本文作者：南海一号
现在，很多小姐姐都很在意自己的颜值，毕竟颜值高的女孩子受到万人追捧，宛如公主一般。尤其是在大学校园里，美女是一茬一茬的。不化个妆都不好意思出寝室门。那么，颜值到底要按照怎样的标准评估呢。
随着神经网络的发展，只要有带标签的数据集，我们可以预测评估很多事情，比如人脸识别，图像检索。基于同样的原理，我们为什么不能构建一个神经网络，用于颜值的评估呢？
有人可能会说：没有数据集也没有标签啊，你用什么去训练神经网络。这个不用担心，这个数据集的工作，很久以前就有人做好了，现在比较靠谱的就是华南理工大学的一个数据集，里面有5500张图片，有女性图片，也有男性图片。有黑人，也有白人，当然也有黄种人。还包括阿拉伯人。并且找了很多观察者给这些图片的颜值打分，然后取平均值。打分在0--5分之间，5分颜值最高。0分是最低的。这个数据集是很好的
我先给大家演示一下神经网络的效果
给这个小姐姐的颜值打分是3.29255828。为了节约时间，神经网络神经元设定比较少，训练次数也少，可能给这位小姐姐打分太低了
。不过没关系，加大训练次数是可以的。
由于今天篇幅有限，我今天只能讲一讲怎么提取特征。
为了更好地写这个程序，我专门查询了一篇论文：《基于多特征融合的人脸颜值预测》。里面就提到了特征提取的方法，
首先我们根据人脸识别的特征提取方法，提取出64个人脸特征点的坐标，如下就是提取的人脸特征点
其实，这些特征点不仅可以用于人脸识别，也可以用于颜值评估。我用python代码提取出了这些特征点（用matlab也可以，大家可以尝试一下）
代码语言：javascript复制def get_feature(begin,end):
all_grade=[]
k=0
for i in range(begin,end):
img_name=label1.ix[i,0]
img_grade=label1.ix[i,1]
all_grade.append(img_grade)
path=path1 img_name
img=misc.imread(path)
#获取图像的特征点坐标
#img = cv2.imread(img_name)
#使用python-opencv读取图片
img_grey = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#使图片转化为灰度图片
rects = detector(img_grey, 0)#返回信息
for i in range(len(rects)):
landmarks = np.matrix([[p.x, p.y]
for p in predictor(img_grey,rects[i]).parts()])
feature_1=np.array(landmarks)#特征
feature=ping_yi(feature_1)
feature=feature.flatten()
feature=autoNorm(feature)
del landmarks
if k==0:
all_64=feature
else:
all_64=np.dstack((all_64,feature)) """实现平移不变性""" del feature_1 del feature k=1 del img del img_grey return all_64,all_grade其中用到了一个训练好的框架如下
predictor = dlib.shape_predictor('landmarks.dat')#加载一个自带的分类器这个框架是可以直接提取出68个特征点的，但是由于图片拍摄的角度，距离和大小不同，为了避免误差，我们还需要对得到的特征点进行平移旋转，归一化等处理。经过这样的处理，我们可以提取的68个特征点就可以进一步运算了，我们将68个坐标点转化为136个数字，输入到神经网络中。
这就是提取特征的步骤。
关于接下来的操作，请期待下一期，再见，朋友们。
参考资料：《基于多特征融合的人脸颜值预测》---蒋婷，沈旭东，陆伟等
封面图片：由Adina Voicu在Pixabay上发布
图片来源： https://picjumbo.com
https://pixabay.com/zh/
数据集：https://download.csdn.net/download/weixin_39220714/10794688
