本发明提供了一种基于几何特征的人脸美感分析方法,通过基于组合策略的局部几何特征进行组合描述,并采用基于记忆的动态加权核密度估计(MDKDE)构建弱分类器,利用Adaboost集成学习机制实现特征的有效集成,得到人脸美感精确类别。与以往基于几何特征的人脸美感分析技术不同的是,本发明从欧氏距离、斜率和面积等多角度选取描述人脸美感的局部几何特征,构成人脸美感的单一描述,并由局部几何特征描述进行组合得到组合特征描述,并采用MDKDE构建Adaboost集成学习的弱分类器,对任意输入的人脸图像获得了较好的分类结果。
1.一种基于几何特征的人脸美感分析方法,其特征在于,所述方法包括:离线数据库建立与在线监测,其中离线数据库建立部分分为离线预处理和离线处理,在线监测部分分为在线预处理和在线处理;所述离线预处理包括对预选图片数据库中每张人脸图像的各器官上标定41个特征点,各器官上特征点的连线用于描绘该器官的轮廓,存储各特征点的坐标,组合单一特征描述和组合特征描述,用于在线监测时,与未知人脸图像标注后所选取的相应的组合特征进行比较;所述离线处理包括将获得的数据库中所有图像组成的特征组合描述,采用基于记忆的动态加权核密度估计构建弱分类器;所述基于记忆的动态加权核密度估计构建弱分类器包括:将输入的样本用几何特征描述,对每个特征f训练一个弱分类器:所述对每个特征f训练一个弱分类器包括:归一化所有样本权重w_t,i为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="417"/>ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="428"/>所述ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="110"/>为“有吸引力的”样本权重,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="124"/>为“没有吸引力的”样本权重;每个特征f对应一个弱分类器,对f=1,...,nf:所述nf为特征组合描述个数;对于f中的任意一点,其分布密度函数p(x)的核密度估计为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="574"/>所述ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="342"/>是第i个样本点在Adaboost算法中前(t-1)轮动态权值的平均值,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="317"/>为核函数,h表示窗宽或带宽,所述基于记忆的动态加权核密度估计构建的弱分类器为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="700"/>其中ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="112"/>为特征f属于有吸引力的类别的概率密度,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="118"/>为特征f属于没有吸引力的类别的概率密度;所述有吸引力的是指人脸图像的基准值大于预设值,所述没有吸引力的是指人脸图像的基准值小于预设值;所述基准值是每张图像超过50人打分的等级平均值;所述在线预处理包括对输入的每一张人脸图像样本,按离线数据库所选取的41个几何特征点的位置进行人工标定,存储每个点的坐标值,进行单一特征描述和组合特征描述组合,作为查询向量;所述在线处理具体内容包括将输入图像的几何特征描述通过Adaboost算法进行集成学习,集成各弱分类器为强分类器进行分类,获得与查询向量所描述的人脸图像相应类别的类标号;所述通过Adaboost算法进行集成学习的步骤包括:人脸样本的几何特征描述(x₁,y₁),...(x_i,y_i)...,(x_n,y_n),其中x_i,i=1,...,n为单一特征描述或组合特征描述,类别标签y_i=1,0分别表示“有吸引力的”和“没有吸引力的”,n为样本总数;初始化样本权值w_1,i,对于有吸引力的w_1,i=12m,对于没有吸引力的w_1,i=12l,其中m和l分别为正负样本个数,n=m+l;对t=1,...,T:进行处理,其中T为选取的弱分类器的个数,包括:归一化权重w_t,i: w t , i = w t , i Σ j = 1 n w t , j ]]>对每个特征f,训练一个MDWKDE弱分类器h_t,f;计算对应所有特征的弱分类器的加权(w_t)错误率: e t , f = Σ i w ‾ t , i | h t , f ( x i ) - y i | ]]>选取拥有最小错误率(e_t)的分类器为最佳弱分类器h_t;按照最佳弱分类器的错误率重新调整权重: w t + 1 , i = w ‾ t , i β t 1 - e i ]]>其中,e_i=0表示x_i被正确分类,e_i=1则表示x_i被错误地分类;其中, β t = e t 1 - e t ; ]]>将T个人脸几何特征f组成的弱分类器组集成学习得到最终的强分类器: h ( x ) = 1 Σ t = 1 T α t h t ( x ) ≥ 1 2 Σ t = 1 T α t 0 otherwise ]]>其中ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="293"/>由h(x)的值即可判断样本类别。
2.如权利要求1所述的方法,其特征在于:所述预选图片数据库中每张人脸图像携带有分类信息,具体划分为正例样本或负例样本,即“有吸引力的”或“没有吸引力的”。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:根据所述分类信息对所构建的弱分类器进行校验。
4.如权利要求2所述的方法,其特征在于:所述分类信息是经50人以上分别给出客观美感分值,按其平均值大小划分的。
5.如权利要求1所述的方法,其特征在于:对于离线数据库中的每一张人脸图像计算41个几何特征点中的任意两点之间的欧氏距离,并以瞳间距归一,共取817个,计算描述下颌骨轮廓的10个特征点的两侧任意两点间的斜率共20个,计算描述人脸面积的三角形面积,并以两瞳孔点和鼻尖点构成的三角形面积归一,共取8个,欧氏距离、斜率和三角形面积组成的845维特征向量作为其单一特征描述,同时,存储所有离线数据库中人脸图像的845维特征向量,用于在线监测时,与未知人脸图像标注后所选取的相应的845维特征向量进行比较;对于离线数据库中的每一张人脸图像,经离线处理后得到845维特征向量的每一维的分类性能后,按其分类性能高低排序,选取分类性能较强的前100维向量进行两两组合得到4950维联合特征作为其组合特征描述,分别用于在线监测时,与未知人脸图像标注后所选取的相应的组合特征描述进行比较。
6.如权利要求1所述的方法,其特征在于:对于输入的每一张人脸图像,计算41个几何特征点中的任意两点之间的欧氏距离共817个,并以瞳间距归一,计算描述下颌骨轮廓的10个特征点的两侧任意两点间的斜率共20个,计算描述人脸面积的三角形面积共8个,并以两瞳孔点和鼻尖点构成的三角形面积归一,存储由欧氏距离、斜率和三角形面积组成的845维特征向量作为其单一特征描述的查询向量;对于输入在线预处理的每一张人脸图片,按照离线数据库人脸图像的845维单一特征描述的每一维分类性能的高低排序,从输入图像的845维特征描述中选取相应的前100维进行两两组合得到4950维联合特征作为其组合特征描述的查询向量存储。技术领域
本发明涉及人脸美感分析方法技术领域,特别是涉及一种基于几何特征的人脸美感分析方法。
背景技术
人脸美感是个性与共性的统一,个性是指每个人的容貌都不尽相同,都有自己美的特质,共性是指每个人美的表现不同,但都遵循一定的规律。自古以来,人们对美的追求就从未停止过,哲学家、心理学家、美学家等也一直在试图寻找美的本质,并形成了许多的美学规律,如中国的古典美学标准成为了中国文化的重要思想体系,中国传统审美观的“三庭五眼”说法,自古希腊以来所推崇的“黄金比例”,以及研究者最近发现的新“黄金比例”等。早期,人们认为美是一种抽象的主观概念,“美在旁观者的眼睛里(Beautyxa0isxa0inxa0thexa0eyexa0ofxa0thexa0beholder)”,即对美的判断会根据观察者的性别、年龄、种族、教育程度、文化环境等差异而有所不同。伏尔泰也曾认为,“美是相对的”。然而,有研究发现,给2-3月和6-8月的婴儿呈现按照成人标准划分的女性美丑图片,婴儿注视美女图片的时间明显长于非美女;同时,进化心理学的一项研究发现,亚洲人、西班牙人、黑人和白人在对女性照片打分时,有着高达0.93的正相关。即全世界的人们都在使用一套类似的美感判断准则。人脸美感分析技术正引起人们越来越多的注意,这是因为人脸美感分析技术所带来的巨大的经济效益和社会效益。美国整容手术学会发表报告称,美国整容市场10年来增长4.57倍,2007年行业产值达约130亿美元;进化心理学家从女性美与繁殖的关系中引入“繁殖价值”概念,从进化的角度解释了男性对女性的审美观;面对互联网上的海量信息,从美感角度进行个性化的信息检索也越来越成为各个社交网站的主流方法。随着人类生活方式的不断改变、活动范围的扩大及各民族种群由于种族、地域、气候、生活习性的长期影响,世界各地人群的体质特征都发生了显著变化,其面部特征的改变也尤其明显,因此研究当代人群容貌特征,能为临床美容医学、医疗保健及营养评价标准提供重要的基础资料。貌美人群的各器官遵循一定的比例,而比例失调是畸形的重要变化指标之一。科学家通过貌美人群和普通人群的对比,研究美丽带来的社会影响,即外貌对人际关系的影响程度。美貌特征也严重影响着雕塑家、美术家等的艺术创作,为人类提供了难以估量的精神价值。鉴于人脸美感分析技术在整容手术、化妆、社交网站、娱乐软件、科学研究等领域潜在的应用前景,人们开始思考美的本质,组成美的元素是什么,能否对其量化。上世纪八九十年代,人们在弗朗西斯高尔顿多次提取图像特征技术的基础上利用图像变形软件(Morphingxa0software),由多个独立人脸图像合成平均脸,得到“平均脸理论(Averagenessxa0hypothesis)”,即认为只有平均脸才是最漂亮最吸引人的,越接近平均脸越有吸引力。不过,Perrett等人采用其他合成方法,只将漂亮的人脸合成得到的平均脸要比把所有的人脸(包括漂亮的和不漂亮的)合成得到的平均脸更加吸引人,部分否定了“平均脸理论”,认为平均脸固然有吸引力,但是有吸引力的脸不一定都是平均脸。然而,近年来,随着科学技术和信息技术的进步,特别是计算机技术、网络技术和大容量存储技术的不断发展,人们开始从数据挖掘的角度,利用机器学习和模式识别的方法来分析研究人脸美感。根据美感分析算法基于的特征不同,目前主流的人脸美感分析技术大体上可以分成以下两类:1、基于子空间(Subspacexa0based)的方法基于子空间的方法从人脸表象(Appearance)信息出发,直接输入人脸的灰度图像,即可实现全自动的人脸美感分析。在人脸识别应用中获得了较大成功。人脸图像的维数通常较高,同类的人脸图像在这样高维空间中的分布很不紧凑,因而不利于分类,且计算复杂度高。子空间分析把原始的高维空间中的人脸图像数据投影压缩到一个低维子空间,使数据在子空间中的分布更加紧凑,更有利于分类,同时也大大降低了计算的复杂度。2、基于几何特征(Geometricalxa0featuresxa0based)的方法。基于几何特征的研究方法需要根据已有的经验知识得到可能的描述人脸美感的各个器官的几何比例关系,并训练得到具有较强分类回归性能的特征描述组合,用于新进人脸图像的分类回归。此方法从人类大脑对人脸美感的认知原理出发,易于理解、存储量小、光照变化不敏感。但是由于构成人脸美感的特征描述是多方面的,标准不一的信息,因而具有很大的挑战性,也面临着很多问题。由于上述方法在提取人脸美感特征描述时的侧重点不同,使得对人脸美感分析还存在着很多问题:(1)、对于基于子空间的算法来说,它需要对输入人脸图像进行位置校准预处理,且易受光照、姿势变化、图像质量等的影响。(2)、对于基于几何特征的方法来说,首先,此方法对强烈的表情变化和姿势变化的鲁棒性较差;其次,一般的几何特征只描述了人脸的基本形状和结构关系,忽略了局部细微特征,如纹理特征,造成部分信息丢失;此外,还需人工标定几何关系,工作量大,实验过程需人工介入,不能实现全自动。因此,需要本领域技术人员迫切解决的一个技术问题就是:如何能够创新的提出有一种有效措施以克服现有技术存在的缺陷。
发明内容
本发明所要解决的技术问题是提供一种基于几何特征的人脸美感分析方法,有效实现特征的集成,获取人脸美感精确类别。为了解决上述问题,本发明公开了一种基于几何特征的人脸美感分析方法,所述方法包括:离线数据库建立与在线监测,其中离线数据库建立部分分为离线预处理和离线处理,在线监测部分分为在线预处理和在线处理;所述离线预处理包括对预选图片数据库中每张人脸图像的各器官上标定41个特征点,各器官上特征点的连线用于描绘该器官的轮廓,存储各特征点的坐标,组合单一特征描述和组合特征描述,用于在线监测时,与未知人脸图像标注后所选取的相应的组合特征进行比较;所述离线处理包括将获得的数据库中所有图像组成的特征组合描述,采用基于记忆的动态加权核密度估计构建弱分类器;所述基于记忆的动态加权核密度估计构建弱分类器包括:将输入的样本用几何特征描述,对每个特征f训练一个弱分类器:所述对每个特征f训练一个弱分类器包括:归一化所有样本权重w_t,i为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="420"/>ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="428"/>所述ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="106"/>为“有吸引力的”样本权重,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="126"/>为“没有吸引力的”样本权重;每个特征f对应一个弱分类器,对f=1,...,nf:所述nf为特征组合描述个数;对于f中的任意一点,其分布密度函数p(x)的核密度估计为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="576"/>所述ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="335"/>是第i个样本点在Adaboost算法中前(t-1)轮动态权值的平均值,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="317"/>为核函数,h表示窗宽或带宽,所述核密度估计得弱分类器为ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="700"/>其中ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="113"/>为特征f属于有吸引力的类别的概率密度,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="119"/>为特征f属于没有吸引力的类别的概率密度;所述有吸引力的是指人脸图像的基准值大于预设值,所述没有吸引力的是指人脸图像的基准值小于预设值;所述基准值是每张图像超过50人打分的等级平均值;所述在线预处理包括对输入的每一张人脸图像样本,按离线数据库所选取的41个几何特征点的位置进行人工标定,存储每个点的坐标值,进行单一特征描述和组合特征描述组合,作为查询向量;所述在线处理具体内容包括将输入图像的几何特征描述通过Adaboost算法进行集成学习,集成各弱分类器为强分类器进行分类,获得与查询向量所描述的人脸图像相应类别的类标号;所述通过Adaboost算法进行集成学习的步骤包括:人脸样本的几何特征描述(x₁,y₁),...(x_i,y_i)...,(x_n,y_n),其中x_i,i=1,...,n为单一特征描述或组合特征描述,类别标签y_i=1,0分别表示“有吸引力的”和“没有吸引力的”,n为样本总数;初始化样本权值w_1,i,对于有吸引力的w_1,i=12m,对于没有吸引力的w_1,i=12l,其中m和l分别为正负样本个数,n=m+l;对t=1,...,T:进行处理,其中T为选取的弱分类器的个数,包括:归一化权重w_t,i: w t , i = w t , i Σ j = 1 n w t , j ]]>对每个特征f,训练一个MDWKDE弱分类器h_t,f;计算对应所有特征的弱分类器的加权(w_t)错误率: e t , f = Σ i w ‾ t , i | h t , f ( x i ) - y i | ]]>选取拥有最小错误率(e_t)的分类器为最佳弱分类器h_t;按照最佳弱分类器的错误率重新调整权重: w t + 1 , i = w ‾ t , i β t 1 - e i ]]>其中,e_i=0表示x_i被正确分类,e_i=1则表示x_i被错误地分类;其中, β t = e t 1 - e t ; ]]>将T个人脸几何特征f组成的弱分类器组集成学习得到最终的强分类器: h ( x ) = 1 Σ t = 1 T α t h t ( x ) ≥ 1 2 Σ t = 1 T α t 0 otherwise ]]>其中ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="290"/>由h(x)的值即可判断样本类别。优选的,所述预选图片数据库中每张人脸图像携带有分类信息,具体划分为正例样本或负例样本,即“有吸引力的”或“没有吸引力的”。优选的,所述方法还包括:根据所述分类信息对所构建的弱分类器进行校验。优选的,所述分类信息是经50人以上分别给出客观美感分值,按其平均值大小划分的。优选的,对于离线数据库中的每一张人脸图像计算41个几何特征点中的任意两点之间的欧氏距离,并以瞳间距归一,共取817个,计算描述下颌骨轮廓的10个特征点的两侧任意两点间的斜率共20个,计算描述人脸面积的三角形面积,并以两瞳孔点和鼻尖点构成的三角形面积归一,共取8个,欧氏距离、斜率和三角形面积组成的845维特征向量作为其单一特征描述,同时,存储所有离线数据库中人脸图像的845维特征向量,用于在线监测时,与未知人脸图像标注后所选取的相应的845维特征向量进行比较;对于离线数据库中的每一张人脸图像,经离线处理后得到845维特征向量的每一维的分类性能后,按其分类性能高低排序,选取分类性能较强的前100维向量进行两两组合得到4950维联合特征作为其组合特征描述,分别用于在线监测时,与未知人脸图像标注后所选取的相应的组合特征描述进行比较。优选的,对于输入的每一张人脸图像,计算41个几何特征点中的任意两点之间的欧氏距离共817个,并以瞳间距归一,计算描述下颌骨轮廓的10个特征点的两侧任意两点间的斜率共20个,计算描述人脸面积的三角形面积共8个,并以两瞳孔点和鼻尖点构成的三角形面积归一,存储由欧氏距离、斜率和三角形面积组成的845维特征向量作为其单一特征描述的查询向量;对于输入在线预处理的每一张人脸图片,按照离线数据库人脸图像的845维单一特征描述的每一维分类性能的高低排序,从输入图像的845维特征描述中选取相应的前100维进行两两组合得到4950维联合特征作为其组合特征描述的查询向量存储。与现有技术相比,本发明具有以下优点:本发明通过基于组合策略的局部几何特征进行组合描述,并采用基于记忆的动态加权核密度估计(MDKDE)构建弱分类器,利用Adaboost集成学习机制实现特征的有效集成,得到人脸美感精确类别。与以往基于几何特征的人脸美感分析技术不同的是,本发明从欧氏距离、斜率和面积等多角度选取描述人脸美感的局部几何特征,构成人脸美感的单一描述,并由局部几何特征描述进行组合得到组合特征描述,并采用MDKDE构建Adaboost集成学习的弱分类器,对任意输入的人脸图像获得了较好的分类结果。
附图说明
图1是本发明具体实施方式所述的一种基于几何特征的人脸美感分析方法的示意图;图2是本发明具体实施方式所述的几何特征点的选取位置的示意图;图3是本发明具体实施方式所述的人脸几何特征提取的示意图;图4是本发明具体实施方式所述的人脸斜率特征描述示图;图5是本发明具体实施方式所述的三角形面积特征描述示图;图6是本发明具体实施方式所述的人脸特征组合描述示意图;其中i,i=1,2...845为单一特征描述的第i维特征描述值,假设1到845是按其分类性能从高到低排序;图7是本发明具体实施方式所述的Adaboost算法原理示意图;图8是本发明具体实施方式所述的非参估计示意图;图9是本发明具体实施方式所述的动态加权核密度估计示意图;图10是本发明具体实施方式所述的基于样本分类错误驱动的DWKDE;图11是本发明具体实施方式所述的基于样本分类错误驱动的MDWKDE;图12是本发明具体实施方式所述的单一局部特征描述分类结果示意图;图13是本发明具体实施方式所述的单一特征描述集成学习分类结果示意图;图14是本发明具体实施方式所述的组合特征描述分类结果示意图;图15是本发明具体实施方式所述的组合特征描述集成学习分类结果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。参照图1,示出了本发明所述的一种基于几何特征的人脸美感分析方法的示意图,下面对本发明的具体实施方式作详细阐述。1、几何点标注在本发明中,考虑到人工工作量的大小,在选取人脸图像的几何标注点时,共选取41个特征点,各器官上各特征点的连线能大致描绘出该器官的轮廓。对输入的每一个人脸图像按照预先设定的41个几何特征点进行人工标注,并存储每个点的坐标值。图2给出了本方案的几何特征点的选取位置,图3为人脸几何特征提取的示意图。2、特征组合对于每一张已经标注的人脸图片:(1)计算任意两个点A(x₁,y₁)和B(x₂,y₂)之间的欧氏距离共820个,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="700"/>并以瞳间距归一,去除瞳间距及上下唇中间点到上唇和下唇的距离2个,共817个;(2)计算描述下颌骨轮廓各点的两侧任意两点C(x₃,y₃)和D(x₄,y₄)间的斜率共20个ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="322"/>具体参照图4给出的人脸斜率特征描述示图;(3)计算描述人脸面积的三角形面积,并以两瞳孔点和鼻尖点构成的三角形面积归一,去除两瞳孔点和鼻尖点构成的三角形面积,共8个,具体参照图5给出的三角形面积特征描述示图;(4)将上述共845维特征组合在一起作为其单一特征描述,如图6所示;(5)经离线处理得到845维特征的每一维的分类性能后,按其分类性能高低排序,选取分类性能较强的前100维进行两两组合得到4950维二次联合特征作为其组合特征描述,如图6所示。3、Adaboost集成学习1995年,Freund和Schapire根据在线分配算法提出了Adaboost算法,其全称为Adaptivexa0Boosting,取名Adaboost以区别于Boosting算法。Adaboost是一种迭代算法,其核心思想是针对同一个训练集的不同分布训练不同的弱分类器,然后将这些弱分类器集合起来,构成一个更强的最终的强分类器。其算法本身是通过改变数据分布来实现的,它根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器。参照图7为Adaboost算法原理示意图。使用Adaboost分类器可将分类重心放在容易错分的数据上面,如图10所示。其中,圆圈和的点表示待分类的数据,符号越大表示权重越高,实线表示目前的分类结果(由前m次合并得到),虚线表示当前预分类,它会更关注上一次被错分的数据,即那些符号的大的数据,则在当前分类中被错分的概率降低。当m=150的时候,已基本将两种不同符号的点分开。Adaboost算法针对同一个训练集的不同权重分布训练不同的弱分类器。初始时,每个样本对应的权重是相同的,即1n,其中n为样本个数,在此样本分布下训练出一弱分类器。对于分类正确的样本,降低其权重,这样被分错的样本就被突出出来,从而得到一个新的样本分布。在新的样本分布下,再次对弱分类器进行训练,得到弱分类器。依此类推,经过T次循环,得到T个弱分类器,把这T个弱分类器按一定的权重叠加(Boost)起来,得到最终想要的强分类器。Adaboost集成算法流程具体步骤如下:人脸样本的几何特征描述(x₁,y₁),...,(x_n,y_n),其中x_i,i=1,...,n为单一特征描述或组合特征描述,类别标签y_i=1,0分别表示“有吸引力的”和“没有吸引力的”,n为样本总数。(1)初始化样本权值w_1,i,w_1,i=12m(对“有吸引力的”)或w_1,i=12l(对“没有吸引力的”),其中m和l分别为正负样本个数,n=m+l;(2)对t=1,...,T:(T为选取的弱分类器的个数)1)、归一化权重w_t,i: w t , i = w t , i Σ j = 1 n w t , j ]]>2)、对每个特征f,训练一个MDWKDE弱分类器h_t,f;3)、计算对应所有特征的弱分类器的加权(w_t)错误率: e t , f = Σ i w ‾ t , i | h t , f ( x i ) - y i | ]]>4)、选取拥有最小错误率(e_t)的分类器为最佳弱分类器h_t;5)、按照最佳弱分类器的错误率重新调整权重: w t + 1 , i = w ‾ t , i β t 1 - e i ]]>其中,e_i=0表示x_i被正确分类,e_i=1则表示x_i被错误地分类; β t = e t 1 - e t . ]]>(3)将T个人脸几何特征f组成的弱分类器组集成学习得到最终的强分类器: h ( x ) = 1 Σ t = 1 T α t h t ( x ) ≥ 1 2 Σ t = 1 T α t 0 otherwise ]]>其中ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="296"/>由h(x)的值即可判断样本类别。4、构建MDWKDE弱分类器每一个输入特征都对应着一个弱分类器,Adaboost算法的训练就是挑选最优弱分类器,并赋予权重的过程。弱分类器采用某种策略对样本进行分类,因此,弱分类器的选择对于样本分类的正确率起到至关重要的作用,为了保证最终的强分类器能够收敛,弱分类器对样本分类的错分率必需小于0.5,即至少要比随机猜测略好,这样训练算法最终才能够收敛。Adaboost算法中所训练的弱分类器可以是任何分类器,如决策树,神经网络,阈值分类器,概率密度估计等。由给定样本点集合求解随机变量的分布密度函数的常用方法有参数估计和非参数估计。由于参数估计将真实分布看作是一种参数形式的已知分布,如线性、可化线性或指数性态等,然后在目标函数族中寻找特定的解,即确定回归模型中的未知参数。经验和理论表明,参数模型的这种基本假定与实际的物理模型之间常常存在较大的差距,这些方法并非总能取得令人满意的结果。而非参数估计不利用有关数据分布的先验知识,对真实分布不做任何先验假设的基础上,对真实分布进行估计,是一种从数据样本本身出发研究数据分布特征的方法,因而,在统计学理论和应用领域均受到高度的重视。本方案中我们以非参估计的核密度估计为例,可参照图8。Rosenblatt(1955)和Emanuelxa0Parzen(1962)提出的核密度估计,又名Parzen窗密度估计,是一种经典的概率密度算法,在概率论中用来估计未知的密度函数,属于非参数检验方法之一,是一种具有广泛应用领域的非参数估计方法。设样本集(x₁,x₂,...,x_n),对于任意一点,其分布函数p(x)的核密度估计可定义如下: p ^ ( x ) = 1 nh Σ i = 1 n K h ( x - x i ) - - - ( 1 ) ]]>其中ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="304"/>为核函数,h表示窗宽或带宽。由上式可看出,一般的核密度估计利用数据点x_i到x的距离K_h(x-x_i)来判定x_i在估计点x的概率密度时的“贡献”,并以每个采样点为中心的局部函数的加权平均作为该数据点概率密度函数的估计值,如图11所示。本方案中我们采用常用的高斯核函数,则(1)式可写为: p ^ ( x ) = 1 n Σ i = 1 n 1 ( 2 π ) d / 2 σ exp { - 1 2 σ 2 ( x - x i ) T ( x - x i ) } - - - ( 2 ) ]]>其中,x=[x₁,x₂,...,x_d]^T是d维列向量,σ为样本方差。式(2)在求解概率密度时假设所有样本点在采样点处的权值均为1/n,但在Adaboost算法中,每一轮训练过后都会重新调整样本权重,本方案结合Adaboost算法每一轮训练过程后根据样本分类错误率调整每个样本对应的权重来产生不同训练集的思想,提出动态加权核密度估计(Dynamicallyxa0Weightedxa0KDE,DWKDE)算法,具体参照图9,即由动态样本权重估计概率密度,则(2)式可改写为: p ^ t ( x ) = Σ i = 1 n w t , i ( 2 π ) d / 2 σ exp { - 1 2 σ 2 ( x - x i ) T ( x - x i ) } - - - ( 3 ) ]]>其中w_t,i,i=1,...,n为上一轮Adaboost训练后新的样本权重分布。基于样本分类错误驱动的DWKDE可以更好的拟合样本的未知概率密度分布,每个样本点x_i对x的概率密度“贡献”不仅包含其距离K_h(x-x_i)的变化,还包含了样本点x_i的权值的变化,在Adaboost重新调整权值后,上一轮被错分的样本权值增大,相应的概率密度增大,下一轮被错分的可能减小,如图12所示。由图13可以看出,随着样本权重的重新分布,图中绿线所指样本点的概率密度变化浮动较大,DWKDE采用每轮样本权重的重新分布,必将引起概率密度的剧烈变化。为了避免样本权重剧烈变化对概率密度估计的影响,本方案在动态加权核密度估计的基础上提出基于记忆的动态加权核密度估计(Memoryxa0basedxa0Dynamicallyxa0Weightedxa0KDE,MDWKDE),即根据样本权重的历史变化趋势,第t次的样本权重分布由前(t-1)次的分布权重统计得到,根据(3)式,可得如下概率密度估计: p ^ t ( x ) = Σ i = 1 n w ‾ t , i ( 2 π ) d / 2 σ exp { - 1 2 σ 2 ( x - x i ) T ( x - x i ) } - - - ( 4 ) ]]>其中,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="490"/>是第i个样本在Adaboost算法中前(t-1)轮动态权值的平均值。权重平均值的选取避免了由于样本错误分类引起的分布权重变化而引起概率密度估计的剧烈变化,起到了一定的修正基于动态加权核密度估计的作用,如图14所示,由于采用前(t-1)轮动态权值的平均值作为新的样本权重分布,减小了剧烈变化的幅度,使得样本概率密度估计在一个小的范围内递增或递减,提高了估计的稳定准确性。综上,本方案所提出的Adaboost集成算法中利用基于样本分类错误驱动的基于记忆的动态加权核密度估计训练弱分类器,具体步骤如下:将输入的样本几何特征描述,对每个特征f训练一个弱分类器:(1)、归一化所有样本权重wt,i: w t , i Pos = w t , i Pos Σ j = 1 m w t , j Pos , w t , i Neg = w t , i Neg Σ j = 1 l w t , j Neg ]]>其中,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="120"/>为“有吸引力的”样本权重,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="122"/>为“没有吸引力的”样本权重;(2)、每个特征f对应一个弱分类器,对f=1,...,nf:(nf为特征组合描述个数)1)、对于f中的任意一点,其分布密度函数p(x)的核密度估计: p ^ t ( x ) = Σ i = 1 n w ‾ t , i K h ( x - x i ) ]]>其中,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="339"/>是第i个样本点在Adaboost算法中前(t-1)轮动态权值的平均值,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="313"/>为核函数,h表示窗宽或带宽,本方法中我们选择最常见的高斯窗: K ( x ) = 1 ( 2 π ) d / 2 σ exp { - 1 2 σ 2 ( x - x i ) T ( x - x i ) } ]]>其中,x=[x₁,x₂,...,x_d]^T是d维列向量,d=1时x为单一特征描述,d=2时x为组合特征描述,σ为样本方差;2)、由核密度估计得弱分类器: h t , f ( x ) = sgn ( p ^ t Pos ( x ) - p ^ t Neg ( x ) ) ]]>其中ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="114"/>为特征f属于“有吸引力的”类别的概率密度,ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="120"/>为特征f属于“没有吸引力的”类别的概率密度。进一步的进行说明的,实验中用到的数据库来自于Hotornot网站,该网站是一个允许人们对自愿上传的图片进行打分的社交网站。本文选用了1230张女性图片组成的子数据库,且每张图片均附有超过50人打分的等级平均值,即基准分值,等级分为1到10级。实验只考虑两类情况,“没有吸引力的”(Unattractive)和“有吸引力的”(Attractive),其中基准值小于8的,共601张图片划分为第一类,即“没有吸引力的”,剩余基准值大于8的,共629张划为第二类,即“有吸引力的”。为了获得其几何特征,显示对图像进行几何标注,共标注41个点,然后提取其距离信息,斜率信息和三角面积信息共845维特征,即可获得845维单一局部几何特征,其中任意两维特征可组合为一个二维组合描述特征。对上述单一局部几何特征和组合特征描述分别进行学习分类,由实验结果可知,组合特征描述的分类性能要优于单一局部几何特征,即组合特征描述具有更有效地人脸美感本征描述性能;对上述单一局部几何特征和组合特征描述分别采用Adaboost模型进行集成学习分类,可参照图15,由实验结果可知,采用Adaboost模型可提取出更有效地本征描述,且本方案提出的基于记忆的动态加权核密度估计构建弱分类器方法性能要优于核密度估计方法。以上对本发明所提供的一种基于几何特征的人脸美感分析方法,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。