深度PCANet模型的人脸美丽预测

来源：信号处理杂志 2018年第12期北京时间：

作者：甘俊英, 姜开永, 曾军英, 何国辉, 谭海英

摘要：深度卷积神经网络（Deep Convolution Neural Network, DCNN）在人脸识别、图像分类和目标检测领域已取得较好效果，并得到广泛应用；但是，在人脸美丽预测中却存在拟合效果欠佳、网络训练难度大等问题。深度PCANet模型，将深度主元分析网络（Principal Component Analysis Network，PCANet）作为特征提取器；采用无监督预训练提取网络参数，具有网络训练时间短、图像特征提取快等特点，能有效避免DCNN存在的问题。为此，本文将深度PCANet引入人脸美丽预测，对训练集图像采用多尺度预处理，训练深度PCANet。该模型可提取人脸图像的结构性全局特征，采用特征增强方法可生成更具表征能力的特征；运用线性支持向量机（Support Vector Machine, SVM）和随机森林（Random Forest, RF）回归器进行训练和预测。基于SCUT-FBP人脸美丽数据库的实验结果表明，深度PCANet模型具有结构简单、特征提取快和无需网络调参优化等特点；选择合适的图像尺度与采用特征增强方法可提高人脸美丽评价结果，证明了所提方法的有效性和可行性。

关键词：深度主元分析网络模型, 线性支持向量机回归, 随机森林回归, 人脸美丽预测