基于深度卷积神经网络的颜值计算研究
目前颜值采用的特征主要为几何特征，并没有考虑到人脸的皮肤纹理、装饰、表情等影响颜值的因素，针对如何有效地表达颜值特征这个难题，本文分析了浅层颜值特征与深层颜值特征，在基于深度卷积神经网络的颜值计算框架下，提出了基于人脸相似度检索策略的颜值分类方法与基于颜值CNN特征与几何特征池的颜值分类方法，两种方法取得了较好的分类效果。本文的主要工作包括： 1）人脸相似度CNN网络。基于maxout网络构建了含有人脸识别监督信号与人脸验证监督信号的人脸相似度CNN网络，并加入了人脸对齐、人脸多区域特征提取技巧，使用整理后的大样本数据训练CNN网络，在LFW上达到了97.25％的人脸验证精度。 2）根据相似度高的人脸之间的颜值也是高度相似的这个先验条件，提出基于人脸相似度检索策略的颜值分类方法，距离度量采用欧几里得距离，图像特征采用人脸相似度CNN特征，由于相似度越高的颜值类标号对于评估颜值更有意义，计算检索得到的人脸在颜值分类中的所占的权重，并通过颜值类标号的期望确定待测的颜值类别，在创建的人脸样本集上取得了较好的分类性能。 3）深度特征与浅层特征融合，提出了基于颜值CNN特征与几何特征池的人脸颜值分类方法。以人脸颜值分类作为监督信号，对人脸相似度CNN网络进行微调。在传统人脸几何特征的基础上，构建了人脸几何特征池。通过实验分析，颜值CNN特征与几何特征池融合得到的新特征表达能力强，兼顾了人脸五官的协调比例表达与颜值更高层次的语义表达，是颜值较好的特征。
颜值计算;深度卷积神经网络;几何特征;人脸相似度检索策略
中国计量大学
硕士
模式识别与智能系统
郑恩辉
2016
中文
TP391.41
69
2017-06-16（万方平台首次上网日期，不代表论文的发表时间）