面部吸引力的研究与实践

摘要

随着社会多样性的发展，人们对于美丽的面部有着更高的追求，始自于上世纪90年代的人脸美化的研究近年来越来越受重视.目前，人脸美化已经吸引了来自不同领域的研究者，如感知学、心理学、生物学、人工智能学等等.在对国内外相关领域的期刊和书籍的研究分析后，发现人脸美化有以下的三个难点和热点，形状和纹理的结合、相似度和美丽度上的平衡、人脸被人感知容易但难于被机器刻画和识别.基于上述的难点和热点，本文做了以下三项工作:
　　1、将主动外观模型(AAM)应用到人脸美化领域.形状上，将主动外观模型参数与K最近邻(KNN)方法相结合，并应用了细节KNN方法对美化后的人脸进行微调，使得最终的美化人脸更具有吸引力.纹理上，将二维主成分分析应用到主动外观模型中，提高了效率并减少了复杂度.该模型同时使用了人脸形状空间与纹理空间的信息，实现了相似度和美丽度平衡.
　　2、将支持向量回归方法(SVR)应用到人脸美化上。我们建立了一个标准化的带特征点以及评分的图片数据库，通过机器学习的方法训练数据库中的训练图片，得到了人脸美化能量函数，用最小化的方法计算出美化后的人脸.实验表明机器学习的SVR方法可以进行人脸美化，并将以上两种人脸美化算法做了对比。
　　3、应用局部美化算法对嘴的纹理上色。首先建立嘴唇模板，其次将嘴唇与模板之间的非刚性的变换转化为三角剖分上的刚性变换，同时拟合嘴唇边缘轮廓，将其光滑化，最后完成嘴唇纹理上色.

目录

声明

摘要

第一章 绪论

1．1 选题背景和研究意义

1．2 美丽的评价标准

1．2．1 三庭五眼

1．2．2 黄金分割

1．2．3 平均脸

1．2．4 对称性

1．3 本文的组织结构

第二章 预处理

2．1 带美丽度评分的数据库

2．2 特征点的提取

2．2．1 主动外观模型

2．2．2 ASM算法提取特征点

2．3 标准化

2．3．1 形状标准化

2．3．2 灰度标准化

2．4 人脸图像形变方法

2．4．1 基于ASM的薄板样条形变方法

2．4．2 基于点的移动最小二乘法

第三章 美化方法

3．1 K最近邻方法(KNN)

3．1．1 整体KNN美化方法

3．1．2 细节KNN美化方法

3．2 支持向量回归(SVR)理论

3．2．1 支持向量机

3．2．2 支持向量回归

3．2．3 基于SVR的人脸美化算法

3．3 KNN美化算法与SVR算法结果对比

3．4 基于AAM的灰度人脸美化

第四章 人脸化妆算法

第五章 结论

5．1 工作创新点及总结

5．2 工作展望

参考文献

致谢

研究成果及发表的学术论文

作者与导师简介