基于支持向量回歸的人臉評價(jià)系統(tǒng)設(shè)計(jì)及實(shí)現(xiàn)【畢業(yè)設(shè)計(jì)論文】

1、<p><b>　　本科畢業(yè)論文</b></p><p><b>　?。?0 屆）</b></p><p>　中文題目基于支持向量回歸的人臉評價(jià)系統(tǒng)設(shè)計(jì)及實(shí)現(xiàn)</p><p>　英文題目Design and Implementation of Human Facial</p><p>　

2、Evaluating Based on Support Vector Regression</p><p>　　畢業(yè)設(shè)計(jì)（論文）誠信聲明書</p><p>　　本人鄭重聲明：在畢業(yè)設(shè)計(jì)（論文）工作中嚴(yán)格遵守學(xué)校有關(guān)規(guī)定，恪守學(xué)術(shù)規(guī)范；我所提交的畢業(yè)設(shè)計(jì)（論文）是本人在 指導(dǎo)教師的指導(dǎo)下獨(dú)立研究、撰寫的成果，設(shè)計(jì)（論文）中所引用他人的文字、研究成果，均已在設(shè)計(jì)（論文）中加以說明；

3、在本人的畢業(yè)設(shè)計(jì)（論文）中未剽竊、抄襲他人的學(xué)術(shù)觀點(diǎn)、思想和成果，未篡改實(shí)驗(yàn)數(shù)據(jù)。</p><p>　　本設(shè)計(jì)（論文）和資料若有不實(shí)之處，本人愿承擔(dān)一切相關(guān)責(zé)任。</p><p><b>　　學(xué)生簽名：</b></p><p><b>　　年 月 日</b></p><p><b>

4、;　　摘 要</b></p><p>　　本課題針對人臉的美觀程度實(shí)現(xiàn)由計(jì)算機(jī)自動(dòng)評價(jià)。據(jù)有關(guān)心理學(xué)研究表明人臉的美麗是遵循一定的規(guī)律，為了捕捉這樣的規(guī)律，我們采用了可計(jì)算得到全局優(yōu)解的支持向量回歸算法(Support Vector Regression, SVR)用于人臉的評價(jià)。用Delaunay分割算法對人臉進(jìn)行剖分，進(jìn)而計(jì)算出相應(yīng)的特征，采用人為打分的方式作為樣本的分類標(biāo)簽。之后，用這些樣本來訓(xùn)

5、練SVR模型。當(dāng)對一個(gè)未知的人臉圖像進(jìn)行評價(jià)時(shí)，系統(tǒng)先提取其特征，送入訓(xùn)練好的SVR進(jìn)行評價(jià)。我們設(shè)計(jì)的人臉評價(jià)系統(tǒng)包含圖片讀取模塊，Delaunay分割模塊，SVR訓(xùn)練模塊及預(yù)測分類（打分）模塊。實(shí)驗(yàn)證明，我們設(shè)計(jì)的系統(tǒng)與人類的打分基本一致。</p><p>　　關(guān)鍵詞：支持向量回歸；機(jī)器學(xué)習(xí)；人臉評價(jià)</p><p><b>　　ABSTRACT</b></

6、p><p>　　In 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 order to capture these

7、 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 t

8、he scores by human. Then, we use these labeled samples to train SVR model. When we evaluate a face imag</p><p>　　Keywords：support vector regression; machine learning; face evaluation</p><p><

9、b>　　目錄</b></p><p><b>　　第1章 緒論1</b></p><p>　　1.1 課題研究背景1</p><p>　　1.2 人臉評價(jià)的目的和意義1</p><p>　　1.3 應(yīng)用前景1</p><p>　　1.4 論文的內(nèi)容和組織2</p&

10、gt;<p>　　第2章 相關(guān)算法理論基礎(chǔ)3</p><p>　　2.1 相關(guān)分類器3</p><p>　　2.2 支持向量回歸4</p><p>　　2.3 delaunay分割4</p><p>　　第3章 圖片載入和預(yù)處理6</p><p>　　3.1 文件讀取6</p>

11、<p>　　3.2 圖片預(yù)處理6</p><p>　　3.2.1 灰度化6</p><p>　　3.2.2 平滑去噪6</p><p>　　第4章 人臉特征提取8</p><p>　　4.1 手動(dòng)提取特征點(diǎn)8</p><p>　　4.2 距離歸一化8</p><p>　　4

12、.3特征值計(jì)算9</p><p>　　第5章 訓(xùn)練與預(yù)測11</p><p>　　5.1 樣本處理過程11</p><p>　　5.1.1 樣本訓(xùn)練11</p><p>　　5.1.2 樣本預(yù)測12</p><p>　　5.2 實(shí)驗(yàn)分析12</p><p>　　5.3 系統(tǒng)運(yùn)行情況

13、13</p><p>　　第6章 總結(jié)和展望22</p><p><b>　　致 謝24</b></p><p><b>　　第1章 緒論</b></p><p>　　1.1 課題研究背景</p><p>　　目前，面部吸引力已經(jīng)在心理學(xué)的層面上被眾多學(xué)者所研究。一些研究

14、表明，這是一個(gè)普遍觀念，超越不同文化之間的界限，這是面部吸引力較高的對來自不同種族、社會(huì)經(jīng)濟(jì)階層，年齡和性別的評價(jià)者有跨文化的特點(diǎn)。隨著計(jì)算機(jī)科學(xué)的日益發(fā)展，人臉美學(xué)的研究也從認(rèn)知心理學(xué)角度的研究發(fā)展到應(yīng)用人工智能對人臉美學(xué)進(jìn)行研究。本課題所設(shè)計(jì)與實(shí)現(xiàn)的基于支持向量回歸的人臉評價(jià)系統(tǒng)能較為客觀的對人臉進(jìn)行評價(jià)從而計(jì)算出所輸入人臉的評分。</p><p>　　1.2 人臉評價(jià)的目的和意義</p>&l

15、t;p>　　由于現(xiàn)在越來越多人開始注重對美的追求，從而發(fā)展出一個(gè)新的群體叫做“外貌協(xié)會(huì)”。雖然因?yàn)榄h(huán)境和主觀意識的影響，每個(gè)人的審美還是不盡相同的，同樣的一張人臉對不同的人有不同的吸引力，但是一個(gè)有著端正五官的人在較大幾率上會(huì)讓人覺得是好看的。所以究竟怎么樣的臉才算是美的呢？這大概很難說清楚。而人臉評價(jià)系統(tǒng)正是為了可以通過各種數(shù)據(jù)統(tǒng)計(jì)處理，以一定的標(biāo)準(zhǔn)較為客觀的對人臉做出評價(jià)。</p><p><b&

16、gt;　　1.3 應(yīng)用前景</b></p><p>　　目前，國外對人臉檢測問題的研究會(huì)比較國內(nèi)多。其中比較著名的有MIT、CMU等，而國內(nèi)的清華大學(xué)、北京工業(yè)大學(xué)、中國科學(xué)院計(jì)算技術(shù)研究所和中國科學(xué)院自動(dòng)化研究所等也都有人員在對人臉檢測進(jìn)行相關(guān)的研究。</p><p>　　從心理學(xué)的研究表明，人們對于什么臉是美的看法是存在著高度的一致性的,這種高度的一致與文化、種族、年齡、性

17、別無關(guān)，所以讓計(jì)算機(jī)等通過機(jī)器學(xué)習(xí)的手段來獲得同樣的智能理論上應(yīng)該是可行的。我們可以通過人工智能可以幫助使用者化妝、可以輔助醫(yī)院進(jìn)行美容整形等，我們還可以利用檢測出的數(shù)據(jù)與標(biāo)準(zhǔn)美麗模型相對比得到的評價(jià)結(jié)果,為使用者找出最適合自身的美麗面孔，以利于做出正確的決定，從而消除個(gè)人對美的錯(cuò)誤認(rèn)知所帶來的不良后果。 </p><p>　　研究人臉美麗吸引力的機(jī)器學(xué)習(xí)還可以為數(shù)字娛樂、智能感知、人臉圖像處理領(lǐng)域提供

18、較有價(jià)值的方法和工具，比如除了機(jī)器只能對人臉美麗進(jìn)行評價(jià)以外還可以通過美麗等級為以臉部吸引作為基本要求的工作篩選出符合要求的申請者，也可以為大型社交網(wǎng)站的用戶從大量的人臉照片中搜索出美麗的人臉，人臉美麗評價(jià)也可給動(dòng)畫和游戲設(shè)計(jì)人員設(shè)計(jì)虛擬人物提供參照，為數(shù)字娛樂或特定行業(yè)提供客觀的輔助參考數(shù)據(jù)等等。</p><p>　　通過機(jī)器人工智能進(jìn)行美麗評價(jià)可以在很大程度上解決人工評判時(shí)可能出現(xiàn)的主觀錯(cuò)誤和偏頗，而且提高了

19、評價(jià)效率，在這個(gè)信息化時(shí)代，效率是大部分工作都非常注重的，它可以有針對性的找到符合傳統(tǒng)美學(xué)的臉，所以人臉吸引力將受到越來越多研究者和廣大愛美同好的關(guān)注，在將來的應(yīng)用會(huì)更加廣泛[1]。</p><p>　　1.4 論文的內(nèi)容和組織</p><p>　　第二章內(nèi)容，主要是簡要的介紹課題中使用到的利用分類器來實(shí)現(xiàn)系統(tǒng)人工智能的相關(guān)算法，并對本系統(tǒng)涉及的主要算法的進(jìn)行理論介紹，其中有delauna

20、y三角剖分算法和支持向量回歸算法。</p><p>　　第三章內(nèi)容，詳細(xì)說明在matlab系統(tǒng)中對我們要評測的人臉圖片如何載入，人臉圖片的預(yù)處理過程。</p><p>　　第四章內(nèi)容，這也是本章的重點(diǎn)之一，對圖片上的人臉進(jìn)行特征值提取的過程。</p><p>　　第五章內(nèi)容，系統(tǒng)人工智能最關(guān)鍵的一步，對已經(jīng)提取的人臉特征值進(jìn)行樣本訓(xùn)練，得到一組訓(xùn)練集，并將其與人腦評

21、分進(jìn)行對比，通過實(shí)驗(yàn)結(jié)果驗(yàn)證系統(tǒng)的可靠性。</p><p>　　第六章內(nèi)容，總結(jié)論文觀點(diǎn)，對本課題的發(fā)展前景做簡單的闡述。</p><p>　　第2章 相關(guān)算法理論基礎(chǔ)</p><p><b>　　2.1 相關(guān)分類器</b></p><p>　　其實(shí)分類器有很多種，比如BP神經(jīng)網(wǎng)絡(luò)，adaboost，KNN,支持向量機(jī)[

22、2]等，在這里采用的是支持向量回歸即SVR算法。</p><p>　　支持向量回歸算法是從支持向量機(jī)算法發(fā)展而來。支持向量機(jī)(SVM)是九十年代中期發(fā)展起來的一種新的數(shù)據(jù)挖掘技術(shù)，它是建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的通用學(xué)習(xí)方法,著重于研究小樣本條件下的數(shù)據(jù)統(tǒng)計(jì)規(guī)律。目前其理論研究和實(shí)際應(yīng)用都已經(jīng)到了一定的深度，所以也隨之發(fā)現(xiàn)了一些弊端，因此才有了支持向量回歸算法的誕生。 支持向量機(jī)主要包括支持向量分類機(jī)(SVC)和支

23、持向量回歸機(jī)(SVR)兩個(gè)領(lǐng)域。其中支持向量分類機(jī)的理論和實(shí)際應(yīng)用研究相對成熟一些,而支持向量回歸機(jī)的研究目前也已經(jīng)逐漸擴(kuò)展其廣度和深度，近幾年的學(xué)術(shù)研究和算法應(yīng)用也有很多[3]。</p><p>　　再說BP神經(jīng)網(wǎng)絡(luò)，這是分類器中很經(jīng)典也是最廣為人知的。但是像BP神經(jīng)網(wǎng)絡(luò)對特征點(diǎn)提取后的評分學(xué)習(xí)并不夠精確。它作為一種信息正向傳輸，誤差反向傳播應(yīng)用最為廣泛的人工神經(jīng)網(wǎng)絡(luò)，具有形象易理解自組織自調(diào)整的優(yōu)點(diǎn)，但同時(shí)由

24、于其權(quán)值隨機(jī)初始化的特點(diǎn)以及權(quán)值調(diào)整的“貪婪性”使得整個(gè)網(wǎng)絡(luò)不穩(wěn)定且容易陷入局部最小，目前雖然很多人知道這個(gè)分類算法，但是基于它的弊端，使用者已經(jīng)逐漸減少了。所以本課題選擇采用別的機(jī)器學(xué)習(xí)方法進(jìn)行研究。例如支持向量機(jī)（SVM）是一種比較好的實(shí)現(xiàn)了結(jié)構(gòu)風(fēng)險(xiǎn)最小化思想的方法。它的機(jī)器學(xué)習(xí)策略是結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，為了可以最小化期望風(fēng)險(xiǎn)，應(yīng)該要同時(shí)最小化經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍[4]。</p><p>　　支持向量回歸的前身

25、即支持向量機(jī)方法的基本思想有以下幾點(diǎn)：</p><p>　　它是專門針對有限樣本的情況下進(jìn)行機(jī)器學(xué)習(xí)，從而達(dá)到人工智能的效果，也就是在人為幫助下訓(xùn)練機(jī)器的學(xué)習(xí)以達(dá)到人工智能的目的。實(shí)現(xiàn)的是結(jié)構(gòu)風(fēng)險(xiǎn)最小化：在對給定的數(shù)據(jù)逼近的精度與逼近函數(shù)的復(fù)雜性之間尋求最佳的方案，這樣的折衷考慮應(yīng)該可以獲得最好的推廣能力。</p><p>　　它最終解決的是一個(gè)凸的二次規(guī)劃問題，從理論上說，得到的將是全局

26、最優(yōu)解，解決了在神經(jīng)網(wǎng)絡(luò)方法中無法避免的局部極值問題。</p><p>　　它將實(shí)際問題通過非線性變換轉(zhuǎn)換到高維的特征空間，在高維空間中構(gòu)造線性決策函數(shù)來實(shí)現(xiàn)原空間中的非線性決策函數(shù)，巧妙地解決了維數(shù)問題，并保證了有較好的推廣能力，而且算法復(fù)雜度與樣本維數(shù)無關(guān)。</p><p>　　而支持向量回歸算法主要是通過升維后，在高維空間中構(gòu)造線性決策函數(shù)來實(shí)現(xiàn)線性回歸，用e不敏感函數(shù)時(shí)，其基礎(chǔ)主要

27、是e不敏感函數(shù)和核函數(shù)算法。若將擬合的數(shù)學(xué)模型表達(dá)多維空間的某一曲線，則根據(jù)e不敏感函數(shù)所得的結(jié)果，就是包括該曲線和訓(xùn)練點(diǎn)的“e管道”。在所有樣本點(diǎn)中，只有分布在“管壁”上的那一部分樣本點(diǎn)決定管道的位置。這一部分訓(xùn)練樣本稱為“支持向量”。為適應(yīng)訓(xùn)練樣本集的非線性，傳統(tǒng)的擬合方法通常是在線性方 程后面加高階項(xiàng)。此法誠然有效，但由此增加的可調(diào)參數(shù)未免增加了過擬合的風(fēng)險(xiǎn)。支持向量回歸算法采用核函數(shù)解決這一矛盾。用核函數(shù)代替線性方程中的線性項(xiàng)

28、可以使原來的線性算法“非線性化”，即能做非線性回歸。與此同時(shí)，引進(jìn)核函數(shù)達(dá)到了“升維”的目的，而增加的可調(diào)參數(shù)是過擬合依然能控制的[5]。</p><p>　　2.2 支持向量回歸</p><p>　　支持向量回歸是對一個(gè)未知函數(shù)y=f(x),x∈R，d,y∈R的預(yù)測,要求函數(shù)中:使得函數(shù)之間的距離最小。由于函數(shù)是未知的,因此只能根據(jù)采樣(或測量)所得的樣本即一組稀疏的樣品來訓(xùn)練它，得到一

29、組（x，y）數(shù)據(jù)，其中有和采用回歸分析來求[6]。</p><p>　　一般考慮用線性回歸函數(shù)f(x)=<w,x>+b擬合樣本數(shù)據(jù),并假設(shè)所有訓(xùn)練樣本數(shù)據(jù)都可以在精度ε下無誤差地線性函數(shù)擬合,即:</p><p>　　考慮到允許擬合誤差的情況,引入松弛因子≥0和ξi≥0,將上式改寫為:</p><p>　　2.3 delaunay分割</p>

30、<p>　　關(guān)于Delaunay三角剖分算法，主要分為以下幾種，翻邊算法、逐點(diǎn)插入算法、分割合并算法、Bowyer-Watson算法等。而在這幾種算法中，逐點(diǎn)插入算法比較簡單、易懂，在本文中只針對該算法進(jìn)行討論，該算法也是目前使用最為廣泛的Delaunay算法。</p><p>　　delaunay三角剖分可以這么理解，假設(shè)V是二維實(shí)數(shù)域上的有限點(diǎn)集，邊e是由點(diǎn)集中的點(diǎn)作為端點(diǎn)構(gòu)成的封閉線段, E為

31、e的集合。那么該點(diǎn)集V的一個(gè)三角剖分T=(V,E)是一個(gè)平面圖G，該平面圖滿足條件：</p><p>　　除了端點(diǎn)，平面圖中的邊不包含點(diǎn)集中的任何點(diǎn)。</p><p><b>　　沒有相交邊。</b></p><p>　　平面圖中所有的面都是三角面，且所有三角面的合集是散點(diǎn)集V的凸包。</p><p>　　而Delaun

32、ay三角剖分算法的主要性質(zhì)有：</p><p>　　Delaunay三角剖分所形成的三角形中，最小的內(nèi)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邊三角形，在很多應(yīng)用中具有最優(yōu)的性質(zhì)。在數(shù)學(xué)解題中，等邊三角形具有等邊等角替換的性質(zhì)，所以delaunay三角剖分計(jì)算的三角形有利于取得最優(yōu)解。此性質(zhì)等價(jià)于Delaunay三角剖分所形成的三角形的外接圓內(nèi)不包含其他點(diǎn)。</p>

33、<p>　　如果平時(shí)有動(dòng)手定點(diǎn)連線畫三角形就會(huì)發(fā)現(xiàn)，如果任意四點(diǎn)不共圓，則該四點(diǎn)只能形成唯一的三角，這樣就是Delaunay三角，否則不唯一。故可推知，對Delaunay三角剖分的局部確保可以保證使整體確保滿足Delaunay三角剖分。也就是被剖分的若干小三角形具有的唯一性。</p><p>　　在已Delaunay三角化的網(wǎng)格中加入一點(diǎn)P，只需要?jiǎng)h除所有外接圓包含此點(diǎn)的三角形，并連接P與所有可見的

34、點(diǎn)（即連接后不會(huì)與其他邊相交），則形成的網(wǎng)格仍然滿足Delaunay三角剖分的條件。所以即使再提取新的特征點(diǎn)加入特征值計(jì)算，delaunay三角剖分出的結(jié)果局部并不會(huì)發(fā)生太大的變化[7]。</p><p>　　第3章 圖片載入和預(yù)處理</p><p><b>　　3.1 文件讀取</b></p><p>　　本系統(tǒng)致力于對人臉進(jìn)行評價(jià)，首先要載

35、入所要評價(jià)的圖片，即選擇你要評價(jià)的人臉。注意，這里只能選擇特定的圖片格式，比如.jpg或者.bmp格式。</p><p>　　在matlab中載入圖片的主要代碼如圖3.1所示：</p><p><b>　　圖 3.1載入圖片</b></p><p><b>　　3.2 圖片預(yù)處理</b></p><p&

36、gt;<b>　　3.2.1 灰度化</b></p><p>　　因?yàn)橛脩暨x取圖片有很多不確定性，包括顏色大小等，所以載入后的圖片要先做預(yù)處理，這樣后面才能更好的進(jìn)行特征點(diǎn)取值。</p><p>　　假設(shè)對色彩做0~1之間的無理數(shù)做近似，灰度化就是取一位小數(shù)或有限的幾位，那么二值化就是非0即1。所以二值化是灰度化的特殊情況。</p><p>　

37、　在Matlab中二值化處理主要語句是：x=rgb2gray(handles.img)。</p><p>　　3.2.2 平滑去噪</p><p>　　在數(shù)字圖像處理中，對圖像的平滑去噪是關(guān)鍵環(huán)節(jié)，去噪效果的好壞與否很可能影響到后面對圖片的特征提取，邊緣檢測等。常見的圖片噪聲主要是高斯噪聲和泊松噪聲，本系統(tǒng)采用高斯濾波進(jìn)行平滑去噪處理。高斯濾波就是對整幅圖像進(jìn)行加權(quán)平均的過程，每一個(gè)像素點(diǎn)

38、的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到。高斯濾波的具體操作是：用一個(gè)模板（或稱卷積、掩模）掃描圖像中的每一個(gè)像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板中心像素點(diǎn)的值。</p><p>　　第4章 人臉特征提取</p><p>　　4.1 手動(dòng)提取特征點(diǎn)</p><p>　　本課題采用在三維人臉和二維人臉圖像之間建立映射目標(biāo)的方法，在二維圖

39、像中找到三維模型上人臉特征點(diǎn)，即將這些特征點(diǎn)在二維坐標(biāo)中體現(xiàn)。這些頂點(diǎn)包括眉毛，眼睛，鼻子，嘴巴等，取的頂點(diǎn)越精確，對我們的研究就可能得到更加精確的結(jié)果。目前自動(dòng)提取特征點(diǎn)的方法計(jì)算量大，提取后的精確度也不太理想，所以目前都采用手動(dòng)提取方法，也有部分研究者采用自動(dòng)和手動(dòng)提取方法相結(jié)合，獲得較為準(zhǔn)確的特征點(diǎn)位置。Matlab將以默認(rèn)坐標(biāo)輸出選定的坐標(biāo)值（x，y），如圖4.1所示：</p><p>　　圖 4.1運(yùn)行

40、后某樣本所取特征點(diǎn)相對坐標(biāo)</p><p><b>　　4.2 距離歸一化</b></p><p>　　歸一化就是要把你需要處理的數(shù)據(jù)經(jīng)過處理后（通過某種算法）限制在你需要的一定范圍內(nèi)。首先歸一化是為了后面數(shù)據(jù)處理的方便，其次是保正程序運(yùn)行時(shí)收斂加快。</p><p>　　本系統(tǒng)采用 mapminmax函數(shù)把矩陣的每一行歸一到[-1 1]。函數(shù)

41、基本表達(dá)式為：y = (ymax-ymin)*(x-xmin)/(xmax-xmin) + ymin。如圖4.2所示：</p><p>　　圖 4.2某次特征點(diǎn)歸一化后的結(jié)果</p><p><b>　　4.3特征值計(jì)算</b></p><p>　　建立特征點(diǎn)位置后，用delaunay三角剖分算法得到一個(gè)覆蓋人臉五官的基本三角網(wǎng)格，通過這些小三

42、角形的邊距、角度，得到提取后的這個(gè)人臉的特征值。通過delaunay三角剖分算法得到的被分割的若干個(gè)小三角形是唯一的且絕對不重疊的。因此我們所得到的特征值也更準(zhǔn)確和直觀。所提取的特征點(diǎn)的位置，被用來構(gòu)建Delaunay三角剖分的三角形的邊，由這些邊緣的長度在每一個(gè)面形成高維距離矢量。距離是通過面孔上被分為若干小三角形的面積的平方根歸一化得到他們不變的尺度。我要得到的正是這些特征點(diǎn)之間的距離，而不是他們的空間坐標(biāo)，這樣距離與感知面部吸引力

43、更直接相關(guān)。此外，這是人臉網(wǎng)格的工作，而不是其他一些平面圖形施加一些剛性的美化的過程，這樣可以防止產(chǎn)生距離具有高分，但不符合一個(gè)有效的臉的情況。</p><p>　　因?yàn)槿四樀拿利惻c否與膚色，紋路等都息息相關(guān)，但是由于研究時(shí)間有限，所以本系統(tǒng)目前僅根據(jù)五官比例和距離來提取特征值，其他干擾因素會(huì)被排除，雖然這樣人臉的美麗評價(jià)可能會(huì)和人腦評價(jià)有出入，但是人臉五官位置的黃金比例是不會(huì)改變的，也許圖像是個(gè)膚色黝黑的女人，

44、但是五官比例好看也可能是個(gè)美人潛力股。我們直接操作上的2D圖像數(shù)據(jù)。我們依賴對實(shí)驗(yàn)數(shù)據(jù)與面部圖像的二維距離對面部吸引力的影響，因?yàn)闆]有對三維人臉網(wǎng)格標(biāo)記之間距離的數(shù)據(jù)。</p><p><b>　　第5章 訓(xùn)練與預(yù)測</b></p><p>　　5.1 樣本處理過程</p><p>　　5.1.1 樣本訓(xùn)練</p><p&g

45、t;　　本系統(tǒng)上一步通過delaunay三角剖分算法得到的高維特征向量和相應(yīng)的美麗評分作為訓(xùn)練樣本構(gòu)建一個(gè)模型。SVR定義了一個(gè)光滑函數(shù)，我們用它來估算訓(xùn)練集之外的面孔的向量距離的美感分?jǐn)?shù)[8]。根據(jù)已有的算法研究，我們選擇了徑向基核函數(shù)，它可以預(yù)測這樣的非線性行為建模問題。雖然支持向量回歸算法是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則[9]，而不是傳統(tǒng)意義上的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化,具有較好的泛化能力,既能考慮訓(xùn)練樣本的擬合性又考慮了復(fù)雜性，但是模型參數(shù)選擇也

46、將直接影響到模型的概化能力，因此模型參數(shù)的選擇也是至關(guān)重要的，在進(jìn)行樣本收集時(shí)要選擇較有代表性的模型參數(shù)。</p><p>　　針對目前支持向量機(jī)研究工作中所存在的問題,本系統(tǒng)選擇的處理方式[10]是：</p><p>　　采用一個(gè)廣義加權(quán)型支持向量回歸機(jī)。該模型通過引入加權(quán)參數(shù)和一個(gè)靈活可變的凸函數(shù),在支持向量回歸機(jī)的推廣能力和經(jīng)驗(yàn)風(fēng)險(xiǎn)之間進(jìn)行平衡,使其可以包含若干種已有的支持向量回歸模

47、型。該模型不但拓展了支持向量機(jī)的應(yīng)用形式。而且在核函數(shù)的選取和實(shí)際風(fēng)險(xiǎn)的確定上都比支持向量機(jī)原有方法有著顯著的提高。</p><p>　　嘗試多維輸出的支持向量回歸模型。目前的支持向量回歸理論多集中于一維輸出、多維輸入的問題,對于多維輸出的情況涉獵甚少。該多維輸出模型通過建立基于矩陣的回歸超平面,采用迭代式支持向量回歸的訓(xùn)練方法,可以得到多維加權(quán)的回歸系數(shù),這種方法適用于某一序列上的連續(xù)性輸入輸出問題,已有研究人

48、員通過實(shí)際問題的解決來驗(yàn)證了其有效性。</p><p>　　支持向量機(jī)的先進(jìn)理論還應(yīng)用于銀行客戶分析領(lǐng)域[11]。比如通過建立不同類型的支持向量模型,可以解決包括客戶群體分類、信用評估、客戶盈利能力預(yù)測等客戶分析領(lǐng)域的眾多復(fù)雜問題。但是這對我們的課題是沒有什么影響的。我們的系統(tǒng)只是針對所提出的支持向量回歸模型訓(xùn)練其人工智能,并通過實(shí)際應(yīng)用進(jìn)一步優(yōu)化和完善該支持向量模型的應(yīng)用效果。</p><p

49、>　　在實(shí)例的樣本訓(xùn)練中,通過大量的圖像輸入來提取其特征點(diǎn)，并且給予相應(yīng)的評分標(biāo)注，以大量的數(shù)據(jù)訓(xùn)練集來提高支持向量回歸算法的訓(xùn)練準(zhǔn)確率和推廣能力。</p><p>　　另外，必須一提的是本課題所采用的支持向量回歸算法不使用的非幾何特征，如因?yàn)轭^發(fā)的顏色，皮膚紋理，這些因素可能會(huì)干擾我們評價(jià)一個(gè)人臉圖像。我們試圖產(chǎn)生基于所有相關(guān)條件最準(zhǔn)確的回歸功能，我們的系統(tǒng)設(shè)計(jì)只根據(jù)面部的幾何形狀來判定，從而與非幾何特征

50、的過程無關(guān)。因此，我們調(diào)整美麗分?jǐn)?shù)以減少非幾何特征對它的影響是必要的。</p><p>　　5.1.2 樣本預(yù)測</p><p>　　人臉評價(jià)系統(tǒng)的人臉檢測的特征值提取后實(shí)際上是以矩陣的形式存在。訓(xùn)練集是在訓(xùn)練分類器時(shí)，每次輸入一個(gè)人臉圖像，都要對該圖像取點(diǎn)，提取它的特征值生成特征矩陣，一張圖片在矩陣中就生成一行特征值，作為標(biāo)記。每個(gè)人臉頭像作為樣本被放入系統(tǒng)進(jìn)行訓(xùn)練，我們要對其生成的特征

51、矩陣增加一列評分結(jié)果作為標(biāo)記，這里將這個(gè)給定的評價(jià)放入矩陣中相對應(yīng)的人臉特征值隊(duì)列的最后一列。也就是最后存儲(chǔ)在系統(tǒng)中的是一組矩陣，每行代表一張圖片也就是樣本，每一列代表樣本在某一特征點(diǎn)，每行矩陣的最后一列就是我們要定義的分?jǐn)?shù)。而這整個(gè)矩陣也相當(dāng)于一個(gè)小的人臉評價(jià)數(shù)據(jù)庫。至于對訓(xùn)練集的評價(jià)定義即被標(biāo)記的評價(jià)是在事先找了不同性別的義務(wù)參與者取平均值確定的。通過輸入一定數(shù)量人臉圖像使系統(tǒng)進(jìn)行足夠的機(jī)器學(xué)習(xí)過程，人臉評價(jià)結(jié)果將越來越趨近人腦判斷

52、，當(dāng)然，這要排除因手動(dòng)取點(diǎn)而導(dǎo)致結(jié)果偏差的影響。</p><p><b>　　5.2 實(shí)驗(yàn)分析</b></p><p>　　系統(tǒng)初見雛形后，通過大量的樣本圖像來訓(xùn)練分類器的人工智能。剛開始系統(tǒng)給出的評價(jià)離人腦評價(jià)的差距比較遠(yuǎn)，但是經(jīng)過越來越多的樣本數(shù)據(jù)和程序優(yōu)化，已經(jīng)能比較穩(wěn)定的輸出評價(jià)結(jié)果。本課題已經(jīng)初步實(shí)現(xiàn)了一個(gè)可以用來計(jì)算輸入人臉圖像并進(jìn)行美麗評價(jià)的簡單交互式應(yīng)

53、用程序，從而來展示delaunay三角剖分算法和支持向量回歸算法對人工智能的應(yīng)用潛力。當(dāng)用戶點(diǎn)擊載入圖片按鈕后,通過用戶自主選擇想要評價(jià)的人臉圖片。由于男性和女性對美麗吸引力的標(biāo)準(zhǔn)不太一樣，所以系統(tǒng)在訓(xùn)練機(jī)器人工智能的時(shí)候要分開訓(xùn)練，總的來說對于女性的評價(jià)會(huì)更客觀一點(diǎn)。如系統(tǒng)體驗(yàn)里所述的，用戶如果對系統(tǒng)評價(jià)結(jié)果不滿意也有可能是因?yàn)槭謩?dòng)取點(diǎn)的時(shí)候又偏差，所以添加了一個(gè)“恢復(fù)原圖”的按鈕，如果有必要可以對特征點(diǎn)重新手動(dòng)提取以進(jìn)行相應(yīng)的調(diào)整。

54、接下來，人臉美麗評價(jià)系統(tǒng)會(huì)在幾秒鐘之內(nèi)計(jì)算并彈出新的窗口來顯示評價(jià)結(jié)果。</p><p>　　系統(tǒng)人工智能評測（部分）：</p><p>　　表格 5.1部分系統(tǒng)測評和人腦測評結(jié)果</p><p>　　根據(jù)上述部分樣本檢測的結(jié)果，可以認(rèn)為系統(tǒng)已經(jīng)初步具備了一定的人工智能。雖然系統(tǒng)評分和人臉評分還是有一定出入，但是如果可以不斷加大樣本數(shù)據(jù)廣度即訓(xùn)練集豐富度，系統(tǒng)評分結(jié)

55、果將更加趨近人腦評分。</p><p>　　5.3 系統(tǒng)運(yùn)行情況</p><p>　　打開matlab，運(yùn)行人臉評價(jià)系統(tǒng)。</p><p>　　點(diǎn)擊“載入圖片”，選擇想要評價(jià)的人臉圖像“打開”。</p><p><b>　　圖 5.1載入圖片</b></p><p>　　如果用戶未按操作正確載入圖

56、像，系統(tǒng)會(huì)彈出報(bào)錯(cuò)窗口。</p><p>　　圖 5.2系統(tǒng)報(bào)錯(cuò)未選中圖片</p><p>　　成功載入圖片后，點(diǎn)擊“圖片預(yù)處理”，系統(tǒng)會(huì)自動(dòng)將圖片進(jìn)行灰度化和平滑去噪。</p><p>　　圖 5.3圖片預(yù)處理</p><p>　　在預(yù)處理后的人臉圖像上手動(dòng)提取特征點(diǎn)，圖片下方會(huì)動(dòng)態(tài)提示用戶當(dāng)下所提取的特征點(diǎn)的相對坐標(biāo)。單擊鼠標(biāo)左鍵點(diǎn)取需要

57、的點(diǎn)，單擊鼠標(biāo)右鍵點(diǎn)取最后一個(gè)點(diǎn)。</p><p>　　圖 5.4手動(dòng)提取特征點(diǎn)，使用delaunay三角剖分算法進(jìn)行特征值計(jì)算</p><p>　　如果不滿意本次所提取的特征點(diǎn)，可以點(diǎn)擊“重新或取特征點(diǎn)”。系統(tǒng)會(huì)清空上次取點(diǎn)的坐標(biāo)記錄，光標(biāo)變成“十”字，幫助用戶精確取點(diǎn)位置。</p><p><b>　　圖 5.5重新取點(diǎn)</b></p

58、><p>　　點(diǎn)擊“系統(tǒng)評分”，系統(tǒng)會(huì)根據(jù)提取的特征點(diǎn)計(jì)算該人臉圖像的特征值，并彈出新窗口輸出評分結(jié)果。</p><p>　　圖 5.6輸出評分結(jié)果</p><p>　　用戶倘若沒有按操作正確提取特征點(diǎn)就點(diǎn)擊“系統(tǒng)評分”，系統(tǒng)會(huì)報(bào)錯(cuò)。</p><p>　　圖 5.7系統(tǒng)評分出錯(cuò)</p><p>　　如果想評價(jià)別的人臉圖像，

59、可以點(diǎn)擊“清楚已載入圖片”，系統(tǒng)會(huì)情況已有人臉圖像和特征值，返回初始狀態(tài)。</p><p>　　圖 5.8系統(tǒng)返回初始狀態(tài)，用戶可重新載入想評價(jià)的人臉圖像</p><p>　　評分結(jié)果一共分為以下五個(gè)結(jié)果：</p><p>　　圖 5.9評分結(jié)果為1分</p><p>　　圖 5.10評分結(jié)果為2分</p><p>　

60、　圖 5.11評分結(jié)果為3分</p><p>　　圖 5.12評分結(jié)果為4分</p><p>　　圖 5.13評分結(jié)果為5分</p><p>　　在我們實(shí)驗(yàn)過的人臉面孔中，都是亞洲面孔，因?yàn)闅W洲人的面孔比例又是完全不一樣的。通過簡單的人臉美麗評分系統(tǒng)，我們能初步靠系統(tǒng)的人工智能得到一個(gè)人人臉比例的評分。由于我們的分類還比較籠統(tǒng)，所以基本上只能將其分為幾大類。實(shí)驗(yàn)結(jié)束

61、后取新的圖片進(jìn)行評價(jià)，還是有一些人臉的機(jī)器評價(jià)和人腦有一定差異。當(dāng)然這也不排除是人腦主觀意識作祟。總而言之我們的系統(tǒng)可完善的地方還有很多，后期還要再繼續(xù)優(yōu)化。</p><p><b>　　總結(jié)和展望</b></p><p>　　人臉評價(jià)離不開人臉識別。而人臉檢測也是近幾年來的熱門話題，且應(yīng)用已經(jīng)極為廣泛，涉及到多個(gè)領(lǐng)域，如安全，學(xué)術(shù)，甚至生活。所以我們的課題后期要沿著

62、研究如何更加精確的進(jìn)行人臉識別，并精確計(jì)算人臉特征等方向下功夫 。從二十世紀(jì)九十年代以來，人臉自動(dòng)識別取得了重大進(jìn)展，有很新的方法和算法，這些方法具有更高的識別率和自動(dòng)化程度，其中有部分技術(shù)已經(jīng)被推廣應(yīng)用，開發(fā)出了一系列人臉識別系統(tǒng)。所以如果我們的系統(tǒng)如果能夠加入精確的人臉自動(dòng)識別技術(shù)，也會(huì)大大提高系統(tǒng)特征點(diǎn)提取的準(zhǔn)確性，也方便了用戶使用，不會(huì)因?yàn)椴糠钟脩粽`操作或者模糊取點(diǎn)而產(chǎn)生評價(jià)結(jié)果與實(shí)際情況相差太大的情況。</p>

63、<p>　　除了在人臉自動(dòng)識別提高特征值準(zhǔn)確度的部分，人工智能的訓(xùn)練更是人臉評價(jià)系統(tǒng)的關(guān)鍵。目前，我們的技術(shù)對臉部正視圖還是有限的并且只是一個(gè)中立的表達(dá)。對于進(jìn)一步的一項(xiàng)具有挑戰(zhàn)性的方向是拓展我們的技術(shù)，最好能將評價(jià)結(jié)果與人臉美化相結(jié)合，那么應(yīng)用范圍將更加廣闊。</p><p>　　在此次課題中,已經(jīng)限制系統(tǒng)只能操縱幾何形狀的臉。然而,正如前面提到的,也有重要的非幾何屬性產(chǎn)生重大影響的一張臉的美麗評分。

64、這些因素包括頭發(fā)和皮膚的顏色和紋理，系統(tǒng)要調(diào)查這些屬性的變化如何融入評價(jià)范疇，并能較為精確的給出美麗評分結(jié)果也是很有趣的。</p><p>　　最后,當(dāng)系統(tǒng)能夠得到最大程度趨近人腦的美麗評價(jià)結(jié)果后，其實(shí)對于人臉美麗的追求應(yīng)該還有很大的可發(fā)展的空間。為了豐富系統(tǒng)的使用，如果能夠加入人臉美化功能，將使系統(tǒng)的發(fā)展前景更加廣闊，應(yīng)用范圍也會(huì)更大。比如幫助醫(yī)院進(jìn)行醫(yī)療美容、妝容修飾[12]等。</p><

65、;p>　　應(yīng)該注意的是,本課題的研究的目的不是深入獲取或者說理解人類是如何看待面部吸引力，因此我們沒有試圖獲得具體明確的評價(jià)指南，比如特定方式的取點(diǎn)將得到較高的評分。相反，我們試圖在基于原始收集美麗的分?jǐn)?shù)上開發(fā)一個(gè)更一般的方法，這個(gè)辦法可以用最簡單的方式得到較為準(zhǔn)確較為趨近人腦評斷的系統(tǒng)。這是系統(tǒng)開發(fā)的初衷也是要實(shí)現(xiàn)的目標(biāo)。也許，使用者會(huì)在他們追求如何更好的理解感性美的時(shí)候找到這個(gè)系統(tǒng)的有用之處。此外,正如前面所提到的，希望能夠拓

66、展這種根據(jù)數(shù)據(jù)處理的增強(qiáng)而將這些算法技術(shù)應(yīng)用到其他各個(gè)方面的美學(xué)中去。</p><p><b>　　參考文獻(xiàn)</b></p><p>　　李穎.基于美麗指數(shù)的人臉美學(xué)分析模型[D]. 2012年4月12日.</p><p>　　Zhang D, Zhao Q J, Chen F M. Quantitative Analysis of Human

67、 Facial Beauty Using Geometric Features[J]. Pattern Reconition, 44: 940-950，2011.</p><p>　　顧昭藝.基于人臉識別的社交關(guān)系檢索系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 2013年1月14日.</p><p>　　SIGGRAPH. Data-Driven Enhancement of Facial Attracti

68、veness[D]. 2008. </p><p>　　毛慧蕓.人臉美麗吸引力的特征分析與機(jī)器學(xué)習(xí)[D].華南理工大學(xué)，2011年</p><p>　　C.-C. Chang and C.-J. Lin. LIBSVM: a library for support vector machines. ACM Transactions on Intelligent Systems and Te

69、chnology[J]. 2:27:1-27:27，2011.</p><p>　　王敏.人臉美麗分類算法研究[D]. 西安電子科技大學(xué)，2012年.</p><p>　　朱姍姍.基于幾何特征的人臉美學(xué)分析[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué)碩士論文，44-46,2011.</p><p>　　陳伊力.基于數(shù)據(jù)驅(qū)動(dòng)的人臉美化[D]. 2012年6月12日.</p

70、><p>　　戴禮青.人臉的幾何特征分析與美麗分?jǐn)?shù)計(jì)算[D]. 2014年.</p><p>　　李忠偉;支持向量機(jī)學(xué)習(xí)算法研究[D]. 哈爾濱工程大學(xué)，2006年.</p><p>　　孫凱;計(jì)算人臉醫(yī)學(xué)美學(xué)研究[D]. 哈爾濱工業(yè)大學(xué)，2010年.</p><p><b>　　致 謝</b></p>&l