| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-12页 |
| ·研究背景和意义 | 第7-8页 |
| ·人脸美学的国内外研究现状 | 第8-10页 |
| ·论文的组织结构 | 第10-12页 |
| 2 人脸美丽分数的分析和综合理解 | 第12-21页 |
| ·人脸美的定量描述准则 | 第12-15页 |
| ·近古典规则 | 第12-13页 |
| ·黄金比例规则 | 第13-14页 |
| ·三庭五眼规则 | 第14页 |
| ·四高三低标准 | 第14-15页 |
| ·人脸美的影响因素及研究 | 第15-18页 |
| ·平均人脸 | 第15-16页 |
| ·对称人脸 | 第16-17页 |
| ·性别二态性特征 | 第17-18页 |
| ·人脸美丽度的可量化性 | 第18页 |
| ·人脸美丽分数分析预测 | 第18-20页 |
| ·本章小结 | 第20-21页 |
| 3 人脸美丽分数的几何特征分析 | 第21-29页 |
| ·几何特征的定义及作用 | 第21-22页 |
| ·基于AAM算法标定的人脸68个特征点 | 第22-25页 |
| ·18维归一化人脸特征点距离特征 | 第25-26页 |
| ·特征三角形面积特征 | 第26页 |
| ·MI-GA组合式特征选择算法 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 4 人脸美丽分数预测的机器学习方法 | 第29-51页 |
| ·人脸几何美丽分数定义 | 第29-31页 |
| ·人脸数据集 | 第31-32页 |
| ·KNN回归预测人脸几何美丽分数 | 第32-35页 |
| ·KNN回归模型 | 第32-33页 |
| ·KNN回归模型预测人脸美丽分数的实验结果 | 第33-35页 |
| ·支持向量回归预测人脸几何美丽分数 | 第35-39页 |
| ·支持向量回归模型 | 第35-37页 |
| ·支持向量回归模型预测人脸美丽分数实验结果 | 第37-39页 |
| ·MLP神经网络预测人脸几何美丽分数 | 第39-42页 |
| ·多层感知器(MLP) | 第39页 |
| ·BP算法学习过程 | 第39-41页 |
| ·MLP神经网络模型预测人脸美丽分数实验结果 | 第41-42页 |
| ·高斯过程回归预测预测人脸几何美丽分数 | 第42-44页 |
| ·高斯过程回归模型 | 第42-43页 |
| ·高斯过程回归预测人脸美丽分数实验结果 | 第43-44页 |
| ·基于HESSIAN能量的半监督回归预测预测人脸几何美丽分数 | 第44-50页 |
| ·半监督方法简介 | 第44页 |
| ·流形学习和流形人脸理论 | 第44-45页 |
| ·基于Hessian能量的半监督回归 | 第45-49页 |
| ·Hessian能量回归预测人脸美丽分数实验结果 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 5 机器学习方法预测人脸美丽分数的验证 | 第51-62页 |
| ·预测性能验证 | 第52-59页 |
| ·预测性能验证系数 | 第52-53页 |
| ·不同几何特征在不同回归算法下的预测性能 | 第53-58页 |
| ·不同几何特征进行MI-GA特征选择前后的性能对比 | 第58-59页 |
| ·人脸表情与几何美丽分数 | 第59-60页 |
| ·本章小结 | 第60-62页 |
| 6 总结与展望 | 第62-64页 |
| ·总结 | 第62-63页 |
| ·展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 附录 | 第70页 |