基于支持向量回归的人脸评价系统的设计与实现【文献综述】.doc

1、毕业设计（论文）文献综述院 系： 计算机与信息工程学院年级专业： 网络工程姓 名：学 号：基于支持向量回归的人脸评价系统的设计及实现文献综述1基于支持向量回归的人脸评价系统的设计与实现文献综述【内容摘要】：随着人们生活水平的提高，越来越多人开始注重对美的追求以及对外貌的需求，甚至出现“外貌协会”这样一个庞大群体。但是因为环境和主观意识的影响，每个人的审美观念都或多或少有所不同，正所谓“一千个读者就有一千个哈姆雷特”，所以究竟怎么样的脸才算是美的呢？这大概很难说清楚。而人脸评价系统正是通过各种数据进行统计和处理，以一定的标准较为客观的对人脸做出评价。【关键词】：人脸美丽评分、特征点、delaun

2、ay 三角剖分、人工智能导言随着计算机科学的日益发展，人脸美学的研究也从认知心理学角度的研究发展到应用人工智能对人脸美学进行研究。本课题所设计与实现的基于支持向量回归的人脸评价系统能较为客观的对人脸进行评价从而计算出所输入人脸的美丽得分。已经有心理学研究表明人的面貌美遵循一定的客观规律，从而建立一个依据人脸的生物特征来对人脸美学模型进行分析和研究是可行的。人脸评价系统是根据输入的人脸图片，用户手动调整系统数据标记点和人脸五官包括眉毛脸型等位置，拟用 Delaunay 三角剖分算法提取人脸特征后，通过支持向量回归算法（SVR 分类器），来判定人脸是否好看。通过大量的实验数据，训练模型，使最后的评

3、价结果无尽趋近与普通人脑。1.课题背景美是人类所广泛感知的一个概念,而其中人脸美是最能给人带来心灵的愉悦的美之一。但是美丽又是主观认识，所以人脸的美丽吸引力虽然容易感知,但却很难定义。人脸美丽评价的关键是人脸检测，而人脸检测问题最初来源于人脸识别。对于人脸识别的研究其实可以追溯到 20 世纪 60-70 年代，经过几十年的曲折发展被应用到各种领域并且已日趋成熟。人脸检测作为自动人脸识别系统中的一个关键环节，也是我们的课题所要研究的一个重点，但是早期的人脸识别研究主要针对具有较强约束条件的人脸图像，如无背景的图像等，并且往往是假设人脸位置已知或很容易获得的情况，因此早期人脸检测问题并未受到重视.

4、近几年随着电子商基于支持向量回归的人脸评价系统的设计及实现文献综述2务等应用的发展，人脸识别成为最有潜力的生物身份验证手段之一，这种应用背景要求自动人脸识别系统能够对一般环境图像具有一定的鉴别和适应能力。由此所面临的一系列问题使得人脸检测开始作为一个独立的课题受到研究者的重视，如今，人脸检测的应用场景已经远远超出了人脸识别系统的范畴，在基于内容的检索、数字视频处理、视觉监测等方面都有着重要的应用价值。2.人脸美丽评价的发展认知心理学近年来大量研究实验发现人们对于什么脸是美的存在着高度的一致性,这种高度的一致与文化、种族、年龄、性别无关。 由于美丽和吸引力在我们每天日常生活中的切实存在以及它不容

5、回避的对人们的重大影响,因此关于美丽吸引力的研究受到了自古以来的哲学家还有科学家们的广泛重视和不断发展。尽管在计算机及信息处理学科利用图像处理、人工智能及机器学习等方法来进行较客观的人脸美丽评价的研究报道并不多,但最近几年来已经开始受到不少学者的重视。目前，国外对人脸检测问题的研究较多。其中比较著名的有 MIT、CMU 等，而国内的清华大学、北京工业大学、中国科学院计算技术研究所和中国科学院自动化研究所等也都有人员从事人脸检测相关的研究。而且，MPEG7 标准组织已经建立了人脸识别草案小组，将人脸检测算法也作为一项征集的内容。随着人脸检测研究的深入，国际上发表的有关论文数量也大幅度增长，在 I

6、EEE 的 FG、ICIP、CVPR 等重要国际会议上每年都有大量关于人脸检测的论文，占有关人脸研究论文综述的近1/3 之多，有关人脸检测的内容在关于人脸识别研究的综述中也有所涉及，但仅仅侧重于人脸识别系统的输入环节，目前较为详尽的人脸检测的文献大部分都着重于介绍各种方法所使用的特征和模型，本文将结合本课题的研究和个人理解进行综述。3.人脸美丽评价的研究意义从心理学的研究表明，人们对于什么脸是美的存在着高度的一致,这种高度的一致与文化、种族、年龄、性别无关，所以让计算机通过机器学习的手段来获得同样的智能是可行的，通过人工智能可以帮助使用者化妆、可以辅助医院进行美容整基于支持向量回归的人脸评价系

7、统的设计及实现文献综述3形等，我们可以利用检测出的数据与标准美丽模型相对比得到的评价结果,为使用者找出最适合自身的美丽面孔，以利于做出正确的决定，从而消除个人对美的错误认知所带来的不良后果。 研究人脸美丽吸引力的机器学习还可以为数字娱乐、智能感知、人脸图像处理领域提供较有价值的方法和工具，比如除了美丽自动打分以外还可以通过美丽排名为以脸部吸引作为基本要求的工作筛选出符合要求的申请者，也可以为大型社交网站的用户从大量的人脸照片中搜索出美丽的人脸，人脸美丽评价也可给动画和游戏设计人员设计虚拟人物提供参照，为数字娱乐或特定行业提供客观的辅助参考数据等等。通过机器人工智能进行美丽评价可以在很大程度上解

8、决人工评判时可能出现的主观错误和偏颇，而且提高了评价效率，在这个信息化时代，效率是大部分工作都非常注重的，它可以有针对性的找到符合传统美学的脸，所以人脸吸引力在今年越来越受到研究者和广大爱美同好的关注，在将来的应用会更加广泛。4.主要模块涉及的算法4.1 特征提取现实生活中，绝大部分人的脸并不符合完美人脸标准，这些脸都有一定缺陷,如脸部过宽、过长或过窄、过短，鼻子太大，眼睛太小等。关于特征提取，文献中采用的人脸特征提取方法主要有：基于 AMM1，基于几何特征 23等。本课题则采用在三维人脸和二维人脸图像之间建立映射目标的方法，在二维图像中找到三维模型上人脸特征点，即将这些特征点在二维坐标中提现

9、。这些顶点包括眉毛，眼睛，鼻子，嘴巴等，取的顶点越精确，对我们的研究可能得到更精确的结果。而建立好这些特征点的位置后，用 delaunay 三角剖分算法 1得到一个覆盖整个人脸头像的三角网格，通过这些小三角形的边距、角度，得到提取后的这个人脸的特征值。但是目前自动提取特征点的方法计算量大，提取后的精确度也不太理想，所以目前都采用手动提取方法，也有部分研究者采用自动和手动提取方法相结合，获得较为准确的特征点位置。基于支持向量回归的人脸评价系统的设计及实现文献综述44.2 分类器对样本的预测关于训练人工智能的方法主要有 BP 神经网络，SVM 支持向量机 4，KNN 4等。其中详细解释下 BP 神

10、经网络，它是起源于对脑神经元的研究。即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，

11、也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。人工神经网络具有初步的自适应与自组织能力。在学习或训练过程中改变突触权重值，以适应周围环境的要求。同一网络因学习方式及内容不同可具有不同的功能。人工神经网络是一个具有学习能力的系统，可以发展知识，以致超过设计者原有的知识水平。通常，它的学习训练方式可分为两种，一种是有监督或称有导师的学习，这时利用给定的样本标准进行分类或模仿；另一种是无监督学习或称无导师学习，这时，只规定学习方式或某些规则，则具体的学习内容随系统所处环境 （即输入信号情况）而异，系统可以自动发现环境特征和规律性，具有更近

12、似人脑的功能 5。但是像 BP 神经网络对特征点提取后的评分学习并不够精确。它作为一种信息正向传输，误差反向传播应用最广泛的人工神经网络，具有形象易理解自组织自调整的优点，但同时由于其权值随机初始化的特点以及权值调整的“贪婪性”使得整个网络不稳定且容易陷入局部最小。所以本课题选择采用别的机器学习方法进行研究。总结一直以来的研究证明，如果采取合适的机器学习算法,可以使得机器可对人脸美丽吸引力这个概念进行学习而得到可量化的描述。 其中包括最小均方误差线性回归模型、Akaike 线性预测模型、Gaussian 回归模型、支持向量机(SVM) 6、基于支持向量回归的人脸评价系统的设计及实现文献综述5多

13、层感知器(MLP)神经网络、K 近邻回归模型 10等方法来进行试验和数据收集。所以,人脸的美丽吸引力是可以通过对人脸图像进行定量化的特征分析和特征表达的 7。本课题围绕将人脸图像的特征点提取 8、机器学习 9与人脸美丽评分模型 10，基于 delaunay 三角剖分算法和支持向量回归算法等问题开展一系列研究工作。参考文献1 李颖.基于美丽指数的人脸美学分析模型D. 2012 年 4 月 12 日.2 Zhang D, Zhao Q J, Chen F M. Quantitative Analysis of Human Facial Beauty Using Geometric Features

14、J. Pattern Reconition, 44: 940-950，2011.3 顾昭艺.基于人脸识别的社交关系检索系统的设计与实现D. 2013 年 1 月 14 日.4 SIGGRAPH. Data-Driven Enhancement of Facial AttractivenessD. 2008. 5 毛慧芸.人脸美丽吸引力的特征分析与机器学习D.华南理工大学，2011 年6 C.-C. Chang and C.-J. Lin. LIBSVM: a library for support vector machines. ACM Transactions on Intelligent Systems and TechnologyJ. 2:27:1-27:27， 2011.7 王敏.人脸美丽分类算法研究D. 西安电子科技大学，2012 年.8 朱姗姗.基于几何特征的人脸美学分析D. 哈尔滨: 哈尔滨工业大学硕士论文，44-46,2011.9 陈伊力.基于数据驱动的人脸美化D. 2012 年 6 月 12 日.10 戴礼青.人脸的几何特征分析与美丽分数计算D. 2014 年.