1、毕业设计外文文献翻译院 系： 计算机与信息工程学院年级专业： 网络工程姓 名：学 号：附 件： Data-Driven Enhancement of Facial AttractivenessAttractiveness摘要I基于数据驱动的人脸美化摘 要当人脸评分被提及是收集形状和根据询问他们的审美情趣来排列，结果通常会发现有一定的这是有一定的评分统计共识的。然而它可能也是很难界定一套简洁的规则去捕捉评价者的审美爱好。在这项研究中，我们将探索训练数据驱动来增强对这些形状的审美。特别是我们更致力于挑战在最与原本人脸相似度最密切的情况下提高当前相片（肖像）中人脸的审美情趣（或者吸引力） 。在我们的
2、方法中有一个关键组成部分是自动对面部吸引力优化训练的数据集和对面部吸引力的评分，这也是先由人工评分组来收集的。给出一个新面孔，我们提取一组距离不同的面部特征点位置，它定义了一个高维人脸空间，然后搜索附近点面空间得出一个预测叫准确的吸引力评级，一旦发现这个点，将相应的面部距离嵌入在平面中并作为一个目标来定义一个 2D 的经线字段来映射原始面部特征来调整其位置，我们的技术是由独立的评价试验来验证其有效性，随着我们尝试的实验结果表明它确实可以有效增加大多数人脸图像的面部吸引力。关键词：面部吸引力；机器学习；优化；变形第 1 章 导言1第 1 章 导言美学和吸引力一直以来深深吸引着人们去探索，激励了无
3、数的艺术家和哲学家。然而审美的价值仍旧难以捉摸出一个准确的定义。例如，当一组评委提出的形状的集合，并要求他们根据自己的审美情趣排名，结果往往表明在评价者之间的统计共识。蛋挞可能是很难界定一套简洁的规则来捕捉评价者的审美感知。此外，这种对不同形状的看法也因为有文化之间的差异而明显不同。因此，在这项研究工作中，我们要探讨一个数据驱动方法的对审美提升的可行性。特别是我们更致力于挑战在最与原本人脸相似度最密切的情况下提高当前相片（肖像）中人脸的审美情趣（或者吸引力） 。图 1：输入面部图像（左）和调整后的图像，我们的方法所产生的（右） 。第 1 章 导言2面部吸引力已经在心理学研究。一些研究表明，这是
4、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，年龄和性别的评价者有跨文化的特点。坎宁安等人。1995；琼斯 1996；佩雷特等人。1994 。这些研究表明，面部吸引力的感知即数据驱动，这意味着一个特别的面部特征不论观察者具有相同的有限元分析。第二个支持这一观点的证据来自于婴儿偏爱的人脸研究 来自于朗格卢瓦等人。1987；Slater 等人。1998 。这些研究表明，不管面孔的性别，种族，年龄，婴儿都更喜欢看长的漂亮的脸。最近，用人工智能学习技术，研究人员成功的制造了一个训练有素的模型能够对人脸进行评分并密切符合人脑评分。 Eisenthal 等人给出的
5、评分。2006 随着面部吸引力这个概念的日益普及，能够可靠地自动检测面部吸引力促进了这项研究。具体来说，我们提出了一种在给定的正面肖像面孔上自动增强面部吸引力的新工具，而我们一般简称这个过程为美化。实际上我们只是用我们的工具使美化后的新图像更容易在一组观察员中获得比较高的面部吸引力评分，我们不能保证美化后的结果一定比原始面孔更美丽，因为实际上，这样的模式还尚待发现。在这项工作中面临的主要挑战是实现上述目标的时候只有很短的时间，这精确到到原图像的细微修改，才能使修改后的肖像保持强有力的，明确无误的相似性源。通过如图 1 所示证明，这是一个很困难的任务，因为我们可以看到，面部特征的集合和感知到的面
6、部吸引力绝不是简单的关系。图 2：我们的技术应用到图像后的结果。第 2 章 应用3第 2 章 应用从摄影技术发明开始，专业的摄影师就开始润湿和修订他们那的作品。我们可以认为 我们遇到的杂志封面都已经被有技术有才华的修饰家修饰过了。应当指出的是，这样的修饰不仅限于操纵颜色和纹理，还有去除皱纹的变化和面部特征的几何形状。从人脸成为世界上被拍摄最多的东西，今天这个数字图像编辑软件包是一个可以图像增强和润饰的工具，它是有用并值得欢迎的。这个工具的潜力在于对电影图像的特殊效果，这对于广告还有约会也都是相当明显的。这个技术的另一个有趣的应用是建设为一个演员面部拼贴画设计头像或一个新面孔。假设我们从不同的面
7、孔选择一个五官集（眼睛，鼻子，嘴巴，等） ，并希望合成具有这些特点的新面孔。该功能可以无缝使用泊松混合将他们组装在一起 perezetal.2003 ，但是产生的脸可能不漂亮或不自然，如图 2 所示。使用我们的工具在面对一个新的拼贴面孔会觉得更自然并具有吸引力。最后，这项工作的结果来自于我们在加强几何造型美学等问题的普遍兴趣。而在本文重点部分的技术是增加面部美感的特定需求，我们相信同样的模式也可以应用到其他的二维形状。第 3 章 概述4第 3 章 概述这个方法的关键组件是美化引擎，它采用男性和女性面孔数据集从评价者组收集评分数。整个美化过程如图 3 中所描绘，给定正面肖像作为输入，我们首先（半
8、自动）识别设置面部标志（特征点） 。使用平面图形与这些特征点作为顶点，我们提取对应于在图中的边的长度为距离向量。将这个载体送入美化引擎，这得到了修饰后的载体的距离，预测具有较高美容评分的原始矢量。接着，平面图形被重新嵌入在平面试图使新边缘长度尽可能接近修改的距离。该功能所产生的新特征点，我们使用翘曲使输入 2D 肖像经润饰变为美化版本。美化引擎，在第 3 节第 4 节介绍的半自动过程用来提取面部特征，和第 5 节描述的距离嵌入和翘曲步骤。这是我们独特的核心组成部分。我们的研究结果表明，经过尝试，该方法能够有效地增加对大多数女性和男性的面孔图像的面部吸引力。特别是，我们方法的有效性实验通过对一组
9、实验对象评分验证了修饰的面孔比原来的面孔更具吸引力。我们的方法使用了两个数据集。第一数据集为均匀照明的 92 个白人女性与中性正面肖像。第二个数据集为 33 个白人男性画像。因此，我们的工具目前只能是预计在面部图像具有相似特征的有良好表现。然而，它可以直接扩展到更广泛的各种面，例如，附加的族群，简单地通过使用它训练肖像使其被引擎识别。第 4 章 背景5第 4 章 背景4.1 前期工作图 3：我们的面部美化过程。大部分的研究在计算机图形学和计算机视觉都集中在技术和工具，特别是人的面孔。特别是，我们在人脸建模和动画Parke 和 Waters1996；李等人。1995；Guenter 等人。Pig
10、hin 等人 1998。1998；奥图等人。1999 ，面部检测杨等人2002 。人脸识别 赵等人。 2003 。我们和以前的研究成果分别是用不同的方法对二维人脸图像的变形（例如贝尔和尼利 1992；李等人.。1997 ）和 3D 形变人脸模型的线和维特 1999 。同样的图像变形方法，我们的方法也利用二维图像变形，反式的形式输入的脸。然而，我们的目的是完全不同的。在图像变形，目的通常是产生一个完全不同的两者之间连续变换面（或其他对象） 。他的挑战主要在于发现两面对应的特征，并定义一个适当的经。在我们的例子中，挑战在于发现目标形状到源图像是扭曲的，这些变化是一个可增强的细微差异但结果却能改变面
11、部吸引力。心理学家也经常使用图像合成，变形，翘曲，以更好地了解人类如何感知不同的面部特征。例如，翘曲的朝向和从一般的已被用来研究面部吸引力和老化的脸（例如， 佩雷特等人。lanitis 等人 1999。2002 ） 。并且，在这种情况下，变形目标形状，或方向的经纬，是预定义的。而且，很明显，如果脸上有高于平均水平的吸引力，首先要使它更接近普通面孔否则无法实现我们的目的。第 4 章 背景6Blanz 和维特 1999 提出了一个三维形变人脸模型，它可以操纵面部的一些属性如肌肉或丰满，甚至产生新的面部表情。他们的形变模型的线性组合形成一套原型的脸。其基本前提是感兴趣的属性标记是一个线性函数。因此，
12、通过在面向空间的一个单一的最优方向移动来增加或减少标记。乍一看，它可能会体现在我们的任务中也通过使用这种方法，事实上，已这样的尝试过 Blanz，2003 。然而，当我们讨论后发现面部吸引力是一个高度非线性的属性。我们的方法不需要拟合三维模型的面部图像，相反，我们直接操作上的 2D 图像数据。我们依赖对实验数据与面部图像的二维距离对面部吸引力的影响，因为没有对三维人脸网格标记之间距离的数据。但是我们的方法可以通过应用我们的技术作为预处理的输入图像，协助它获得“美化”的 3D 模型，然后拟合出三维形变模型的结果。4.1 面部吸引力的机器评级Eisenthal 等人2006 介绍了一个在自动面部吸
13、引力预测的基础上，机器学习技术。集合年轻白人女性，中性面孔等 92 人的正面肖像用作训练集。每个面部的吸引力由28 个男性或女性评价者给出。脸的平均评级被称为它的美丽得分。通过各种回归量然后在机器训练的基础上，基于 40 个数据反映其人脸几何形状，头发的颜色和皮肤的平滑程度。根据上述特征的最佳回归量达到 0.6 与人脑评分的相关性。这是一种高度非平凡结果，考虑到随机的预测与人为评级零预期的相关性，而同一个评估者的二者平均评分和总体平均评分比大约为 0.68 Kagian 等，2007 年。在这项工作中，我们利用对相同人脸图像评分和由 Eisenthal 等人评级的收集。培养我们自己的回归（3.
14、1 节）并把它作为指导我们美化女性脸部的方法。针对男性的脸，我们用 33 位年轻人的训练集，每个面孔使用 Eisenthal 等人的相同协议获得了吸引力评分。应该指出的是，记录者为 Eisenthal 等人。他们在生成向量回归的方式与我们做这项工作的时候是一样的。基于它图像中面部，其测量的吸引力评分的功能，其函数精确度目前还不清楚。通过对 Eisenthal 等人提取功能收集美丽评分的特征值分析表明，一个线性模型对人类的吸引力评级的计算效果很差。在这个研究过程中，我们还培养了一批不同的支持向量回归量，使用各种函数，线性和非线性。我们发现线性模型是显著劣于非线性模型，无论是在计算其最高值，还是平
15、均值，而且还使用径向基函数（RBF）核函数来代替。第 5 章 美化引擎7第 5 章 美化引擎5.1 支持向量回归图 4：面部特征的 8 个部分，用我们的算法总共有 84 个点。支持向量回归（SVR）是一种归纳算法的拟合多维数据1995 Vapnik 等人。通过使用各种内核，SVR 适合高度非线性函数。一个 SVR 构造通过用一组稀疏样品训练它（x; y） ，其中有 和 ，我们的软件美化采用了 SVR 模型训练有素的dxRy由 Eisenthal 等人记录评分。 2006 年。具体而言，我们从各个面部图像相同的位置半自动抽取共 84 特征点（当 Eisenthal 等人只用 37 个特征点） 。
16、该功能点位于八个不同的五官轮廓：两眉，两只眼睛，嘴唇的内部和外部边界，鼻和面部的边界（参见图 4a） 。平均（标准化）所提取的特征点的位置（图 4B）被用来构建 Delaunay 三角剖分的三角形的 234 条边，由这些边缘的长度在每一个面形成 234 维距离矢量（图 4C） 。距离是通过面孔面积的平方根归一化得到他们不变的尺度。我们的工作就是特征点之间的距离，而不是他们的空间坐标，这样距离与感知面部吸引力更直接相关。此外，这是人脸网格的工作，而不是其他一些平面图形施加一些刚性的美化的过程，这样可以防止产生距离具有高分，但不符合一个有效的脸的情况。234 维特征向量和相应的美丽评分（从 1 到
17、 7）作为训练样本构建一个模型。SVR 定义了一个光滑函数 ，我们用它来估算训练集之外的面孔的向量距离d:Rb的美感分数。经过广泛的实验，我们选择了径向基核函数，它可以预测这样的非线性行为建模问题。模型的选择是通过网格进行内核宽度的搜索，松弛参数 C 和管宽度我们使用 SVR 参数实现软边缘 SVMlightJoachims 1999 。注意，这与由 Eisenthal 等人描述的回归不同。 2006 ，我们的回归不使用的非第 5 章 美化引擎8几何特征，如因为头发的颜色，皮肤纹理，这反映了我们和 Eisenthal 等人研究目的的差异。我们试图产生基于所有相关条件最准确的回归功能，我们的引擎
18、设计只修改面部的几何形状，从而与非几何特征的过程无关。因此，我们调整美丽分数以减少非几何特征对它的影响是必要的。具体来说，我们通过 Eisenthal 等人的研究成果，使用线性回归确定模型的非几何特征的影响，作为与美容评分密切相关的方法。我们的回归进行训产生的差异， 这里原始分数是 ，而 是基于非几何linyorig origylin特征线性回归的估计值。5.2 美化过程令 v 是归一化距离向量从输入中提取人脸图像。美化过程的目的是产生一个 v的高美丽评分附近的矢量 。因为在我们的 234 维特征空间很多点是不对b(v)应到脸上的距离向量，我们的主要挑战是合成矢量 V内保持有效的子空间的脸。在
19、这个空间中许多载体可以具有更高的分数，但任何这种载体必须投射到空间的有效面，得分可能在过程中减少。我们的假设是 是光滑的足以让增量使用局部优化b技术。我们尝试用两个互补的技术来实现这一目标：一个是基于加权 k-近邻搜索算法（KNN ） ，另一个（第 3.3 节）是数据驱动的优化（第 3.4 节） 。假设人脸空间是局部凸，KNN 方法保证所得到的美化后的脸在这个空间上。在基于支持向量机的方法按我们的美容功能优化一个给定的脸，FB。因为后者的方法不承担局部凸性，它有一个更基本的规则。然而，由于这个问题是非常稀少，SVR的训练基于小样本回归函数，回归函数可以从填充的训练样本表现出明显规则。因此，我们通过应用正规化将搜索范围限制在面对空间紧凑的区域。5.3 基于 KNN 的美化我们发现，有效美化面部的方式，同时保持与原有面孔的相似度是在 K 近邻，面对美丽方向修改加权平均值的脸部距离矢量。我们发现以这种方式的美容得分通常比那些用全球非加权平均所得的分数更高。心理学的文献报道说符合美丽面孔复合材料被评为比平均复合脸更具吸引力胡同和坎宁安 1991；佩雷特等人。1994 。更具体地说，让 和 表示对应的训练集样本的距离向量组，及其各自的相关ivib分数。我们定义加权距离与美，对于一个给定的距离向量 V，作：
