基于支持向量回归的人脸评价系统设计及实现【毕业设计论文】.doc

1、 本科毕业论文（20 届）中文题目 基于支持向量回归的人脸评价系统设计及实现英文题目 Design and Implementation of Human FacialEvaluating Based on Support Vector Regression院 系： 计算机与信息工程学院年级专业： 网络工程姓 名：学 号：指导教师：职 称：诚信声明书毕业设计（论文）诚信声明书本人郑重声明：在毕业设计（论文）工作中严格遵守学校有关规定，恪守学术规范；我所提交的毕业设计（论文）是本人在 指导教师的指导下独立研究、撰写的成果，设计（论文）中所引用他人的文字、研究成果，均已在设计（论文）中加以说明；在

2、本人的毕业设计（论文）中未剽窃、抄袭他人的学术观点、思想和成果，未篡改实验数据。本设计（论文）和资料若有不实之处，本人愿承担一切相关责任。学生签名：年 月 日诚信声明书I摘 要本课题针对人脸的美观程度实现由计算机自动评价。据有关心理学研究表明人脸的美丽是遵循一定的规律，为了捕捉这样的规律，我们采用了可计算得到全局优解的支持向量回归算法(Support Vector Regression, SVR)用于人脸的评价。用Delaunay 分割算法对人脸进行剖分，进而计算出相应的特征，采用人为打分的方式作为样本的分类标签。之后，用这些样本来训练 SVR 模型。当对一个未知的人脸图像进行评价时，系统先提

3、取其特征，送入训练好的 SVR 进行评价。我们设计的人脸评价系统包含图片读取模块，Delaunay 分割模块，SVR 训练模块及预测分类（打分）模块。实验证明，我们设计的系统与人类的打分基本一致。关键词：支持向量回归；机器学习；人脸评价ABSTRACTIIABSTRACTIn this thesis, we design a system for evaluating face image by computer automatically. The psychology research shows that facial beauty is to follow some rules. In

4、 order to capture these rules，we employ support vector regression algorithm(SVR) with global optimal solution for grading face image and Delaunay algorithm for segmenting face image. We calculate the corresponding features and get the scores by human. Then, we use these labeled samples to train SVR

5、model. When we evaluate a face image, the system first extracts the features. Then, these features will be evaluated by the trained SVR. The face evaluation system includes reading image module, segmenting image module, training module and classifying module (grading score). The experiments proved t

6、hat the score is very similarly between the system and human.Keywords：support vector regression; machine learning; face evaluation目录III目录第 1 章 绪论 .11.1 课题研究背景 .11.2 人脸评价的目的和意义 .11.3 应用前景 .11.4 论文的内容和组织 .2第 2 章 相关算法理论基础 .32.1 相关分类器 .32.2 支持向量回归 .42.3 delaunay 分割 .4第 3 章 图片载入和预处理 .63.1 文件读取 .63.2 图片预处

7、理 .63.2.1 灰度化 .63.2.2 平滑去噪 .6第 4 章 人脸特征提取 .84.1 手动提取特征点 .84.2 距离归一化 .84.3 特征值计算 .9第 5 章 训练与预测 .115.1 样本处理过程 .115.1.1 样本训练 .115.1.2 样本预测 .125.2 实验分析 .125.3 系统运行情况 .13第 6 章 总结和展望 .22致 谢 .24第 1 章 绪论1第 1 章 绪论1.1 课题研究背景目前，面部吸引力已经在心理学的层面上被众多学者所研究。一些研究表明，这是一个普遍观念，超越不同文化之间的界限，这是面部吸引力较高的对来自不同种族、社会经济阶层，年龄和性别的

8、评价者有跨文化的特点。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评分。1.2 人脸评价的目的和意义由于现在越来越多人开始注重对美的追求，从而发展出一个新的群体叫做“外貌协会”。虽然因为环境和主观意识的影响，每个人的审美还是不尽相同的，同样的一张人脸对不同的人有不同的吸引力，但是一个有着端正五官的人在较大几率上会让人觉得是好看的。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为了可以通过各种数据统计处理，以一定的标准较

9、为客观的对人脸做出评价。1.3 应用前景目前，国外对人脸检测问题的研究会比较国内多。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在对人脸检测进行相关的研究。从心理学的研究表明，人们对于什么脸是美的看法是存在着高度的一致性的,这种高度的一致与文化、种族、年龄、性别无关，所以让计算机等通过机器学习的手段来获得同样的智能理论上应该是可行的。我们可以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形等，我们还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

10、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、人脸图像处理第 1 章 绪论2领域提供较有价值的方法和工具，比如除了机器只能对人脸美丽进行评价以外还可以通过美丽等级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，

11、它可以有针对性的找到符合传统美学的脸，所以人脸吸引力将受到越来越多研究者和广大爱美同好的关注，在将来的应用会更加广泛 1。1.4 论文的内容和组织第二章内容，主要是简要的介绍课题中使用到的利用分类器来实现系统人工智能的相关算法，并对本系统涉及的主要算法的进行理论介绍，其中有 delaunay 三角剖分算法和支持向量回归算法。第三章内容，详细说明在 matlab 系统中对我们要评测的人脸图片如何载入，人脸图片的预处理过程。第四章内容，这也是本章的重点之一，对图片上的人脸进行特征值提取的过程。第五章内容，系统人工智能最关键的一步，对已经提取的人脸特征值进行样本训练，得到一组训练集，并将其与人脑评分

12、进行对比，通过实验结果验证系统的可靠性。第六章内容，总结论文观点，对本课题的发展前景做简单的阐述。第 2 章 绪论3第 2 章 相关算法理论基础2.1 相关分类器其实分类器有很多种，比如 BP 神经网络，adaboost ，KNN,支持向量机 2等，在这里采用的是支持向量回归即 SVR 算法。支持向量回归算法是从支持向量机算法发展而来。支持向量机(SVM)是九十年代中期发展起来的一种新的数据挖掘技术，它是建立在统计学习理论基础上的通用学习方法,着重于研究小样本条件下的数据统计规律。目前其理论研究和实际应用都已经到了一定的深度，所以也随之发现了一些弊端，因此才有了支持向量回归算法的诞生。 支持向

13、量机主要包括支持向量分类机(SVC)和支持向量回归机(SVR)两个领域。其中支持向量分类机的理论和实际应用研究相对成熟一些,而支持向量回归机的研究目前也已经逐渐扩展其广度和深度，近几年的学术研究和算法应用也有很多 3。再说 BP 神经网络，这是分类器中很经典也是最广为人知的。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为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，目前虽然很多人知道这个分类算法，但是基于它的弊端，使用者已经逐渐减少了。

14、所以本课题选择采用别的机器学习方法进行研究。例如支持向量机（SVM ）是一种比较好的实现了结构风险最小化思想的方法。它的机器学习策略是结构风险最小化原则，为了可以最小化期望风险，应该要同时最小化经验风险和置信范围 4。支持向量回归的前身即支持向量机方法的基本思想有以下几点：（1）它是专门针对有限样本的情况下进行机器学习，从而达到人工智能的效果，也就是在人为帮助下训练机器的学习以达到人工智能的目的。实现的是结构风险最小化：在对给定的数据逼近的精度与逼近函数的复杂性之间寻求最佳的方案，这样的折衷考虑应该可以获得最好的推广能力。（2）它最终解决的是一个凸的二次规划问题，从理论上说，得到的将是全局最优

15、解，解决了在神经网络方法中无法避免的局部极值问题。（3）它将实际问题通过非线性变换转换到高维的特征空间，在高维空间中构造线性决策函数来实现原空间中的非线性决策函数，巧妙地解决了维数问题，并保证了有较好的推广能力，而且算法复杂度与样本维数无关。而支持向量回归算法主要是通过升维后，在高维空间中构造线性决策函数来实第 2 章 绪论4kiiiiiybxw,.213ii,-现线性回归，用 e 不敏感函数时，其基础主要是 e 不敏感函数和核函数算法。若将拟合的数学模型表达多维空间的某一曲线，则根据 e 不敏感函数所得的结果，就是包括该曲线和训练点的“e 管道”。在所有样本点中，只有分布在“管壁” 上的那一

16、部分样本点决定管道的位置。这一部分训练样本称为“支持向量” 。为适应训练样本集的非线性，传统的拟合方法通常是在线性方 程后面加高阶项。此法诚然有效，但由此增加的可调参数未免增加了过拟合的风险。支持向量回归算法采用核函数解决这一矛盾。用核函数代替线性方程中的线性项 可以使原来的线性算法 “非线性化”，即能做非线性回归。与此同时，引进核函数达到了“升维” 的目的，而增加的可调参数是过拟合依然能控制的 5。2.2 支持向量回归支持向量回归是对一个未知函数 y=f(x),xR，d,yR 的预测,要求函数中:使得函数之间的距离最小。由于函数是未知的,因此只能根据采样(或测量)d:Rb所得的样本即一组稀疏

17、的样品来训练它，得到一组（x，y）数据，其中有 和dxR采用回归分析来求 6。b一般考虑用线性回归函数 f(x)=+b 拟合样本数据,并假设所有训练样本数据都可以在精度 下无误差地线性函数拟合,即:考虑到允许拟合误差的情况,引入松弛因子 3i0 和 i0,将上式改写为:2.3 delaunay 分割关于 Delaunay 三角剖分算法，主要分为以下几种，翻边算法、逐点插入算法、分割合并算法、Bowyer-Watson 算法等。而在这几种算法中，逐点插入算法比较简单、易懂，在本文中只针对该算法进行讨论，该算法也是目前使用最为广泛的 Delaunay算法。delaunay 三角剖分可以这么理解，假

18、设 V 是二维实数域上的有限点集，边 e 是由点集中的点作为端点构成的封闭线段, E 为 e 的集合。那么该点集 V 的一个三角剖分 T=(V,E)是一个平面图 G，该平面图满足条件：kixiii .,21第 2 章 绪论5（1）除了端点，平面图中的边不包含点集中的任何点。（2）没有相交边。（3）平面图中所有的面都是三角面，且所有三角面的合集是散点集 V 的凸包。而 Delaunay 三角剖分算法的主要性质有：（1）Delaunay 三角剖分所形成的三角形中，最小的内角是所有三角剖分中最大的。故 Delaunay 三角剖分所形成的三角形最接近于等边三角形，在很多应用中具有最优的性质。在数学解题

19、中，等边三角形具有等边等角替换的性质，所以 delaunay三角剖分计算的三角形有利于取得最优解。此性质等价于 Delaunay 三角剖分所形成的三角形的外接圆内不包含其他点。（2）如果平时有动手定点连线画三角形就会发现，如果任意四点不共圆，则该四点只能形成唯一的三角，这样就是 Delaunay 三角，否则不唯一。故可推知，对Delaunay 三角剖分的局部确保可以保证使整体确保满足 Delaunay 三角剖分。也就是被剖分的若干小三角形具有的唯一性。（3）在已 Delaunay 三角化的网格中加入一点 P，只需要删除所有外接圆包含此点的三角形，并连接 P 与所有可见的点（即连接后不会与其他边相交），则形成的网格仍然满足 Delaunay 三角剖分的条件。所以即使再提取新的特征点加入特征值计算，delaunay 三角剖分出的结果局部并不会发生太大的变化 7。