本发明能够提取到更深层次的表观特征,综合利用人脸肤色、纹理、颜色信息去优化人脸美丽预测模型,得到更准确的人脸美丽表达,提高了人脸美丽的预测精度。
Description
技术领域
本发明涉及一种图像处理技术领域,尤其是一种基于LBP和卷积神经网络的人脸美丽预测方法。
背景技术
人脸作为人的一种自然属性,其具有很强的稳定性和个体差异性,而且是人最基本的象征,对于一个人最初的印象是基于人脸,而且人们对其最基本的判断是漂不漂亮,爱美之心,人皆有之,然而如何评价一张人脸图像的美丽程度是一个抽象的问题。评价人脸的美丽程度很有可能受到主观因素的影响,不同人,不同种族都有不同的评价标准。
一些学者已经开始用计算机对人脸美丽进行较为客观的评价。目前,用于人脸美丽研究的方法主要有以下几种:
1、基于几何特征,在人脸图像上提取许多有意义的特征点,计算感兴趣特征点之间的几何距离以及由这些距离所构成的比率矢量,然后将几何距离和比率矢量作为特征进行机器学习。
2、基于表观特征,表观特征是指以人脸整体外貌特征为研究对象,采用特征脸、纹理特征等初级特征来表征人脸美丽信息。
3、基于深度学习的层次特征,对低层次的简单特征进行非线性映射,得到高层次的抽象特征。
然而,人脸平面图像单纯用几何特征进行描述会丢失诸如肌肉的起伏、五官部位的结构转折等表征人脸美丽的特征信息,而且人脸特征点的检测在训练阶段需由人工标注训练样本,但过多主观因素介入容易导致所获结果没有普适性,甚至当待标注图像数目庞大时,令到人工介入非常繁琐。
人脸美丽很大程度上取决于人脸的各局部结构和轮廓信息,而基于表观特征没有涉及更具有结构性、层次性的表达,它属于人脸的浅层特征的范畴。
利用深度学习来进行人脸美丽预测,可以学习到深层次的特征表达,但它提取的是全局特征,而忽略了人脸的局部信息,因此,它的泛化能力不强。
发明内容
针对现有技术的不足,本发明提供一种基于LBP和卷积神经网络的人脸美丽预测方法,通过针对每个颜色通道信息,分区域提取纹理特征,并通过LBP和卷积神经网络相结合,进一步提高预测结果。
本发明的技术方案为:一种基于LBP和卷积神经网络的人脸美丽预测方法,包括以下步骤:
1)、训练卷积神经网络模型CNN
1a)、采集人脸图像作为训练图像,并对训练图像中的每张人脸图像进行预处理,得到大小为144×144的RGB彩色图像I0=[R,G,B];
1b)、对RGB彩色图像I0=[R,G,B]的R、G、B三个通道分别使用LBP算子处理,得到每个通道的LBP纹理图像I1=LBP(I0)=[RLBP,GLBP,BLBP];
1c)、将LBP纹理图像I1=LBP(I0)=[RLBP,GLBP,BLBP]与RGB彩色图像I0的R、G、B三通道图像进行通道融合,得到融合后的特征图I2=[R,G,B,RLBP,GLBP,BLBP];
1d)、构建1个由4个卷积层、4个池化层、2个全连接层和输出层构成的卷积神经网络模型CNN;
1e)、将融合后的特征图I2输入到步骤1d)构建的卷积神经网络模型中进行训练,并输入代表皮肤颜色信息的RGB图像对网络进行微调,得到训练好的人脸美丽预测模型;
2)、利用卷积神经网络模型对人脸图像进行预测:
2a)、利用步骤1a)-1c)的方法对需要人脸美丽预测图像进行预处理,得到预处理后的人脸图像I3;
2b)、将预处理后的人脸图像输入到训练好的人脸美丽预测模型进行预测,并输出人脸美丽评分。
进一步的,步骤1a)中,训练图像具有5类美丽评分,其中,1表示极不具有吸引力,2表示不具有吸引力,3表示一般,4表示较有吸引力,5表示极有吸引力。
进一步的,步骤1a)中,预处理具体为:检测人脸图像左右眼睛中心像素点位置,并计算左右眼睛中心像素点连线与水平线的夹角,进行水平对齐,再把两眼的中心像素点与嘴巴中心点像素固定为48个像素,计算出图像的缩放比例,进行尺度归一化,然后进行裁剪,最终得到尺寸为144×144的RGB彩色图像I0。
进一步的,步骤1b)中,LBP算子处理具体为:
1b1)、在图像局部的一个3×3邻域中,以此邻域的中心像素值为阈值,将该邻域内的8个像素值依次与中心像素的灰度值进行比较,如果邻域内的某像素值大于中心像素值,则将其置为1,反之置为0,即:
1b2)、然后将局部邻域内的8个像素点通过比较后产生的“0”和“1”二进制数按一定的顺序连接起来,将这些二进制数转化为十进制数,计算得到每个像素点对应的LBP值,可视化后得到LBP纹理图像I1。
进一步的,步骤1c)中,将LBP纹理图像I1与RGB三通道图像进行融合是将R、G、B三通道图像与LBP纹理图像在通道上进行拼接,得到融合后的图像I2。
进一步的,步骤1d)中,4个卷积层分别为第一卷积层Conv1、第二卷积层Conv2、第三卷积层Conv3、第四卷积层Conv4,并且第一卷积层Conv1、第二卷积层Conv2、第三卷积层Conv3、第四卷积层Conv4分别包含96、192、256、384个特征图,卷积核大小分别为9×9、5×5、5×5、4×4,卷积步长均为1,每个卷积层后面都跟着MFM激活函数。
进一步的,步骤1d)中,4个池化层的核大小均为2×2,步长为2,均为最大池化。
进一步的,步骤1d)中,第一个全连接层Fc1包含512个神经元,第二个全连接层Fc2包含5个神经元,并采用softmax函数作为网络的损失函数。
进一步的,步骤1d)中,第一层全连接层的输出后加Dropout层,dropout_ratio设置为0.75。
进一步的,步骤1e)中,训练过程如下:
1e1)、将融合后的128×128通道图输入卷积神经网络模型CNN的第一个卷积层Conv1,经过96个卷积核大小9×9对图像进行卷积操作,得到96个120×120的特征图F1;
1e2)、利用卷积神经网络模型CNN的第一个激活层MFM1,对卷积特征图F1进行非线性转换,得到48个120×120的激活特征图F2;
1e3)、利用卷积神经网络模型CNN的第一个池化层Pooling1,对激活特征图F2进行下采样,得到48个60×60的池化特征图F3;
1e4)、对卷积神经网络模型CNN的第二个卷积层、激活和池化层结构到第四个卷积层、激活和池化层结构重复步骤1e1)-1e3),得到192个更深层次、更高层次的5×5特征图F4;
1e5)、利用卷积神经网络模型CNN的第一个全连接层Fc1,对步骤1e4)中得到的特征图F4进行特征映射,得到一维人脸特征向量V1;
1e6)、为了避免出现过拟合现象,在第一个全连接层的输出后加Dropout层,dropout_ratio设置为0.75,然后输入到第二个全连接层Fc2,得到向量V2;
1e7)、将V2输入卷积神经网络模型CNN的softmax函数进行训练;
1e8)、将代表皮肤颜色信息的RGB图像作为输入对网络进行微调,得到训练好的人脸美丽预测模型。
本发明的有益效果为:
1、本发明利用卷积神经网络来提取人脸美丽特征,能够从数据中学习到有效的美丽特征表达,采用R、G、B三通道图像和LBP纹理图像结合的方法训练CNN模型,弥补了CNN只能提取全局特征,而忽略了局部信息的问题,以此提高CNN的泛化能力,从而提高人脸美丽预测的精度;
2、本发明与用传统方法提取人脸几何特征相比,能够提取到更深层次的表观特征,得到更准确的人脸美丽表达,从而获得比传统人脸几何特征更好的预测效果;
3、从心理学角度考虑,综合利用人脸肤色、纹理、颜色信息去优化人脸美丽预测模型,采用R、G、B三通道图像和LBP纹理图像结合的方法训练CNN模型,并且利用代表人脸颜色信息的RGB图像作为输入去微调网络,以此提高人脸美丽的预测精度。
附图说明
图1为本发明的流程示意图;
图2为本发明卷积神经网络模型CNN的结构示意图;
图3为本发明脸美丽预测模型的训练流程示意图;
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
如图1所示,一种基于LBP和卷积神经网络的人脸美丽预测方法,包括以下步骤:
1)、训练卷积神经网络模型CNN
1a)、采集具有美丽评分的人脸图像作为训练图像,其中,1表示极不具有吸引力,2表示不具有吸引力,3表示一般,4表示较有吸引力,5表示极有吸引力,该评分由N个志愿者对M张图像进行人脸美丽度打分,最后每张图像得到的平均分作为该图像的美丽标准;
并对训练图像中的每张人脸图像进行预处理,得到大小为144×144的RGB彩色图像I0=[R,G,B],具体为:
预处理具体为:检测人脸图像左右眼睛中心像素点位置,并计算左右眼睛中心像素点连线与水平线的夹角,进行水平对齐,再把两眼的中心像素点与嘴巴中心点像素固定为48个像素,计算出图像的缩放比例,进行尺度归一化,然后进行裁剪,最终得到尺寸为144×144的RGB彩色图像I0=[R,G,B];
1b)、对RGB彩色图像I0=[R,G,B]的R、G、B三个通道分别使用LBP算子处理,得到每个通道的LBP纹理图像I1=LBP(I0)=[RLBP,GLBP,BLBP];
1c)、将LBP纹理图像I1=LBP(I0)=[RLBP,GLBP,BLBP]与RGB彩色图像I0的R、G、B三通道图像进行通道融合,得到融合后的特征图I2=[R,G,B,RLBP,GLBP,BLBP];
1d)、构建1个由4个卷积层、4个池化层、2个全连接层和输出层构成的卷积神经网络模型CNN,其结构如图2所示;
其中,4个卷积层分别为第一卷积层Conv1、第二卷积层Conv2、第三卷积层Conv3、第四卷积层Conv4,并且第一卷积层Conv1、第二卷积层Conv2、第三卷积层Conv3、第四卷积层Conv4分别包含96、192、256、384个特征图,卷积核大小分别为9×9、5×5、5×5、4×4,卷积步长均为1,每个卷积层后面都跟着MFM激活函数;
4个池化层的核大小均为2×2,步长为2,均为最大池化;
2个全连接层分别为第一全连接层Fc1、第二全连接层Fc2,其中,第一个全连接层Fc1包含512个神经元,第二个全连接层Fc2包含5个神经元,并采用softmax函数作为网络的损失函数;
并且在第一层全连接层的输出后加Dropout层,dropout_ratio设置为0.75;
1e)、将融合后的特征图I2输入到步骤1d)构建的卷积神经网络模型中进行训练,并输入代表皮肤颜色信息的RGB图像对网络进行微调,得到训练好的人脸美丽预测模型,如图3所示,具体训练过程如下:
1e1)、将融合后的128×128通道图输入卷积神经网络模型CNN的第一个卷积层Conv1,经过96个卷积核大小9×9对图像进行卷积操作,得到96个120×120的特征图F1;
1e2)、利用卷积神经网络模型CNN的第一个激活层MFM1,对卷积特征图F1进行非线性转换,得到48个120×120的激活特征图F2;
1e3)、利用卷积神经网络模型CNN的第一个池化层Pooling1,对激活特征图F2进行下采样,得到48个60×60的池化特征图F3;
1e4)、对卷积神经网络模型CNN的第二个卷积层、激活和池化层结构到第四个卷积层、激活和池化层结构重复步骤1e1)-1e3),得到192个更深层次、更高层次的5×5特征图F4;
1e5)、利用卷积神经网络模型CNN的第一个全连接层Fc1,对步骤1e4)中得到的特征图F4进行特征映射,得到一维人脸特征向量V1;
1e6)、为了避免出现过拟合现象,在第一个全连接层的输出后加Dropout层,dropout_ratio设置为0.75,然后输入到第二个全连接层Fc2,得到向量V2;
1e7)、将V2输入卷积神经网络模型CNN的softmax函数进行训练;
1e8)、将代表皮肤颜色信息的RGB图像作为输入对网络进行微调,得到训练好的人脸美丽预测模型;
2)、利用卷积神经网络模型对人脸图像进行预测:
2a)、利用步骤1a)-1c)的方法对需要人脸美丽预测图像进行预处理,得到预处理后的人脸图像I3;
2b)、将预处理后的人脸图像输入到训练好的人脸美丽预测模型进行预测,并输出人脸美丽评分。
进一步的,步骤1b)中,LBP算子处理具体为:
1b1)、在图像局部的一个3×3邻域中,以此邻域的中心像素值为阈值,将该邻域内的8个像素值依次与中心像素的灰度值进行比较,如果邻域内的某像素值大于中心像素值,则将其置为1,反之置为0,即:
1b2)、然后将局部邻域内的8个像素点通过比较后产生的“0”和“1”二进制数按一定的顺序连接起来,将这些二进制数转化为十进制数,计算得到每个像素点对应的LBP值,可视化后得到LBP纹理图像I1。
进一步的,步骤1c)中,将LBP纹理图像I1与RGB三通道图像进行融合是将R、G、B三通道图像与LBP纹理图像在通道上进行拼接,,得到融合后的图像I2。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (9)
1.一种基于LBP和卷积神经网络的人脸美丽预测方法,其特征在于,包括以下步骤:
1)、训练卷积神经网络模型CNN:
1a)、采集人脸图像作为训练图像,并对训练图像中的每张人脸图像进行预处理,得到大小为144×144的RGB彩色图像I0=[R,G,B];
1b)、对RGB彩色图像I0=[R,G,B]的R、G、B三个通道分别使用LBP算子处理,得到每个通道的LBP纹理图像I1=LBP(I0)=[RLBP,GLBP,BLBP];
1c)、将LBP纹理图像I1=LBP(I0)=[RLBP,GLBP,BLBP]与RGB彩色图像I0的R、G、B三通道图像进行通道融合,得到融合后的特征图I2=[R,G,B,RLBP,GLBP,BLBP];
1d)、构建1个由4个卷积层、4个池化层、2个全连接层和输出层构成的卷积神经网络模型CNN;
1e)、将融合后的特征图I2输入到步骤1d)构建的卷积神经网络模型中进行训练,并输入代表皮肤颜色信息的RGB图像对网络进行微调,得到训练好的人脸美丽预测模型;
所述的人脸美丽预测模型训练过程如下:
1e1)、将融合后的128×128通道图输入卷积神经网络模型CNN的第一个卷积层Conv1,经过96个卷积核大小9×9对图像进行卷积操作,得到96个120×120的特征图F1;
1e2)、利用卷积神经网络模型CNN的第一个激活层MFM1,对卷积特征图F1进行非线性转换,得到48个120×120的激活特征图F2;
1e3)、利用卷积神经网络模型CNN的第一个池化层Pooling1,对激活特征图F2进行下采样,得到48个60×60的池化特征图F3;
1e4)、对卷积神经网络模型CNN的第二个卷积层、激活和池化层结构到第四个卷积层、激活和池化层结构重复步骤1e1)-1e3),得到192个更深层次、更高层次的5×5特征图F4;
1e5)、利用卷积神经网络模型CNN的第一个全连接层Fc1,对步骤1e4)中得到的特征图F4进行特征映射,得到一维人脸特征向量V1;
1e6)、为了避免出现过拟合现象,在第一个全连接层的输出后加Dropout层,dropout_ratio设置为0.75,然后输入到第二个全连接层Fc2,得到向量V2;
1e7)、将V2输入卷积神经网络模型CNN的softmax函数进行训练;
1e8)、将代表皮肤颜色信息的RGB图像作为输入对网络进行微调,得到训练好的人脸美丽预测模型;
2)、利用卷积神经网络模型对人脸图像进行预测:
2a)、利用步骤1a)-1c)的方法对需要人脸美丽预测图像进行预处理,得到预处理后的人脸图像I3;
2b)、将预处理后的人脸图像输入到训练好的人脸美丽预测模型进行预测,并输出人脸美丽评分。
2.根据权利要求1所述的一种基于LBP和卷积神经网络的人脸美丽预测方法,其特征在于:步骤1a)中,训练图像具有5类美丽评分,其中,1表示极不具有吸引力,2表示不具有吸引力,3表示一般,4表示较有吸引力,5表示极有吸引力。
3.根据权利要求1所述的一种基于LBP和卷积神经网络的人脸美丽预测方法,其特征在于:步骤1a)中,预处理具体为:检测人脸图像左右眼睛中心像素点位置,并计算左右眼睛中心像素点连线与水平线的夹角,进行水平对齐,再把两眼的中心像素点与嘴巴中心点像素固定为48个像素,计算出图像的缩放比例,进行尺度归一化,然后进行裁剪,最终得到尺寸为144×144的RGB彩色图像I0。
4.根据权利要求1所述的一种基于LBP和卷积神经网络的人脸美丽预测方法,其特征在于:步骤1b)中,LBP算子处理具体为:
1b1)、在图像局部的一个3×3邻域中,以此邻域的中心像素值为阈值,将该邻域内的8个像素值依次与中心像素的灰度值进行比较,如果邻域内的某像素值大于中心像素值,则将其置为1,反之置为0,即:
1b2)、然后将局部邻域内的8个像素点通过比较后产生的“0”和“1”二进制数按一定的顺序连接起来,将这些二进制数转化为十进制数,计算得到每个像素点对应的LBP值,可视化后得到LBP纹理图像I1。
5.根据权利要求1所述的一种基于LBP和卷积神经网络的人脸美丽预测方法,其特征在于:步骤1c)中,将LBP纹理图像I1与RGB三通道图像进行融合是将R、G、B三通道图像与LBP纹理图像在通道上进行拼接,得到融合后的图像I2。
6.根据权利要求1所述的一种基于LBP和卷积神经网络的人脸美丽预测方法,其特征在于:步骤1d)中,4个卷积层分别为第一卷积层Conv1、第二卷积层Conv2、第三卷积层Conv3、第四卷积层Conv4,并且第一卷积层Conv1、第二卷积层Conv2、第三卷积层Conv3、第四卷积层Conv4分别包含96、192、256、384个特征图,卷积核大小分别为9×9、5×5、5×5、4×4,卷积步长均为1,每个卷积层后面都跟着MFM激活函数。
7.根据权利要求1所述的一种基于LBP和卷积神经网络的人脸美丽预测方法,其特征在于:步骤1d)中,4个池化层的核大小均为2×2,步长为2,均为最大池化。
8.根据权利要求1所述的一种基于LBP和卷积神经网络的人脸美丽预测方法,其特征在于:步骤1d)中,第一个全连接层Fc1包含512个神经元,第二个全连接层Fc2包含5个神经元,并采用softmax函数作为网络的损失函数。
9.根据权利要求1所述的一种基于LBP和卷积神经网络的人脸美丽预测方法,其特征在于:步骤1d)中,第一层全连接层的输出后加Dropout层,dropout_ratio设置为0.75。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810614292.6A CN108629338B (zh) | 2018-06-14 | 2018-06-14 | 一种基于lbp和卷积神经网络的人脸美丽预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810614292.6A CN108629338B (zh) | 2018-06-14 | 2018-06-14 | 一种基于lbp和卷积神经网络的人脸美丽预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629338A CN108629338A (zh) | 2018-10-09 |
CN108629338B true CN108629338B (zh) | 2021-10-19 |
Family
ID=63691438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810614292.6A Expired - Fee Related CN108629338B (zh) | 2018-06-14 | 2018-06-14 | 一种基于lbp和卷积神经网络的人脸美丽预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629338B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300170B (zh) * | 2018-10-18 | 2022-10-28 | 云南大学 | 肖像照片光影传递方法 |
EP3890591A4 (en) * | 2018-12-04 | 2022-08-10 | Jiang, Ruowei | AUTOMATIC IMAGE-BASED SKIN DIAGNOSTICS USING DEEP LEARNING |
CN109993803A (zh) * | 2019-02-25 | 2019-07-09 | 复旦大学 | 城市色调的智能分析与评价方法 |
CN110163080B (zh) * | 2019-04-02 | 2024-08-02 | 腾讯科技(深圳)有限公司 | 人脸关键点检测方法及装置、存储介质和电子设备 |
CN110472489B (zh) * | 2019-07-05 | 2023-05-05 | 五邑大学 | 一种人脸美丽等级预测方法、装置及存储介质 |
CN110570479B (zh) * | 2019-09-03 | 2022-03-18 | 云南白药集团健康产品有限公司 | 一种图像处理方法、装置及系统 |
CN110619598B (zh) * | 2019-09-03 | 2023-04-18 | 云南白药集团健康产品有限公司 | 一种图像处理方法、装置及系统 |
CN110705407B (zh) | 2019-09-20 | 2022-11-15 | 五邑大学 | 基于多任务迁移的人脸美丽预测方法及装置 |
CN110827260B (zh) * | 2019-11-04 | 2023-04-21 | 燕山大学 | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 |
CN111126240B (zh) * | 2019-12-19 | 2023-04-07 | 西安工程大学 | 一种三通道特征融合人脸识别方法 |
CN110991412A (zh) * | 2019-12-20 | 2020-04-10 | 北京百分点信息科技有限公司 | 人脸识别的方法、装置、存储介质及电子设备 |
CN111832435A (zh) | 2020-06-24 | 2020-10-27 | 五邑大学 | 基于迁移与弱监督的美丽预测方法、装置及存储介质 |
CN113436281B (zh) * | 2021-06-16 | 2022-07-12 | 中国电子科技集团公司第五十四研究所 | 一种融合lbp特征的遥感图像样本处理方法 |
CN114898424B (zh) * | 2022-04-01 | 2024-04-26 | 中南大学 | 一种基于双重标签分布的轻量化人脸美学预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971137A (zh) * | 2014-05-07 | 2014-08-06 | 上海电力学院 | 基于结构性稀疏特征学习的三维动态人脸表情识别方法 |
CN104850825A (zh) * | 2015-04-18 | 2015-08-19 | 中国计量学院 | 一种基于卷积神经网络的人脸图像颜值计算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150071547A1 (en) * | 2013-09-09 | 2015-03-12 | Apple Inc. | Automated Selection Of Keeper Images From A Burst Photo Captured Set |
-
2018
- 2018-06-14 CN CN201810614292.6A patent/CN108629338B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971137A (zh) * | 2014-05-07 | 2014-08-06 | 上海电力学院 | 基于结构性稀疏特征学习的三维动态人脸表情识别方法 |
CN104850825A (zh) * | 2015-04-18 | 2015-08-19 | 中国计量学院 | 一种基于卷积神经网络的人脸图像颜值计算方法 |
Non-Patent Citations (3)
Title |
---|
A study for facial beauty prediction model;Junying Gan et al;《2015 International Conference on Wavelet Analysis and Pattern Recognition (ICWAPR)》;20150715;第8-13页 * |
基于深度学习的人脸美丽预测模型及其应用;姜开永 等;《五邑大学学报(自然科学版)》;20180531;第32卷(第2期);第45-51页 * |
基于轻量级卷积神经网络的人脸美丽预测;甘俊英 等;《五邑大学学报(自然科学版)》;20170831;第31卷(第3期);第43-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108629338A (zh) | 2018-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629338B (zh) | 一种基于lbp和卷积神经网络的人脸美丽预测方法 | |
CN109919830B (zh) | 一种基于美学评价的带参考人眼图像修复方法 | |
CN110175251A (zh) | 基于语义对抗网络的零样本草图检索方法 | |
CN103761536B (zh) | 基于无监督最优美丽特征和深度评价模型的人脸美化方法 | |
CN109815826A (zh) | 人脸属性模型的生成方法及装置 | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
CN104268593A (zh) | 一种小样本情况下多稀疏表示的人脸识别方法 | |
CN106778852A (zh) | 一种修正误判的图像内容识别方法 | |
CN108595558B (zh) | 一种数据均衡策略和多特征融合的图像标注方法 | |
CN111062260B (zh) | 一种面部整容推荐方案自动生成方法 | |
CN107169508A (zh) | 一种基于融合特征的旗袍图像情感语义识别方法 | |
CN111028319A (zh) | 一种基于面部运动单元的三维非真实感表情生成方法 | |
CN110046544A (zh) | 基于卷积神经网络的数字手势识别方法 | |
CN111241963A (zh) | 基于交互建模的第一人称视角视频交互行为识别方法 | |
CN110610138A (zh) | 一种基于卷积神经网络的面部情感分析方法 | |
CN115457183A (zh) | 序列化草图生成与重建模型训练方法、重建方法及装置 | |
CN116386102A (zh) | 一种基于改进残差卷积网络inception块结构的人脸情绪识别方法 | |
CN106203448A (zh) | 一种基于非线性尺度空间的场景分类方法 | |
CN112116669A (zh) | 一种基于颜色和谐和平面构成的图像美学预测方法 | |
CN112163605A (zh) | 一种基于生成注意力网络的多域图像翻译方法 | |
CN109165551B (zh) | 一种自适应加权融合显著性结构张量和lbp特征的表情识别方法 | |
CN116244464A (zh) | 一种基于多模态数据融合的手绘图像实时检索方法 | |
Cai et al. | Real-time leaf recognition method based on image segmentation and feature extraction | |
CN115359562A (zh) | 基于卷积神经网络的手语字母拼写识别方法 | |
CN110796150B (zh) | 一种基于情感显著性区域检测的图片情感识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211019 |
|
CF01 | Termination of patent right due to non-payment of annual fee |