CN111597972B - 基于集成学习的妆容推荐方法 - Google Patents

基于集成学习的妆容推荐方法 Download PDF

Info

Publication number
CN111597972B
CN111597972B CN202010407658.XA CN202010407658A CN111597972B CN 111597972 B CN111597972 B CN 111597972B CN 202010407658 A CN202010407658 A CN 202010407658A CN 111597972 B CN111597972 B CN 111597972B
Authority
CN
China
Prior art keywords
makeup
picture
learning
training
recommendation method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010407658.XA
Other languages
English (en)
Other versions
CN111597972A (zh
Inventor
张金
诸佳昕
陈颖
陈孚生
黄伦松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nankai University
Original Assignee
Nankai University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nankai University filed Critical Nankai University
Priority to CN202010407658.XA priority Critical patent/CN111597972B/zh
Publication of CN111597972A publication Critical patent/CN111597972A/zh
Application granted granted Critical
Publication of CN111597972B publication Critical patent/CN111597972B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及智能终端技术领域，更具体地，涉及一种基于集成学习的妆容推荐方法。该方法包括以下步骤，获取素颜图，并对图像中人物进行面部特征识别分析；将面部特征分析结果输入学习模型中，从妆容集中找到推荐妆容图；根据推荐妆容图，进行妆容迁移，得到迁移图。集成学习训练出的妆容推荐原则可以考虑到不同五官特征对妆容的影响大小不同的问题，更接近于人类的妆容推荐方式。优于传统的相似度分析得到的结果，节省了人工进行五官分析与妆容推荐的时间，解决了用户不知道什么妆容适合自己的问题。

Description

基于集成学习的妆容推荐方法
技术领域
本发明涉及智能终端技术领域，更具体地，涉及一种基于集成学习的妆容推荐方法。
背景技术
现有的妆容推荐算法大都是基于比较人脸的相似度进行妆容推荐。比如《东方女性人脸妆容推荐算法研究》根据VGGFACE特征描述子相似度推荐妆容，《基于深度学习的人脸自动美妆与深度哈希算法》选取与当前人脸特征的欧氏距离最小者作为推荐结果。但是事实上这样的推荐不是完全合理的。对于不同脸型不同五官的人来说，相似的妆容并不等同于合适的妆容。如果一个人的素颜的眉型与脸型本身就不协调，那么根据相似度原则推荐得到的结果还是不适合他的妆容。这样的妆容推荐的实际参考价值不大。
发明内容
人脸的特征太过复杂，简单的特征分类并不能完全契合的描述一个人的面部特征，预测出的不同的面部特征的影响大小也并非绝对，因此本发明提出了一种基于集成学习的妆容推荐方法，引入了集成学习，集成多个弱的决策从而给出一个可信度相对较高的决策，推荐最合适的妆容。解决了传统妆容推荐效果不佳、不人性化的问题。解决了不同面部特征对妆容的整体效果影响不同所导致的面部特征权重分配问题。
为实现上述目的，本发明采用如下技术方案：
基于集成学习的妆容推荐方法，该方法包括以下步骤，
获取素颜图，并对图像中人物进行面部特征识别分析；
将面部特征分析结果输入学习模型中，从妆容集中找到推荐妆容图；
根据推荐妆容图，进行妆容迁移，得到迁移图。
本技术方案进一步的优化，所述妆容推荐方法如下，
S201.获取训练集，从训练集中随机抽取n个样本；
S202.重复第一个步骤k次，得到k组训练集；
S203.每次使用一个训练集进行训练得到一个学习模型，k个训练集共得到k个模型；
S204.利用上一步得到的k个模型进行预测得到k个预测结果；
S205.统计预测结果，预测结果最多的即为推荐妆容图。
本技术方案更进一步的优化，所述步骤S205，采用投票的方式统计出现次数最多的结果，再依据迁移图与素颜图的颜值差初始分布情况进行换算，最终得到的最高的值对应的结果即为推荐妆容图；所述初始分布进行换算的具体方法：
S2051、利用直接统计的方法记录初始颜值差各个等级出现的概率记为ai；
S2052、对于k个预测结果统计所有类别的票数，每个类别的票数除以k，得到结果为k类的概率记为bi；
S2052、最终预测的结果为max((bi-ai)*qi/ai)此处的qi为根据初始分布概率计算的权重。
本技术方案更进一步的优化，所述学习模型的训练集的获取方法如下，
将妆容图B与素颜图A比较得到X，妆容图B迁移到素颜图A上得到迁移图C，获取迁移图C的颜值分Y，将素颜图与妆容集中的所有妆容图进行对比并迁移，获得训练集。
本技术方案更进一步的优化，所述所述学习模型为线性函数：
Y＝WTX+β，
其中，Y为颜值分，W为权重，X为素颜图和妆容图对比，β为权重偏置。
本技术方案更进一步的优化，所述学习模型采用训练集的数据计算权重W和权重偏置β，
采用均方误差MSE作为损失函数Loss，
Figure BDA0002491930860000031
其中，m为训练数据组数，i代表第i组训练数据，f(Xi)为预测颜值分，Yi为实际颜值分，若Loss函数值越小，则表示f(Xi)与Yi之间的差别越小，采用梯度下降算法，迭代计算出W和β。
本技术方案更进一步的优化，所述梯度下降算法，梯度下降的调优公式为：
Wj＝W’j-learnrate*2*MSEW*Xk
βj＝β’j-learnrate*2*MSEW
其中，j代表第j次迭代，learnrate为参数学习率，W'、β'表示上一轮迭代得到的W、β，Xk是在随机梯度下降过程中选择了第k组数据，MSEW是根据上一轮算出的W和β计算的Loss，k表示随机选中了第k组数据进行随机梯度下降。
本技术方案进一步的优化，所述面部特征包括脸型、眼型、鼻型、唇型、眉型、三庭五眼。
区别于现有技术，上述技术方案不遵循传统的“相似即合适”的智能妆容推荐原则，而是通过集成学习的手段，通过智能上妆前后的对比作为妆容合适度的反馈，更符合现实中的人工个性化妆容推荐理念。集成学习中将利用加权结合的策略，即遵循“少数服从多数”的原则，这样得到的学习机更具有普适性，适用人群广。集成学习训练出的妆容推荐原则可以考虑到不同五官特征对妆容的影响大小不同的问题，更接近于人类的妆容推荐方式。优于传统的相似度分析得到的结果，节省了人工进行五官分析与妆容推荐的时间，解决了用户不知道什么妆容适合自己的问题。
附图说明
图1为妆容迁移示意图；
图2为训练数据集图；
图3为在小部分数据下测试的收敛效果；
图4为集成学习示意图；
图5为每次抽取n个样本示意图；
图6为k个模型示意图；
图7为最优迭代次数示意图；
图8为最优学习率示意图；
图9为妆容迁移图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
本发明提出一种基于集成学习的妆容推荐方法，该方法包括以下步骤，
S1、获取素颜图，并对图像中人物进行面部特征识别分析。
面部特征分析，获取图像中人物的面部特征，基于面部特征进行颜值分析。面部特征分析包括对面部特征分析，以及根据分析的面部特征识别进行颜值分析。面部特征分析可根据单张正面人脸图片，利用其分析人脸面部特征，包括脸型、眼型、鼻型、唇型、眉型、三庭五眼。
各个分类的具体属性值如下：
1)脸型：pointed_face(瓜子脸)/oval_face(椭圆脸)/diamond_face(菱形脸)/round_face(圆形脸)/long_face(长形脸)/square_face(方形脸)/normal_face(标准脸)
2)眼型：round_eyes(圆眼)/thin_eyes(细长眼)/big_eyes(大眼)/small_eyes(小眼)/normal_eyes(标准眼)
3)鼻型：normal_nose(标准鼻)/thick_nose(宽鼻)/thin_nose(窄鼻)
4)唇形：thin_lip(薄唇)/thick_lip(厚唇)/smile_lip(微笑唇)/upset_lip(态度唇)/normal_lip(标准唇)
5)眉形：bushy_eyebrows(粗眉)/eight_eyebrows(八字眉)/raise_eyebrows(上挑眉)/straight_eyebrows(一字眉)/round_eyebrows(拱形眉)/arch_eyebrows(柳叶眉)/thin_eyebrows(细眉)
6)三庭(上中下三庭，中下同理)：faceup_normal(上庭标准)/faceup_long(上庭偏长)/faceup_short(上庭偏短)
7)五眼：内眼角间距：eyein_normal(内眼角间距适中)/eyein_short(内眼角间距偏窄)/eyein_long(内眼角间距偏宽)
颜值分析，是根据面部特征，进行人脸检测和人脸分析，利用其识别出颜值分数，是一个浮点数，范围[0,100]。每张图像进行颜值分析，即每张图像都有一个颜值分数。
评判上妆效果好坏的方式为：根据素颜图A的颜值分数scoreA，上妆后的迁移图的颜值分数scoreC，可以得到妆前妆后的颜值差δ＝scoreC-scoreA，这个颜值差越高，即上妆效果越好。
而在妆容推荐中，追求的是尽可能高的提升颜值分数，而无需预测准确到小数点后的颜值差，因此此处对颜值差进行一个等级的划分，提出“颜值提升等级”这一概念。
根据实验中的颜值差的分布范围设置“颜值提升等级”划分依赖的公式为：
round(δ/4.0)＝round[(scoreC–scoreA)/4.0]
最终“颜值提升等级”为[-7,-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6]这14个等级，由小到大“颜值提升等级”表示上妆效果越好。
“颜值提升等级”公式的分母4.0是在应用中得到的，开始设置的是round(δ/9.0)，这样输出的颜值等级较少，但在训练完成后模型的实际应用中，这样的划分会导致许多妆容图片B都可以得到相同的最高等级的结果，难以进行进一步的区分，因此修改了这个参数，对“颜值提升等级”进一步细分。
S2、将面部特征分析结果输入学习模型中，从妆容集中找到推荐妆容图。
先构造集成学习的基学习器，这个基学习器训练最终要实现：输入与素颜图A和妆容图B相关的一些特征X，输出图A画上图B中的妆容后得到上妆图C的"颜值提升等级"Y。参阅图1所示，为妆容迁移示意图。X，Y具体描述如下：
输入X是一个10维向量，每一维对应一个属性：
·x0：妆容图B和素颜图A脸型是否相同，相同为1，不同为0；
·x1：妆容图B和素颜图A眼型是否相同，相同为1，不同为0；
·x2：妆容图B和素颜图A鼻型是否相同，相同为1，不同为0；
·x3：妆容图B和素颜图A唇形是否相同，相同为1，不同为0；
·x4：妆容图B和素颜图A眉型是否相同，相同为1，不同为0；
·x5：妆容图B和素颜图A上庭比例是否属于相同类型，相同为1，不同为0；
·x6：妆容图B和素颜图A中庭比例是否属于相同类型，相同为1，不同为0；
·x7：妆容图B和素颜图A下庭比例是否属于相同类型，相同为1，不同为0；
·x8：妆容图B和素颜图A内眼角间距比例是否属于相同类型，相同为1，不同为0；
·x9：妆容图B的颜值分数。
输出Y是一个1维向量：
Y：素颜图A画上妆容图B中的妆容得到新的上妆图C，Y代表C与A相比的”颜值提升等级”
线性函数：
Y＝w0x0+w1x1+w2x2+…+w9x9+β
写成向量形式即为：
Y＝WTX+β
其中，β为权重偏置，，WT为权重。
需要通过机器学习训练获得的就是上式中代表不同特征的影响因素大小的W权重向量。
S103，数据构造，构建数据集X、Y。
X是一个(1x10)的向量，Y是一个(1x1)的向量。
将素颜图集中的所有素颜图A与妆容图集中的所有妆容图B两两配对为一组。对每一组：根据A和B图像的面部特征属性确定这一组数据的x0～x9的取值得到前10维数据。然后将素颜图A与妆容图B进行妆容迁移得到迁移图C，根据A和C的颜值分数计算得到“颜值提升等级”Y，记录为第11维数据。
假设素颜图集中共有n1张素颜图，妆容图集中共有n2张妆容图，那么最终可获得n1*n2组数据作为训练集。该训练集每一行是一个11维向量，前10维表示X，最后一维表示Y，格式如图2所示。
有了训练集，即线性函数Y＝WTX+β中的X和Y已知，接下来就可以进行训练求W和β。要求的W是一个(1x10)的向量，代表x0～x9这十个属性各自对最终结果的影响权重，β是一个(1x1)的向量，代表一个最后进行整体调整的权重偏置。
为了预测得到的“颜值提升等级”f(Xi)＝WTX+β能够尽可能的接近实际的“颜值提升等级”Yi，这里利用MSE(均方误差mse)作为Loss(损失函数)，假设共有m个训练数据，i代表第i组训练数据，则有：
Figure BDA0002491930860000071
若Loss函数值越小，则代表综合上预测得到的“颜值提升等级”f(Xi)和实际的“颜值提升等级”Yi之间的差别越小。根据梯度下降的原理：导数代表了一个函数在某点的变化率，向着导数的反方向移动可以得到函数值更小的点，当导数为0时就说明收敛到了一个极值点。因此利用梯度下降算法就可以不断迭代计算出W和β以获得尽可能小的Loss。
通过随机梯度下降算法进行训练，初始化随机构造一个W和β。j代表第j次迭代，learnrate为要训练的参数学习率，W'、β'表示上一轮迭代得到的W、β，Xk是在随机梯度下降过程中选择了第k组数据，MSEW是根据上一轮算出的W和β计算的Loss，k表示随机选中了第k组数据进行随机梯度下降，随机梯度下降的调优公式为：
Wj＝W’j-learnrate*2*MSEW*Xk
βj＝β’j-learnrate*2*MSEW
这样，一次训练就可以通过训练集得到一组W和β，如果要预测素颜图A画上妆容图B的效果，那么先通过A和B的面部特征得到X，再根据模型，
Y＝WTX+β
即可计算得到最终预测的“颜值提升等级”。
线性函数模型存在问题：
1.泛化程度很差，只是较好的拟合了训练集中的数据，对新数据预测效果不佳。
2.在有限次迭代次数下loss下降很慢，难以收敛，如图3所示，为在小部分数据下测试的收敛效果图。
仅仅根据一组W和β得到的模型具有很大的偶然性，为了提高模型的可信度与准确率，该实施例引入了集成学习的Bagging算法，参阅图4所示，为集成学习示意图。
S201.获取训练集，从训练集中随机抽取n个样本；
S202.重复第一个步骤k次，得到k组训练集；
S203.每次使用一个训练集进行训练得到一个学习模型，k个训练集共得到k个模型；
S204.利用上一步得到的k个模型进行预测得到k个预测结果；
S205.采用投票的方式统计出现次数最多的结果，再依据迁移图与素颜图的颜值差初始分布情况进行换算，最终得到的最高的值对应的结果即为推荐妆容图。
其中，根据“颜值提升等级”初始分布进行换算的具体方法：
S2051、利用直接统计的方法记录初始颜值差各个等级出现的概率记为ai，该“颜值提升等级”在训练集中出现的次数除以结果总数即为该“颜值提升等级”初始出现的概率；
S2052、对于k个预测结果统计所有类别(“颜值提升等级”)的票数，即该“颜值提升等级”在预测结果中出现的次数，每个类别的票数除以k，得到结果为k类的概率记为bi；
S2052、最终预测的结果为max((bi-ai)*qi/ai)，ai、bi的含义如前文所述，此处的qi为根据初始分布概率设置的权重，从0到4设置的权重为0、1、2、4、8，大于等于5的数据出现次数本身就比较稀少，因此设置权重qi为100。
计算过程举例说明如下：假设在初始的3700个样本中，“颜值提升等级”为1、2、3、4的数据分别有1000、2000、500、200个，那么初始概率a1＝1000/3700、a2＝2000/3700、a3＝500/3700、a4＝200/3700。在集成学习的训练过程中，对于素颜图A和妆容图B，经过k＝250个模型预测得到的250个结果中，“颜值提升等级”为1、2、3、4的数据分别有50、100、50、50个，那么可以得到b1＝50/250、b2＝100/250、b3＝50/250、b4＝50/250。那么根据公式max((bi-ai)*qi/ai)，(b1-a1)*q1/a1＝-0.26、(b2-a2)*q2/a2＝-0.52、(b3-a3)*q3/a3＝1.92、(b4-a4)*q4/a4＝21.6，这四个计算得到的结果中最大的是“颜值提升等级”为4对应的那组，因此最终预测的“颜值提升等级”就是4。
S3、根据推荐妆容图，进行妆容迁移，得到迁移图。
集成学习的调参，训练过程中需要调节的参数有如下4个。
1：集成学习的参数n(每次抽取n个样本)
样本总数为3700个，因此样本选取范围设置在[50,3700]，步长为100，尽管最终输出的不同参数n下输出的mse差异不大，但最低点基本都在2000左右取到，因此选择n值为2000。参阅图5所示，每次抽取n个样本示意图。
2：集成学习的参数k(k组训练集，k次训练，k个模型)
实验中发现k与mse之间无明显规律。由于最后的输出共有14种，因此将k设置在一个比较居中的值250，解决k值太小投票不合理，以及k值太大训练效率降低的问题。参阅图6所示，为k个模型示意图。
3：迭代次数
参阅图7所示，为最优迭代次数示意图，在完整的训练集上测试时，大约100次即可收敛，因此迭代次数选择为50。
4：随机梯度下降的学习率，选取了以下几个学习率：
[0.0001，0.0003，0.001，0.003，0.01，0.03，0.1，0.3]
参阅图8所示，为最优学习率示意图。得到结果如下，每个点按照上面的顺序不同的学习率下的结果，学习率为0.03，0.1，0.3时都较优，最终选择学习率为0.03。
利用训练好的模型以及保存妆容图信息的索引内容进行计算，可以很快预测出某张图片上的妆容迁移到输入的素颜图的颜值差高低，这样选取颜值差高的，再进行妆容迁移的操作即可。
在随机实验中，直接随机选取三张相同脸型的妆容进行迁移，测试的所有31张素颜图的平均颜值提升为1.47。在集成学***均颜值提升分数为3.58。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。
尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。

Claims (6)

1.基于集成学习的妆容推荐方法，其特征在于，该方法包括以下步骤，
获取素颜图，并对图像中人物进行面部特征识别分析；
将面部特征分析结果输入学习模型中，从妆容集中找到推荐妆容图；
根据推荐妆容图，进行妆容迁移，得到迁移图；
所述妆容推荐方法如下，
S201.获取训练集，从训练集中随机抽取n个样本；
S202.重复第一个步骤k次，得到k组训练集；
S203.每次使用一个训练集进行训练得到一个学习模型，k个训练集共得到k个模型；
S204.利用上一步得到的k个模型进行预测得到k个预测结果；
S205.统计预测结果，预测结果最多的即为推荐妆容图；
所述步骤S205，采用投票的方式统计出现次数最多的结果，再依据迁移图与素颜图的颜值差初始分布情况进行换算，最终得到的最高的值对应的结果即为推荐妆容图；所述初始分布进行换算的具体方法：
S2051、利用直接统计的方法记录初始颜值差各个等级出现的概率记为ai；
S2052、对于k个预测结果统计所有类别的票数，每个类别的票数除以k，得到结果为k类的概率记为bi；
S2053、最终预测的结果为max((bi-ai)*qi/ai)对应的妆容图为推荐妆容图，此处的qi为根据初始分布概率计算的权重。
2.如权利要求1所述的基于集成学习的妆容推荐方法，其特征在于，所述学习模型的训练集的获取方法如下，
将妆容图B与素颜图A比较得到X，妆容图B迁移到素颜图A上得到迁移图C，获取迁移图C的颜值分Y，将素颜图与妆容集中的所有妆容图进行对比并迁移，获得训练集。
3.如权利要求1所述的基于集成学习的妆容推荐方法，其特征在于，所述学习模型为线性函数：
Y＝WTX+β，
其中，Y为颜值分，W为权重，X为素颜图和妆容图对比，β为权重偏置。
4.如权利要求3所述的基于集成学习的妆容推荐方法，其特征在于，所述学习模型采用训练集的数据计算权重W和权重偏置β，
采用均方误差MSE作为损失函数Loss，
Figure FDA0003705166150000021
其中，m为训练数据组数，i代表第i组训练数据，f(Xi)为预测颜值分，Yi为实际颜值分，若Loss函数值越小，则表示f(Xi)与Yi之间的差别越小，采用梯度下降算法，迭代计算出W和β。
5.如权利要求4所述的基于集成学习的妆容推荐方法，其特征在于，所述梯度下降算法，梯度下降的调优公式为：
Wj＝W'j-learnrate*2*MSEW*Xk
βj＝β'j-learnrate*2*MSEW
其中，j代表第j次迭代，learnrate为参数学习率，W'、β'表示上一轮迭代得到的W、β，Xk是在随机梯度下降过程中选择了第k组数据，MSEW是根据上一轮算出的W和β计算的Loss，k表示随机选中了第k组数据进行随机梯度下降。
6.如权利要求1所述的基于集成学习的妆容推荐方法，其特征在于，所述面部特征包括脸型、眼型、鼻型、唇型、眉型。
CN202010407658.XA 2020-05-14 2020-05-14 基于集成学习的妆容推荐方法 Active CN111597972B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010407658.XA CN111597972B (zh) 2020-05-14 2020-05-14 基于集成学习的妆容推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010407658.XA CN111597972B (zh) 2020-05-14 2020-05-14 基于集成学习的妆容推荐方法

Publications (2)

Publication Number Publication Date
CN111597972A CN111597972A (zh) 2020-08-28
CN111597972B true CN111597972B (zh) 2022-08-12

Family

ID=72185550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010407658.XA Active CN111597972B (zh) 2020-05-14 2020-05-14 基于集成学习的妆容推荐方法

Country Status (1)

Country Link
CN (1) CN111597972B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723173A (zh) * 2021-06-29 2021-11-30 厦门大学 一种妆容自动推荐方法及***
CN114418837B (zh) * 2022-04-02 2023-06-13 荣耀终端有限公司 一种妆容迁移方法及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104484681A (zh) * 2014-10-24 2015-04-01 西安电子科技大学 基于空间信息和集成学习的高光谱遥感影像分类方法
CN106021448A (zh) * 2016-05-17 2016-10-12 南阳师范学院 一种淘宝网店属于某地的自动化判别方法
CN108229415A (zh) * 2018-01-17 2018-06-29 广东欧珀移动通信有限公司 信息推荐方法、装置、电子设备及计算机可读存储介质
CN108763362A (zh) * 2018-05-17 2018-11-06 浙江工业大学 基于随机锚点对选择的局部模型加权融合Top-N电影推荐方法
CN109146076A (zh) * 2018-08-13 2019-01-04 东软集团股份有限公司 模型生成方法及装置、数据处理方法及装置
CN110110118A (zh) * 2017-12-27 2019-08-09 广东欧珀移动通信有限公司 妆容推荐方法、装置、存储介质及移动终端
CN110276382A (zh) * 2019-05-30 2019-09-24 平安科技（深圳）有限公司 基于谱聚类的人群分类方法、装置及介质
CN110458750A (zh) * 2019-05-31 2019-11-15 北京理工大学 一种基于对偶学习的无监督图像风格迁移方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110660037B (zh) * 2018-06-29 2023-02-10 京东方科技集团股份有限公司 图像间脸部交换的方法、装置、***和计算机程序产品

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104484681A (zh) * 2014-10-24 2015-04-01 西安电子科技大学 基于空间信息和集成学习的高光谱遥感影像分类方法
CN106021448A (zh) * 2016-05-17 2016-10-12 南阳师范学院 一种淘宝网店属于某地的自动化判别方法
CN110110118A (zh) * 2017-12-27 2019-08-09 广东欧珀移动通信有限公司 妆容推荐方法、装置、存储介质及移动终端
CN108229415A (zh) * 2018-01-17 2018-06-29 广东欧珀移动通信有限公司 信息推荐方法、装置、电子设备及计算机可读存储介质
CN108763362A (zh) * 2018-05-17 2018-11-06 浙江工业大学 基于随机锚点对选择的局部模型加权融合Top-N电影推荐方法
CN109146076A (zh) * 2018-08-13 2019-01-04 东软集团股份有限公司 模型生成方法及装置、数据处理方法及装置
CN110276382A (zh) * 2019-05-30 2019-09-24 平安科技（深圳）有限公司 基于谱聚类的人群分类方法、装置及介质
CN110458750A (zh) * 2019-05-31 2019-11-15 北京理工大学 一种基于对偶学习的无监督图像风格迁移方法

Also Published As

Publication number Publication date
CN111597972A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN107480261B (zh) 一种基于深度学习细粒度人脸图像快速检索方法
Shao et al. Feature learning for image classification via multiobjective genetic programming
CN104866810B (zh) 一种深度卷积神经网络的人脸识别方法
CN105069400B (zh) 基于栈式稀疏自编码的人脸图像性别识别***
CN108647583B (zh) 一种基于多目标学习的人脸识别算法训练方法
CN114841257B (zh) 一种基于自监督对比约束下的小样本目标检测方法
CN108427921A (zh) 一种基于卷积神经网络的人脸识别方法
CN109063911A (zh) 一种基于门控循环单元网络的负荷聚合体分组预测方法
CN109543723B (zh) 一种鲁棒的图像聚类方法
CN111597972B (zh) 基于集成学习的妆容推荐方法
CN106919951A (zh) 一种基于点击与视觉融合的弱监督双线性深度学习方法
CN111753874A (zh) 一种结合半监督聚类的图像场景分类方法及***
CN110097060B (zh) 一种面向树干图像的开集识别方法
Witten et al. Supervised multidimensional scaling for visualization, classification, and bipartite ranking
CN113128369B (zh) 一种融合均衡损失的轻量级网络人脸表情识别方法
CN112115967B (zh) 一种基于数据保护的图像增量学习方法
CN109886281A (zh) 一种基于四元数超限学习机彩色图像识别方法
CN114692732B (zh) 一种在线标签更新的方法、***、装置及存储介质
CN113297936A (zh) 一种基于局部图卷积网络的排球群体行为识别方法
CN110298434A (zh) 一种基于模糊划分和模糊加权的集成深度信念网络
CN116110089A (zh) 一种基于深度自适应度量学习的面部表情识别方法
CN114463812A (zh) 基于双通道多分支融合特征蒸馏的低分辨率人脸识别方法
CN112633154A (zh) 一种异源人脸特征向量之间的转换方法及***
CN113779283B (zh) 一种深度监督与特征融合的细粒度跨媒体检索方法
CN113627240B (zh) 一种基于改进ssd学习模型的无人机树木种类识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant