人脸美学质量评价旨在应用计算机技术来模仿人类对美的感觉与理解过程,进而实现对人物面部图像吸引力的自动判定.传统人脸美学研究过多地依赖于手工制作的人脸特征,且主要关注整体的面部特征,而忽略了面部各个区域的局部特征.针对上述问题,提出了一种基于深度学习的人脸美学质量评价方法研究.首先,用MTCNN提取面部结构化特征,并作为辅助信息输入到网络中参与训练;然后,在MobileNet V2网络中融入并行注意力机制网络模块,提取具有代表性的局部特征;最后,将注意力机制输出的特征输入到全连接层,完成人脸吸引力预测任务.在SCUT-FBP5500 和CelebA数据集的实验结果表明,基于并行注意力机制的人脸美学质量评价方法与以往先进方法相比,在CelebA脸部数据库中,使得脸部吸引力的精确度提高了 1.5%.在SCUT-FBP5500 数据集中,使得脸部吸引力的评分在评价指标上增加了0.026点,为基于人脸吸引力自动调整人脸图像的研究提供有效支撑.
NETL
NSTL
万方数据
