全部答案（共1个回答）
我告诉你吧,我的脸型也不好,颧骨太高了脸也很大,所以在3年前我妈妈带我去上海第9医院去整形,这家医院整形很有名的,我跟医生说明了情况想把颧骨磨平点,脸型改成瓜子...
病情分析：
智商的高低主要与遗传因素，和后天教育有关，
指导意见：
额头的高低与额骨的发育有关，与智商高低是没有关系的，祝健康幸福
您好发际线高是可以植发的发际线高有可能是自身发际线后移也可能是天生发际线高无论是那种情况植发手术都是可以解决的首先设计好发际线的位置然后根据设计的发际线移植毛囊...
答: 价格很便宜。性价比还是不错。。。但是有些浅色不太上色。总之还行。
答: 我有去过，请问你在哪里的？哪省？
答: 低血压是指成年人收缩压＜12千帕（90毫米汞柱） ?舒张压＜8千帕（60毫米汞柱）。理论上讲跟贫血并没有直接联系。
　　中医认为本病之因，多为久病体虚，气血暗耗...
大家还关注
Copyright &
Corporation, All Rights Reserved
确定举报此问题
举报原因(必选)：
广告或垃圾信息
激进时政或意识形态话题
不雅词句或人身攻击
侵犯他人隐私
其它违法和不良信息
报告，这不是个问题
报告原因(必选)：
这不是个问题
这个问题分类似乎错了
这个不是我熟悉的地区人的脸蛋有好多种，男的，女的，漂亮的 ，一般的， 还有脸的形状，我不形容啊，请大家帮帮忙，如果谁知道有什么网站或者书之类的给我介绍一下 。谢谢
中国网 | 时间：
| 文章来源： 中国网
脸的审美，主要是指脸部五官的比例是否协调，而中国古代画家画人像时总结出来的“三庭五眼”的精辟概念即定义了面部的标准比例关系，国际上通称为面容的“黄金分割”——1：0.618。
脸部的定义：
脸部是由覆盖在面部骨骼的表面的面部肌肉形成的外观。
脸部的位置：
脸部五官的位置重要的是互相的比例关系，“三庭”是指将面部纵向分为三个部分：上庭、中庭、下庭。上庭是指从发际线至眉线，中庭是从眉线至鼻底线，下庭指从鼻底线至颏底线。如果“三庭”正好是的长度相等的3等分，这样的面部纵向的比例关系就是最好的。
“五眼”是指以自己的一只眼睛的长度为衡量单位，在面部横向分5等份。
“三点一线”是指眉头、内眼角、鼻翼三点构成一垂直直线。
“四高三低”是指作一条垂直的通过额部－鼻尖－人中－下巴的轴线，在这条垂直线上，“四高”即额部、鼻尖。、唇珠、下巴尖。“三低”是两个眼睛之间，鼻额交界处必须是凹陷的；在唇珠的上方，人中沟是凹陷的，美女的人中沟都很深，人中脊明显；下唇的下方，有一个小小的凹陷，共3个凹陷。
中国网 | 时间：
| 文章来源： 中国网
脸的审美，主要是指脸部五官的比例是否协调，而中国古代画家画人像时总结出来的“三庭五眼”的精辟概念即定义了面部的标准比例关系，国际上通称为面容的“黄金分割”——1：0.618。
脸部的定义：
脸部是由覆盖在面部骨骼的表面的面部肌肉形成的外观。
脸部的位置：
脸部五官的位置重要的是互相的比例关系，“三庭”是指将面部纵向分为三个部分：上庭、中庭、下庭。上庭是指从发际线至眉线，中庭是从眉线至鼻底线，下庭指从鼻底线至颏底线。如果“三庭”正好是的长度相等的3等分，这样的面部纵向的比例关系就是最好的。
“五眼”是指以自己的一只眼睛的长度为衡量单位，在面部横向分5等份。
“三点一线”是指眉头、内眼角、鼻翼三点构成一垂直直线。
“四高三低”是指作一条垂直的通过额部－鼻尖－人中－下巴的轴线，在这条垂直线上，“四高”即额部、鼻尖。、唇珠、下巴尖。“三低”是两个眼睛之间，鼻额交界处必须是凹陷的；在唇珠的上方，人中沟是凹陷的，美女的人中沟都很深，人中脊明显；下唇的下方，有一个小小的凹陷，共3个凹陷。
脸部的类型有纵向和横向分类：
纵向分类
上庭长：中庭和下庭长度相等，而上庭略长，即额头偏长。
上庭短：中庭和下庭长度相等，而上庭略短。
中庭长：上庭和下庭的长度相等，而中庭偏长，即鼻子较长。
中庭短：上庭和下庭的长度相等，而中庭偏短。
下庭长：中庭和上庭长度基本相等，下庭长度偏长，即下巴略长。
下庭短：中庭和上庭长度基本相等，下庭长度偏短，即下巴略短。
横向分类
两眼距离远、两眼距离近。
脸部的修饰：
上庭长：运用阴影色在前发际线的边缘，利用深色色性产生收缩、后退的原理，使额部显得缩短。另外也可以采用留刘海的方式。
上庭短：吹高前发，将额头露出来。
中庭长：鼻头略长者可用阴影色或颊红色从鼻中隔向上晕染，只要颜色使用得当，就可以产生缩短鼻尖的感觉。
中庭短：矫正的方法是将提亮色从眉心晕染至鼻头，过短的鼻型还可以一直拉至鼻中隔，鼻侧影从鼻翼一直延伸至眉头并且互相链接，在鼻梁处可用高光色提亮。
下庭长：用阴影色在下巴底部及两侧从下向上晕染，使之产生收缩的感觉。
下庭短：将提亮色集中在下巴尖端，靠近底部色度浅，向上与基础底色相柔和，利用人们的视错觉，产生延长下巴长度的效果。
两眼距离远：画眼线和眼影时尽量向内眼角描画。眉头距离不要处理得太远。
两眼距离近：眼线和眼影尽量向外眼角延伸，内眼角尽量忽略。眉头不要处理得太近。
脸型是一个人容貌美中最基础的部位。在众多脸型之中，瓜子脸是最美的一种脸型。瓜子脸上部略圆，下部略尖，形似瓜子，一般又称为鹅蛋脸，这是中国美女的标准脸型。
最精于写女子貌美的曹雪芹笔下的美人，不是“一双丹凤三角眼，两弯柳叶吊梢眉”（王熙凤），就是“两弯似蹙非蹙烟眉，一双似喜非喜含情目”（林黛玉）。用通俗的话讲就是“柳叶眉，杏核眼，樱桃小嘴一点点”。这么细挑的眉毛、柔和的眼睛和小巧的嘴巴，自然不能长在一张阔大的脸庞上，而只能是长在小小的、椭圆的、精致的瓜子脸上。
这个标准除了在讲究丰腴为美的盛唐时期（盛唐传下来的图画上女子个个面若银盘，配两道短粗的“蛾眉”）有所改变外，已深深植入中国人的意识当中，成为评判美女的重要规范。即使在二十世纪三四十年代西风最盛的上海，领导潮流的女相关信息们也是一副瓜子脸的传统美人形象。
一群网上寻芳客，以“骨骼细、瓜子脸、尖下巴、皮肤好、身材好，以及拥有一双修长而匀称、温柔而细腻的手”为美的标准，将各省市的美女排名罗列于网上。结果出乎意料：台湾击败昔日盛产美女的浙江苏杭，成为中华大地上美女的集中地。另一美人的宝地是上海，那里的女子拥有高挑瘦削的身材、细小的骨骼、瓜子脸、尖下巴，她们的生活起居处处凸显出爱美成癖，很会打扮自己，且很有个性，不光美给别人看，还美给自己看。
改革开放之后，国门大开，各式各样的洋美人形象涌入中国。人们发现与传统古典式的中国美女相比，脸阔鼻方、深眉大眼的西方女子别有一番魅力。这种魅力一词以概之，就是“性感”。于是人们开始不遗余力地、惊心动魄地改造自己身上“不合潮流”的零件。在经历了割双眼皮、隆鼻、染发等一系列向西方审美观靠拢的大胆尝试后，脸型成为时尚女性们另一个注目的焦点。终点又回到起点，才发现老祖宗推崇的瓜子脸是最适合东方女性的“美人脸”。
脸的类型
脸型，顾名思义，就是指面部轮廓的形状。脸的上半部是由上颌骨、颧骨、颞骨、额骨和顶骨构成的圆弧形结构，下半部则取决于下颌骨的形态。这些都是影响脸型的重要因素，而颌骨在整个脸型中起着尤其重要的作用，是决定脸型的基础结构。
脸型的分类方法很多。在我国古代的绘画理论和面相书中就有各种各样的分类法，并对脸型赋予了人格的内容。下面是几种常见的脸型分类法：
1．形态观察法。
波契(Boych)通过对脸型的观察将人类的脸型分为十种类型：（1）椭圆形脸型；（2）卵圆形脸型；（3）倒卵圆形脸型；（4）圆形脸型；（5）方形脸型；（6）长方形脸型；（7）菱形脸型；（8）梯形脸型；（9）倒梯形脸型；（10）五角形脸型。
这种分类法比较简单，您可以把脸全部露出来拍张正面照，用笔在脸上的上下左右两侧对应地画些记号并连接起来，你便得到了一张自己的脸型图。
2．字形分类法。
这是中国人根据脸型和汉字的相似之处对脸型的一种分类方法，通常分为八种：（1）田字形脸型；（2）国字形脸型；（3）由字形脸型；（4）用字形脸型；（5）目字形脸型；（6）甲字形脸型；（7）风字形脸型；（8）申字形脸型。
3．亚洲人分类法。
根据亚洲人脸型的特点，一般可以分为八种类型：（1）三角形脸型；（2）卵圆形脸型；（3）圆形脸型；（4）方形脸型；（5）长圆形脸型；（6）杏仁形脸型；（7）菱形脸型；（8）长方形脸型。
此外，还有人提出，人的脸型是一个立体的三维图像，因此也应该从侧面来进行观察，这是以前所忽略的。的确，从侧面对脸型进行考察确实有助于对容貌进行全面的评价。根据人的正侧面轮廓线，可以将人的脸型分为六种：（1）下凸形脸型；（2）中凸形脸型；（3）上凸形脸型；（4）直线形脸型；（5）中凹形脸型；（6）和谐形脸型。
瓜子脸的美学原理
我们知道，凡是符合黄金分割律的构造，在视觉上都会让观察者产生愉悦的印象。理想瓜子脸的长与宽比例为34∶21，这一比例正好符合黄金分割律。伯拉克西特列斯的著名雕塑《尼多斯的维纳斯》的面部是公认的魅力样板，从发际到下颌的长度与两耳之间的宽度之比，也接近黄金比例。
中国传统审美观对人的面部美特别重视，中国古代画论中有“三停五眼”的说法，说的是人的面部正面观的纵向和横向比例关系。“三停”是指将面部正面横向分为三等分，即从发际到眉线为一停，从眉线到鼻底为一停，鼻底以下为一停。“五眼”是指将面部正面纵向分为五等分，以一个眼长为一等分，即两眼之间的距离为一个眼的距离，从外眼角垂线到外耳孔垂线之间为一个眼的距离，整个面孔正面纵向分为五个眼的距离。凡按照“三停五眼”的比例画出的人物脸型都是和谐的。理想的瓜子脸完全符合这一比例。
美的脸型，从面部中线向左右各通过虹膜外侧缘和面部外侧界作垂线，纵向分割成四个相等的部分。一般来说，瓜子脸也符合这一比例。
和谐是容貌美三要素中的最高级的形式。垂直方向的和谐是颜面结构的规律性表现形式之一。有人认为，正常人面下1／3与面中1／3高度应大致相等。有人则认为，正常人面部的中、下部分一般是协调的，但不一定相等，面下1／3高度仅应接近面中1／3高度。因鼻根点系骨性标志，表面不明确，故主张以眼外眦到口角距离代之。无论如何，面下1／3必须有足够高度才可使表情自然，这是容貌美的基础之一。若面下1／3高度明显小于面中1／3，便会形成短面印象。反之则给人以长面畸形之感。
另一方面，美貌人群颜面和谐还表现在宽度的协调，面中宽(双髁状突间距)约等于面下宽(双侧下颌角间距)的1.3倍。若面下宽等于或大于面中宽均为宽度不调。正面观之下颌角多过度外展，嚼肌肥大而膨隆外突；侧面观之下颌角多小于通常所见的123°，甚至几乎成直角，会给人以方面之感。这对于男性虽可勉强说是有阳刚之气，但于女性则完全失去了容貌的温柔与灵秀。
瓜子脸因其符合上述自然美诸项特征， 获得了人们的普遍喜爱。
影响脸型美的因素
1．颌与脸型美
人的容貌美主要体现在脸的下半部，因为下半部有从鼻到唇、从唇到颏两个“S”形曲线，这是最能体现脸部曲线美的部位。而脸的长短、下半部的形状，则主要取决于颌骨的形状和大小。所以说，颌骨在容貌美中有特殊的重要性。
下颌是人的脸型美中的重要结构，占面容的14。它决定脸型的下半部分，只有下颌和面部其他器官相互和谐才能有五官端正和谐的面部轮廓。
人们在面部整形的时候，动大手术往往是拿颌骨开刀。大饼脸是公认的一种不美脸型，其特征是下颌角部及耳前宽大，往往还伴有咬肌的肥大，因此，要想让脸型变成“瓜子脸”，进行下颌角截骨、部分咬肌切除、颊脂肪垫摘除、垫下巴这几个手术可以让脸型得到改善。当然，脸盘的大小不但取决于下颌骨的大小，还取决于颧骨，颧弓的大小，有些宽脸盘的人不但要去除部分下颌骨，有时还要去除部分颧骨、颧弓。
瓜子脸既成为美丽的楷模，现代女性为了追求“美人脸”，或不惜代价“动刀动枪”，或夜以继日按摩不息。
2．额与脸型美
额在脸的上部，是比较平坦的部位。额部发育良好，才能显示出头部健康而富有生命力的美丽姿容。额是智慧的象征，有了额部的优美曲线，人的容貌才获得精神性格的体现。
根据额平面与头部冠状面所形成的角度，可将额部分为明显倾斜型、中等倾斜型和直立微斜型三类。
额部微微突起并缓和地过渡到鼻根，额、鼻的角度约为135°，从额至鼻尖形成一条“S”形曲线，使面部更为柔和婉媚。前额太大或太小都不好，太大会让人觉得呆头呆脑；太小则显得天庭不够饱满，缺少智慧。
3．颧与脸型美
颧骨位于脸的中部，它主要通过与鼻、颞部和颊的关系来影响面部美。我国东南地区如广东、广西和福建等地，高颧骨的脸型较多。他们的主要脸型特征是额和颧骨突出，眼眶下陷，颧骨的特征则是向前、向外突出，使得颞部和脸颊凹陷、低平，鼻根也很扁平，这种脸型多为菱形脸。
按照突出程度，以及对鼻梁和颊的遮盖程度，可以将颧骨分为三级：Ⅰ级，颧骨体突出，从侧面看鼻颊间界线被颧骨所遮盖；Ⅱ级，颧骨体中等发达，鼻颊间界线大部分可见；Ⅲ级，颧骨不突出，颧骨从前面逐渐转向侧面，鼻颊间界线清晰。
颧骨与鼻和颊和谐统一，脸型的中部自然平缓，这样的容貌具有魅力；如果颧骨过于肥大，就会破坏脸型的和谐，只有通过颧骨整形手术才能改变脸型。
4．颊与脸型美
颊位于面部的两侧，上起颧弓，下至下颌下缘，前界在鼻唇沟，后界在嚼肌前缘。颊部的美是由面部肌肤和脂肪形成的柔软、光滑而富有弹性的红扑扑的脸颊所展示给我们的青春美和健康美。女性颊部的美学意义在于它参与面部表情，协助口唇表达笑容，辅助说话、吮吸和咀嚼活动。脸部的丰满度在很大程度上也是由颊部决定的，颊部在微笑时能为容貌平添风采。
酒窝和羞涩之美
酒窝是颊部审美的一个特殊现象，是面部表情肌运动时在颊部出现的凹陷，又称笑靥或双靥。中国古代文学作品中有许多关于笑靥的描写，《楚辞·大招》中即有“靥辅奇牙，宜笑焉只”的话；汉代班婕妤《捣素赋》：“两靥如点，双眉如张，颓肥柔液，音性闲良。”更是妙不可言。宋词中有一首《清平乐》，是这样写的：
娇羞未惯，长是低花面。笑里爱将红袖掩，遮却双双笑靥。
早来帘下逢伊，怪生频整衫儿。元是那回欢会，齿痕犹在凝脂。
词中这姣姣怯怯的女子面貌如何？故然没有直接描写，但我们可以想见，一定是娇羞可人而又甜蜜亲切的那种。两颊像一马平川的原野，而酒窝则似一口甘泉，能给颊部增添魅力。女性的酒窝给人温存甜美的感觉。情爱中的女性，笑靥浅露，回眸生情，堪称女性美丽的绝世风姿。
羞涩是人类特有的表情，是面颊部的有一道风景线。羞涩是人类文明进化的产物，是人类从蒙昧走向文明的结果，是人的自重、自爱和自信意识的表现，是人类纯真情感、高尚心灵的展现。女性的羞涩更是充分显示了女性丰富的内涵和端庄的气质。
“去年今日此门中，人面桃花相映红。人面不知何处去，桃花依旧笑春风。”女子羞涩的脸庞，如初春桃花之艳丽，使女性更加妩媚动人。羞涩是感情的闪烁，性格的展示，给人朦胧迷离之美，是一种含蓄之美。在情爱之时，像一种感情的信息，传递心灵的爱慕，拨动异性的心弦。
其他答案（共1个回答）
还是用郁美净或孩儿面吧.
11．怎样描写冬天
冬天，大地仿佛处于沉眠状态，许多动物在冬眠，连太阳也没有生气、无精打采的，仿佛像个输光的穷人，它的光和热，都在夏天的时候赌输了。
青春痘的成因有很多种，每个人不尽相同，关键是找出适合自己的饮食习惯和生活方式，还有护肤习惯。
如果是饮食习惯和精神压力，就应该平时多吃蔬菜水果，多摄入维生素和矿...
春秋季节,皮肤最容易干燥起皮了,再加上如果没有一种好的护肤品,皮肤很容易因此产生皱纹.
我前阵子也和你一样,脸上的皮肤非常的干燥,嘴角,两颊,眼部周围,鼻子就起...
楼主，你好！
下面信息摘自教育考试院网站，真实可靠，请参考。祝好！羊羊
问：四、六级英语考试证书是否可以补办？如何补办？
答：四、六级英语英语合格证书或成绩单遗...
答: 你好：早孕期间会出现生理性腹痛：孕初期，大量准妈妈总感知有些胃痛，有时还伴有呕吐等，这主要是由孕初期胃酸分泌增多产生的。此外孕早期，由于子宫不断长大，压迫周围神...
答: 忌口，也称忌食。忌口有狭义和广义之分。狭义的忌口常指患病后应 忌服某些食品，也称病中忌口。广义的忌口包括因年龄、体质、地区和季
节的不同而忌服某些食品。
答: 磨牙是缺钙,可以吃点21金维他多方便补充
答: 2．本病所伴的胸痛多为短暂（几秒钟）的刺痛或持久（数小时）的隐痛；患者常喜欢不时地吸一大口气或做叹息性呼吸；胸痛部位多在左乳下心尖部附近或经常变动；症状多在疲劳...
大家还关注
Copyright &
Corporation, All Rights Reserved
确定举报此问题
举报原因(必选)：
广告或垃圾信息
激进时政或意识形态话题
不雅词句或人身攻击
侵犯他人隐私
其它违法和不良信息
报告，这不是个问题
报告原因(必选)：
这不是个问题
这个问题分类似乎错了
这个不是我熟悉的地区
相关问答：123456789101112131415马云真给中国人长脸了！10亿研发SUV，买哈弗传祺的都要后悔了！
上汽荣威这个自主品牌自从发布到目前为止已有十年，虽然起步比较晚。
但是它的市场表现却让很多车企羡慕不已，因为有马云这位传奇人物的加入，上汽荣威就显得格外亮眼，自从荣威i6 RX5火了后，马云一直有个梦，就是打造一款“国产版特斯拉”,他终于不负众望；国产版Tesla一亮相众人纷纷拍手叫好，马云这10亿果然没打水漂。
2017上海车展上 上汽荣威发布了最新纯电动概念车光之翼 该车预示荣威最新的汽车设计理念
自从马云投资上汽之后 荣威整个品牌可以说得到了重生，一台台国际化的车型孕育而生，一台台国际化的车型孕育而生；相比刚刚上市不久的RX5，这台概念车尺寸更大，同时线条也更加流畅优美。
新车的前脸采用了荣威家族式的倒梯形格栅，经过设计语言的进化，其看起来更加精致；内饰方面更是体现了满满的黑科技，前后搭载了两块曲面的大屏幕中控上的那快就足足有14寸，最夸张的是进车门上都是屏幕 这款车在配置上也是相当的丰富，太空座椅，抬头显示 自动泊车技术，动力方面，新车采用双电机驱动，从而形成一套四驱系统；
该车0-100公里/小时加速时间不超过4秒，续航里程不小于500公里。此外，新车还将支持无线充电技术，充电15分钟可达到80%的电池容量，足够行驶250KM。
此外，另一项黑科技就是无线充电系统，至今为止貌似只有荣威提出了这一理念并且已经在研究当中，如果这项技术成功，将大大提升电动车充电的便利性，对普及电动车的影响自然是不言而喻的，而这一切都在马云的掌控中。
在过去的2017年，你可以发现中国自主品牌几乎全部崛起，常年垄断中国市场的合资品牌的份额已经在逐渐缩小。相必再过十年，路上百分之80%的10多万的车型应该全都是中国自主品牌，合资市场可能只有豪华品牌不会受到影响。所以在这个适合有合资背景的车企应该都会加大对旗下自主品牌的发展。所以红旗也开始走亲民的路线了。
责任编辑：
声明：本文由入驻搜狐号的作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。
今日搜狐热点哈弗H4实车亮相 内饰和安全配置是最大亮点_成都市一速商务信息咨询有限公司
欢迎光临一速汽车网
当前位置： >
日前，旗下哈弗H4正式亮相，这款新车会成为哈弗旗下的又一个爆款吗？先来看看颜值关。
　　外观方面，哈弗H4沿袭了哈弗家族的风格，与哈弗H6一样，哈弗H4也设置了红标和蓝标两种车型。其中红标前脸线条棱角分明，倒梯形进气栅显得稳重大气；而蓝标采用六边形进气栅格和弧形车头，时尚动感。值得一提的是其LED大灯的设计，据透露其灵感源于“璀璨星河”， 采用远近光一体式设计，其中红标采用圆形的透镜饰框，蓝标车型采用方形的透镜饰框，大灯点亮时，犹如浩渺宇宙中璀璨夺目的星辰，照亮暗夜中探索之路，整体造型拥有未知宇宙中绚丽星河的科幻美，又有恒星的锐利感。
　　作为一款入门级紧凑型SUV，哈弗H4的车身尺寸为95mm，轴距2660mm，车长比哈弗H6短了260mm，轴距却只短了15mm。也就是说，其乘坐空间和乘坐舒适性其实并不会受到多大影响。
　　内饰的整体设计风格则向WEY品牌靠近，满满的轻奢风，最为显眼的是悬浮式中控屏与副仪表台连接，形成悬浮式中控台，极具视觉冲击力。中控功能键设计在屏幕 的下方，非常实用的同时还极具设计感，其设计灵感源于“航空式动感按键”，采用镂空造型，模拟航空飞船的按键设计，美观又实用。
　　哈弗H4详细的参数配置还没有公布，目前已知的是360环视系统，无缝拼接适时图像信息，盲点侦测系统、前后8倒车雷达系统、电子手刹+自动驻车、胎压监测以及ESP电子车身稳定系统配置这些科技、安全配置哈弗H4都会搭载。
　　动力方面，哈弗H4搭载了1.3T、1.5T两款发动机，最大功率分别为139马力、169马力，峰值扭矩分别为225牛?米、285牛?米，与之匹配的是7速湿式双离合变速器。
　　新车预计将于3月份上市，凭借让人惊艳的内饰设计和丰富的安全配置，如果价格给力，非常有望成为哈弗旗下又一个爆款。
&&& 本文首发于微信公众号：汽车天涯。文章内容属作者个人观点，不代表和讯网立场。投资者据此操作，风险请自担。
下一篇：没有了<meta name="dc.description" content="目的人类对人脸认知模式的探索由来已久，并且已经成功应用于美容整形等研究领域。然而，目前在计算机视觉和模式识别领域，计算人脸相似度的方法没有考虑人对人脸的认知模式，使得现有方法的计算结果从人的认知习惯角度来讲并非最佳。为克服以上缺陷，提出一种基于人脸认知模式的相似脸搜索算法。方法依据人脸认知模式，选取特征点，并计算特征量，构造各面部器官（眼睛、鼻子、嘴巴、脸型）分类模型，即面部器官形状相似性度量模型，并采用圆形LBP算子，计算两幅人脸对应器官的纹理相似度，二者综合作为相似脸搜索的依据。结果分别用本文方法和代表相似脸搜索最高水平的Face++的方法对80幅正面、中性表情、平视角度拍摄的人脸图像进行测试。本文方法的整体准确率高于Face++方法，其中，TOP1、TOP2最相似搜索结果准确率优势明显，均高出Face++方法12%以上。结论实验结果表明，本文方法的搜索结果更加符合人脸认知模式，可应用于正面、中性表情、平视角度拍摄的人脸图像的相似脸搜索。此外，还可以将此类基于认知模式的图像搜索思路推广应用于商业领域，如基于图像的相似网购商品搜索等。
<meta name="dc.description" xml:lang="en" content="Objective Research on face recognition models has a long history, and has been successfully used in cosmetic surgery and other fields. Meanwhile, exploration of facial similarity measure methods has been conducted in the fields of computer vision and pattern recognition. Some applications, such as face recognition, face retrieval, and similar face search applications, have been widely used in many fields. Existing methods that measure face similarity are typically confined to calculating image similarity without incorporating face cognition patterns used by human beings. Therefore, results of current methods are usually less than optimal from the perspective of human cognitive habits.Method Based on face cognition patterns, each kind of facial feature, such as eyes, nose, mouth, and facial shape, is divided into several common types. For example, eyes are divided into 10 groups such as phoenix, circle, triangle, and others. After analyzing feature vectors of different types, we pick 20 images from CAS-PEAL-R1 database for each common type of every facial feature to locate feature points and calculate feature values. We use statistical values of the results to construct facial feature classification models, i.e., contour similarity measurement models for facial features. Contour information cannot include certain facial details, e.g., fold eyelid, high nose bridge, and so on. To measure similarity of details between two faces, we employ a circular local binary pattern operator to calculate the texture similarity of corresponding facial features. A combination of contour and texture similarities is used as criterion for a similar face search.Result Our test face database contains 80 frontal neutral and head-angle face images collected from the I these images are different from the aforementioned training images. Our target face database consists of two parts: 1 040 frontal images in the CAS-PEAL-R1 database and 102 star identification photos collected from the Internet. Only a few CAS-PEAL database images are allowed to be presented in papers, so extra star photos are added to the target face database. We use our method and the method provided by Face++, which presents the highest level of similar face research, to search most similar faces for each test-face image from the target face database. Statistically, the overall accuracy of our method is higher than that of Face++. TOP1 and TOP2 retrieval results are obviously better than Face++, with accuracy rate gaps both reaching more than 12%.Conclusion Experimental results show that the search results of our method are more satisfactory from the perspective of human cognitive habits. Thus, our method can be applied to search similar faces for frontal neutral and head-angle face images. Besides, the proposed image search approach based on cognitive models can also be applied in the business sector, e.g., image-based similarity search of online goods.
基于人脸认知模式的相似脸搜索
摘要点击次数:
全文下载次数:
DOI: 10.11834/jig.
2016 | Volumn 21 | Number 10
&&&&图像分析和识别&&&&
基于人脸认知模式的相似脸搜索
北京林业大学信息学院, 北京 100083;
德国自由大学动物医学院, 柏林 14195;
中国工商银行软件开发中心, 北京 100193;
中影电影数字制作基地有限公司北京影视后期制作分公司, 北京 101400
人类对人脸认知模式的探索由来已久，并且已经成功应用于美容整形等研究领域。然而，目前在计算机视觉和模式识别领域，计算人脸相似度的方法没有考虑人对人脸的认知模式，使得现有方法的计算结果从人的认知习惯角度来讲并非最佳。为克服以上缺陷，提出一种基于人脸认知模式的相似脸搜索算法。
依据人脸认知模式，选取特征点，并计算特征量，构造各面部器官（眼睛、鼻子、嘴巴、脸型）分类模型，即面部器官形状相似性度量模型，并采用圆形LBP算子，计算两幅人脸对应器官的纹理相似度，二者综合作为相似脸搜索的依据。
分别用本文方法和代表相似脸搜索最高水平的Face++的方法对80幅正面、中性表情、平视角度拍摄的人脸图像进行测试。本文方法的整体准确率高于Face++方法，其中，TOP1、TOP2最相似搜索结果准确率优势明显，均高出Face++方法12%以上。
实验结果表明，本文方法的搜索结果更加符合人脸认知模式，可应用于正面、中性表情、平视角度拍摄的人脸图像的相似脸搜索。此外，还可以将此类基于认知模式的图像搜索思路推广应用于商业领域，如基于图像的相似网购商品搜索等。
人脸相似度;
人脸认知模式;
Similar face search based on face cognition
Cao Weiqun1,
Liu Jingjing2,
Zhang Jie3,
School of Information Science and Technology, Beijing Forestry University, Beijing 100083, C
Department of Veterinary Medicine, Freie University Berlin, Berlin 14195, G
Beijing R & D Department, Software Development Centre, ICBC., Beijing 100193, C
State Production base of China Film Co. Ltd. Post Production, Beijing 101400, China
Supported by: the Fundamental Research Funds for the Central Universities (2015ZCQ-XX)
Research on face recognition models has a long history, and has been successfully used in cosmetic surgery and other fields. Meanwhile, exploration of facial similarity measure methods has been conducted in the fields of computer vision and pattern recognition. Some applications, such as face recognition, face retrieval, and similar face search applications, have been widely used in many fields. Existing methods that measure face similarity are typically confined to calculating image similarity without incorporating face cognition patterns used by human beings. Therefore, results of current methods are usually less than optimal from the perspective of human cognitive habits.
Based on face cognition patterns, each kind of facial feature, such as eyes, nose, mouth, and facial shape, is divided into several common types. For example, eyes are divided into 10 groups such as phoenix, circle, triangle, and others. After analyzing feature vectors of different types, we pick 20 images from CAS-PEAL-R1 database for each common type of every facial feature to locate feature points and calculate feature values. We use statistical values of the results to construct facial feature classification models, i.e., contour similarity measurement models for facial features. Contour information cannot include certain facial details, e.g., fold eyelid, high nose bridge, and so on. To measure similarity of details between two faces, we employ a circular local binary pattern operator to calculate the texture similarity of corresponding facial features. A combination of contour and texture similarities is used as criterion for a similar face search.
Our test face database contains 80 frontal neutral and head-angle face images collected from the I these images are different from the aforementioned training images. Our target face database consists of two parts: 1 040 frontal images in the CAS-PEAL-R1 database and 102 star identification photos collected from the Internet. Only a few CAS-PEAL database images are allowed to be presented in papers, so extra star photos are added to the target face database. We use our method and the method provided by Face++, which presents the highest level of similar face research, to search most similar faces for each test-face image from the target face database. Statistically, the overall accuracy of our method is higher than that of Face++. TOP1 and TOP2 retrieval results are obviously better than Face++, with accuracy rate gaps both reaching more than 12%.
Conclusion
Experimental results show that the search results of our method are more satisfactory from the perspective of human cognitive habits. Thus, our method can be applied to search similar faces for frontal neutral and head-angle face images. Besides, the proposed image search approach based on cognitive models can also be applied in the business sector, e.g., image-based similarity search of online goods.
similar face;
face similarity;
face cognition patterns;
face search
随着数码技术的发展，平板电脑、手机等移动设备和数码相机的普及，大量数码相片涌现且为大众娱乐之用。Web 2.0时代的到来，使得用户成为互联网内容的主导生成者，互联网上涌现了浩如烟海的数字图像。怎样从中准确快速地获得有用的信息成为数字图像处理技术的重中之重。而在图像搜索和归类问题中，相似脸搜索是最有价值的研究方向之一,可应用于金融、公安、保险、海关、娱乐等多个领域，典型的应用包括：娱乐搜索，如夫妻脸、明星脸搜索等；公益搜索，如失散亲子、兄弟姐妹搜索等；公共安全保障，如搜索嫌犯等。近些年来，人们对相似脸搜索的关注度日益提高，一些知名应用如微软的twins or not，Face++的相似脸搜索、百度识图的相似人脸、EyeKey的“人脸1∶1”等的出现，标志着相似脸搜索正成为新一轮的研究热点。人脸相似性度量算法作为人脸搜索的关键技术和基础，地位尤其重要。
目前主流的人脸相似性度量方法主要分为基于全局特征和基于局部特征两大类[]。基于全局特征的人脸相似性度量方法包括：主成分分析法[]、线性鉴别分析法[]等。基于局部特征的方法包括：SIFT特征匹配法[]，Gabor小波变换法[]等。全局特征的提取对表情、姿态、光照等变化较为敏感，而局部特征无法描述所有面部信息。因此，越来越多的研究者开始探索全局与局部相结合的方法，例如弹性图匹配法[]和多尺度局部模式LBP法[]等。纵观目前主流的人脸相似性度量算法，数学逻辑严谨，但是在算法构造过程中没有考虑人脸认知模式。因而，基于现有方法的相似脸搜索结果往往与人类认知不符。
本文通过研究分析人对人脸的认知模式，构建了符合人的认知模式的面部器官相似性度量模型和人脸相似性度量模型，设计完成了符合人脸认知模式的相似脸搜索系统，得到了更为符合人类认知的相似脸搜索结果。
算法基本思想
中国自古就有“相术”、“相学”，虽然其科学性难以考证，但是足见人们对人脸认知模式探索已久。近代，对人脸认知模式的探索更加深入，心理学、美容整形外科等学科都对人脸认知模式有了更加科学、详细的定义[]。目前，已有著作[]对面部器官(包括眼、鼻、耳、口、眉、脸型)的分类进行了详细定义，并且给出了分类依据。心理学方面也有对不同面部组成成分在整体面部印象中所占的不同权值进行了研究[]。
基于上述理论依据，本文构建了符合人脸认知模式的面部器官分类模型和人脸相似性度量模型,设计完成了如所示的系统流程：对于给定的人脸图像，经人脸检测、图像预处理(尺度归一、灰度矫正等)后，定位特征点，基于特征点分别计算各面部器官特征量，然后用面部器官分类模型对给定图像的面部器官进行分类并得到各面部器官基本形状相似度，采用LBP算子[]计算给定人脸图像与目标人脸图像对应面部器官的纹理相似度，综合各面部器官形状和纹理相似度得到人脸相似度，并依据该值从人脸库中搜索得到最相似人脸图像。
系统流程图
Our system workflow
面部器官分类模型
现有文献[]对面部器官的分类做出了详细定义，并且对分类标准、分类所需的特征量也有详细的阐述。基于上述研究对各面部器官的标准类型及其特征量进行定义，构建面部器官分类模型。
眼睛标准类型及特征量
文献[]将现实生活中东方人(即蒙古人种)的眼型大致分为18种，分别为：丹凤眼，杏眼，蚂蚱眼，三角眼，蜂眼，朦瞅眼，铜铃眼，猴眼，羊眼，牛眼，金鱼眼，斜白眼，斗鸡眼，倒挂眼，鼠眼，眯缝眼，大小眼，兔眼。本文综合现有文献的研究结果，并依据眼睛位置大小，眼睑、眼睑裂的形态变化，选取10类常见眼型作为标准类型，如所示。
眼睛标准类型
Standard types of eyes
依据各标准眼型的语言性特征描述分别设定其特征量，并将10个标准眼型特征量集合的并集作为眼睛分类特征量集合E。以丹凤眼为例，文献[]对丹凤眼的特征描述为：外眦角大于内眦角，睑裂细长，呈内窄外宽，呈弧形展开，黑珠与眼白露出适中。依据该描述本文设定丹凤眼的特征量集合由外眦角、内眦角，睑裂高，睑裂宽，上睑缘曲率，下睑缘曲率，黑珠面积，眼白面积等8个特征分量组成。同理可设定其余9类眼睛各自的特征分量集合。10个标准眼型特征分量集合的并集即为眼睛分类所需特征量集合E，包含20个特征分量。除所示的14个特征分量外，其余6个依次为：左、右眼内外睑裂角度差，左、右眼睑裂高宽度左眼似三角度，右眼似圆度。
部分眼睛特征分量
Part of a eye’s feature values
包含的14个特征分量分别为：X1两眼外睑宽度，X2两眼内睑宽度，X3左眼内外睑裂宽，X4左眼睑裂高，X5左眼内外眼角高度差，X6左眼外睑裂角，X7左眼内睑裂角，X8右眼内外睑裂宽，X9右眼睑裂高，X10右眼内外眼角高度差，X11右眼外睑裂角，X12右眼内睑裂角，X13左眼似圆度(左眼轮廓多边形面积/左眼外接圆面积)，X14右眼似三角度(右眼内接三角形面积/右眼轮廓多边形面积)。
鼻子标准类型及特征量
鼻子标准类型
Standard types of noses
部分鼻子特征分量
Part of a nose’s feature values
包含的7个特征分量分别为：X1鼻长，X2鼻宽，X3鼻尖与鼻底高度差，X4右鼻翼宽，X5左鼻孔底与鼻底高度差，X6左鼻孔宽，X7左鼻孔高。
嘴巴标准类型及特征量
已有文献[]依据形状将嘴巴分为8种：仰月形，伏月形，四字形，一字形，修长形，承嘴形，盖嘴形，怪嘴形。本文选取其中常见的6类嘴巴作为标准类型，如所示。
嘴巴标准类型
Standard types of mouths
与对眼睛、鼻子的处理类似的，本文依据各标准嘴型的特征描述，设定其特征量[]，将6个标准嘴型特征分量集合的并集作为嘴巴分类特征量 M，包含13个特征分量。除所示的11个特征分量外，其余2个分别为右嘴角至右唇峰高，上下唇高度比值。
部分嘴巴特征分量
Part of a mouth’s feature values
所示的特征分量分别为：X1唇宽，X2唇高，X3上唇中点至左唇峰宽，X4上唇中点至右唇峰宽，X5上唇中点至左唇峰高，X6上唇中点至右唇峰高，X7左嘴角至左唇峰高，X8左嘴角至唇珠高，X9右嘴角至唇珠高，X10上唇中点至唇珠高，X11唇珠至下唇中点高。
脸型标准类型及特征量
波契将人的脸型分为10种，即：椭圆形，卵圆形，倒卵圆形，圆形，方形，长方形，菱形，梯形，倒梯形，五角形[]。本文选取其中常见的7类脸型作为标准类型，如所示。
脸型标准类型
Standard types of faces
与对眼睛等器官的处理类似的，本文依据各标准脸型的特征描述，设定其特征量[]。将7个标准脸型特征分量集合的并集作为脸型分类特征量F，包含9个特征分量(如所示)。
脸型特征分量
Part of a face’s feature values
所示的特征分量分别为：X1脸长，X2脸宽，X3额宽，X4额高，X5额头至颧骨高度差，X6下颌宽，X7下颌高，X8左颌角，X9右颌角。
面部器官分类模型
基于以上分类特征量的定义，分别构建眼睛、鼻子、嘴巴、脸型的分类模型。其中，眼睛分类模型的计算过程如下：
从CAS-PEAL-R1人脸库[]中挑选出眼睛为标准眼型的人脸图像，每种标准眼型各20幅，分别提取其眼部特征点并计算其20个眼睛分类特征分量的值。由实验结果可知，每类眼睛的各特征分量值均符合正态分布规律，其正态分布函数为
$\eqalign{
& {e_{n,i}}(x) = {1 \over {\sqrt {2\pi } {\sigma _{n,i}}}}\exp \left( { - {{{{(x - {\mu _{n,i}})}^2}} \over {2{{({\sigma _{n,i}})}^2}}}} \right)
& n \in \left[ {1,10} \right],i \in \left[ {1,20} \right] \cr} $
式中，en,i(x)表示第n种标准眼型的第i个特征值的正态分布函数，μn,i表示第n种标准眼型的第i个特征值的平均值，σn,j表示第n种标准眼型的第i个特征值的标准差。
对于给定的人脸图像，其眼睛特征量为X，则该眼睛与第n类标准眼型的相似度
${E_n}(X) = \sum\limits_{i = 1}^{20} {{W_{n,i}}} {{{e_{n,i}}({X_i})} \over {{e_{n,i}}({\mu _{n,i}})}}, n \in \left[ {{1,10}} \right]$
式中，给定人脸图像眼睛的第i个特征分量Xi，愈接近第n类标准眼型对应分量的均值(即en,i(Xi)/en,i(μn,i)越接近1) ，则该人脸图像越接近此标准眼型。
Wn,i为对应各特征分量的权值，用于消除不同眼型特征分量取值范围差异对相似度计算的影响，即${W_{n,i}} = (\sum\limits_{n = 1}^{10} {{\sigma _{n,i}}} )/(10 \times {\sigma _{n,i}})$
眼睛分类模型为
${S_{eye}}(X) = \left[ {{E_1}(X),{E_2}(X),{E_3}(X), \ldots {E_{10}}(X)} \right]$
即为该眼睛与所有标准眼型的相似度，如所示。其中，相似度值最大的标准眼型即为该眼睛所属标准眼型。
给定人脸图像眼睛与各标准眼型的相似度
Similarities between eyes of the given face image and each standard eye type
鼻子等其他器官的分类模型计算过程与眼睛的一致，不一一赘述。
算法的关键步骤
本文算法流程如所示，其中，关键步骤包括：人脸图像预处理，面部器官分类，人脸相似性度量。
人脸图像预处理
输入人脸图像由于其采集环境的不同，常存在角度偏差、大小和位置不确定、光照不均、设备噪声等情况。为了保证图像中人脸角度、位置大小、光照以及人脸图像质量的一致性，必须对图像进行预处理。此外，定位面部器官特征点以完成数据准备，也是人脸图像预处理的重要内容之一。
输入图像特征点定位
输入人脸图像Gori，采用Face++的面部特征点定位法[]定位Gori中83个特征点，得到初步特征点集Vori，其中包括眼、口、鼻、眉等器官的轮廓特征点及不完备的面部轮廓特征点(Face++面部特征点定位法[]无法定位额头特征点，因此该面部轮廓特征点集不包含额头特征点)。
为了解决图像采集时因拍摄角度，人脸姿势变化等造成的平面人脸旋转问题，对输入的人脸图像进行旋转矫正。计算出两眼内角点连线的中心点，以该点为坐标原点，建立人脸图像坐标系，旋转人脸图像，使两眼内角点连线保持水平，计算可得该旋转矩阵(用矩阵R表示)。
尺度归一化
由于所采集的图像中，人脸所在的相对位置和大小存在差异，对旋转矫正后的人脸图像进行尺度归一化处理。计算脸颊两侧特征点(中红色标注点)的欧氏距离l，以两眼内角点中心点为矩形中心点，截取矩形窗口RectA内的人脸图像。该窗口的边分别与X、Y坐标轴平行。实验结果表明，当RectA的尺寸为1.6l×2.4l时，矩形窗口内的人脸图像可完全包含所需面部信息。当所定义的窗口超出图像边界时，左右上下微移窗口，使其包含于图像范围内(如所示)。然后，将截取所得图像缩放至480×720像素大小(缩放矩阵用矩阵S表示)。
图 11 整人脸图像特征点集
The whole facial feature point set
矩形窗口移动过程
Rectangular window translating
经3.1.2节、3.1.3节处理后，人脸图像的初步特征点集变换为Vdst1=Vori×R×S。
为了消除图像采集时光照、设备等因素对人脸图像的影响，克服不同人脸图像间的平均灰度差异，采用常用的灰度归一化方法[]对旋转、尺度归一化后的图像进行灰度矫正。
特征点补充定位
采用的面部轮廓的特征分量包含额宽、脸长等，Face++特征点定位法所定位的83个面部轮廓特征点不能满足这些特征分量的计算需求，需对额头特征点进行补充定位。由于男女发型及其对额头的遮挡情况差异较大，按照男女1∶1的比例选取人脸库[]中100幅图像作为训练样本集，手工标注各图像额头位置的3个关键点(可用于计算额宽、脸长等)，得到平均形状模型。然后，对任一给定人脸图像，采用ASM方法[]可对3个额头特征点进行补充定位，建立包含86(83+3) 个特征点的完整人脸图像特征点集Vdst(如所示)。
面部器官分类
由完整人脸特征点集Vdst计算得到各器官特征量，并根据第2节所定义的各面部器官分类模型对输入图像的各面部器官进行计算，得到各器官的形状相似度矢量。
人脸相似性度量
面部各器官轮廓相似度
由第2节中得到的给定器官与各标准类型器官的相似度，得到分别对应4个器官的4个相似度直方图(如所示)。采用巴氏距离计算器官轮廓相似度，即
$d({H_{\bf{1}}}{\bf{,}}{H_2}) = \sqrt {{\alpha
\over {\sqrt {{{\overline H }_{\bf{1}}}{{\overline H }_{\bf{2}}}{N^{\bf{2}}}} }}\sum\limits_I^{} {\sqrt {{H_{\bf{1}}}\left( I \right) \cdot {H_{\bf{2}}}\left( I \right)} } } $
式中，${\overline H _k} = {1 \over N}\sum\limits_J {{H_k}(J)} ,\alpha
= \min ({\overline H _1},{\overline H _2})/\max ({\overline H _1},{\overline H _2})$，N为直方图的分组数。
可计算得到两张人脸对应器官的相似度分别为deye，dnose，dmouth，dface。
人对人脸的认知，除器官轮廓形状外，还包括单、双眼皮，睫毛长短、鼻梁高低等细节特征。除了器官轮廓相似度外，本文还基于相关的局部纹理对人脸细节特征的相似性进行度量。
面部各器官纹理相似度
基于人对人脸的认知，从86个特征点中选取局部细节特征丰富的特征点，对其所定义局部区域内纹理进行计算。这里的局部区域定义为以特征点为中心的圆形区域，圆形区域半径R依特征点处局部细节特征范围的大小而定，如眼部内外角点的圆形区域半径取为20像素；上下眼皮特征点的圆形区域半径取为16像素；鼻尖的圆形区域半径为60像素；鼻翼特征点、鼻底端顶点圆形区域半径为30像素；鼻孔特征点圆形区域半径为25像素；嘴角、唇珠圆形区域半径为30像素；嘴唇上下顶点、上唇左右唇峰圆形区域半径为25像素(如所示)。
面部器官LBP算子
Facial organ LBP operators
为了能够包含特征点周围8个基本方向上的细节特征，其圆形LBPP,R算子的采样点数P设为8；R即为上述圆形区域半径。计算得到每个选取的特征点的LBPP,R算子后，再分别计算其周围的P个采样点各自的圆形LBPp,r算子，其中p=8，r=R/3。因此，对选取的每个特征点需计算1+P个LBP算子。上述LBP算子，均采用其等价模式及旋转不变模式[]来简化计算。
由可知，对面部双眼，选取16个特征点，计算16×9个LBP算子，得到相应的LBP算子矩阵Leye，表示眼睛纹理信息。鼻子、嘴巴选取的特征点个数分别为6、7，对应的LBP算子矩阵分别为Lnose、Lmouth。计算两幅图像对应面部器官的LBP算子矩阵夹角余弦，作为该器官纹理相似度，即
$s = \gamma \cos \theta
= \gamma {{\left\langle {{L_1},{L_2}} \right\rangle } \over {\left\| {{L_1}} \right\|\left\| {{L_2}} \right\|}}$
式中，L1，L2为两个同种面部器官的LBP算子(2维)矩阵，$\gamma
= \min (\overline {{L_1}} ,\overline {{L_2}} )/\max (\overline {{L_1}} ,\overline {{L_2}} )$,$\overline {{L_1}} $和$\overline {{L_2}} $分别为矩阵L1、L2中所有元素的均值。面部各器官纹理相似度s的值域为[0-1]。
依据式(5) 可计算得到两幅人脸对应器官的局部细节特征相似度分别记为seye，snose，smouth，sface。
人脸相似性度量模型
融合各面部器官轮廓形状和局部细节特征的人脸相似度
$\eqalign{
& S = {w_e}({d_{eye}} + {\sigma _e}{s_{eye}}) + {w_n}({d_{nose}} + {\sigma _n}{s_{eye}}) +
& {w_m}({d_{mouth}} + {\sigma _m}{s_{mouth}}) + {w_f}{d_{face}} \cr} $
式中，权值we、wn、wm、wf分别为599.7、613.65、397.2、751.65、1 374[]。经多次试验，权值σe、σn、σm依次为0.18、0.15、0.16时，相似脸搜索结果最佳。
对数据库中所有图像与目标图像的相似度进行降序排序，得到排序数组N1，排序第1的即为最相似人脸。
值得指出的是，当式(6) 中权值we、wn、wm、wf其一取值为1，其他取值均为0时，得到的相似度为针对单一器官的相似度。基于该单一器官相似度值，可进行相似器官搜索。
实验结果与分析
由于中国科学院的CAS-PEAL人脸库对发表论文的数据使用规定[]，本文的搜索目标人脸库由两部分构成：一是中科院的CAS-PEAL人脸库中的CAS-PEAL-R1/FRONTAL/Normal子库(1 040幅人脸图像)；二是从互联网上收集的102幅明星正面证件照(男女比例为48∶54) 。
由于Face++在最重要的互联网图片人脸识别(face recognition)比赛LFW中获得世界第一[]，代表了相似脸搜索的最高水平，并且建立了API service，非常方便研究者用于对比实验。本文方法与Face++方法进行了对比测试。
测试人脸库由80幅正面、中性表情、平视角度拍摄的人脸图像组成，测试人脸图像不包含用于训练面部器官分类模型的人脸图像。由60名志愿者分别从搜索目标人脸库中人工挑选出与各测试人脸图像最相似的对象，通过投票法得到与各测试人脸最相似的目标人脸作为最佳结果，用于相似脸搜索结果的准确性判断。
分别用本文方法和Face++相似脸搜索方法从搜索目标人脸库中搜索与各测试人脸最相似的前10幅人脸图像。以各测试人脸的人工搜索所得的目标人脸在各方法的前10幅搜索结果中的存在情况作为算法性能的评判标准。实验结果表明，各方法搜索得到的最相似脸与手动搜索所得的目标人脸一致的比例(TOP1) ：本文为61.25%，Face++方法为45%；前两幅最相似人脸包含人工搜索所得的目标人脸的比例(TOP2) ：本文为77.5%，Face++方法为65%。两种方法搜索结果中前N(N=1,2,…,10) 张最相似人脸包含手动搜索所得的目标人脸的比例情况详见。分析可得，本文方法的整体搜索准确率高于Face++方法，其中，本文方法的
本文方法与Face++搜索结果准确率
Accuracy rates of our method and the Face++ method respectively
12345678910
本文61.2577.5082.5083.7587.5091.2591.2593.7595.0097.50
Face++ 45.0065.0077.5082.5083.7585.0086.2591.2593.7593.75
TOP1、TOP2搜索结果准确率优势明显。由实验结果可知，本文方法的相似脸搜索结果更为符合人类认知。本文方法与Face++方法部分搜索结果如所示。
本文方法与Face++搜索结果对比
Some results of our method and the Face++ method respectively ((a) (b) (c)group three)
本文提出了一种基于人对人脸认知模式的人脸相似性度量方法，并应用于相似脸搜索。首先，将现有描述性的人脸认知模式进行量化，提取特征量，构建器官分类模型，计算面部器官轮廓相似度；然后，利用LBP算子计算面部器官局部细节特征(如单、双眼皮，睫毛长短、鼻梁高低等)相似度；最后，依据面部器官轮廓相似度以及局部细节特征相似度构建人脸相似性度量模型。对于给定的人脸图像，可基于该度量模型在人脸库中进行相似人脸搜索。问卷调查结果显示，本文方法的相似人脸搜索结果较之Face++有较明显的优势。这是因为，基于深度神经网络方法的Face++相似脸搜索算法[]，在特征空间划分及对比特征量的选取上，未考虑人脸认知模式，使搜索结果并不一定是人脸认知的最优结果。
在未来工作中，可从以下几个方面进行扩展和改进：首先，改进额头3个特征点的定位方法，使对于各种发型均有较合适的定位结果。其次，对人脸相似性度量模型中所涉及的各经验值进一步优化，从而使器官分类及人脸相似性度量的结果更符合人脸认知模式。再者，扩展图像预处理方法，使之可将非正面平视角度以及非中性表情的人脸图像变换到正面平视中性表情，扩大算法的适用范围。还有，对除东方人种之外其他人种的人脸及人脸器官认知模式进行分析，将算法扩展到可适用于所有人种的相似脸搜索。
文中用到的CAS-PEAL-R1人脸库是在中国国家高新技术项目和ISVISION有限公司的赞助下采集而成的，在此郑重致谢。
Huang D Y, Lin C J, Dai S H.
Face recognition using the diagonal relative gradient method in a low illumination environment[J].
Kurita T. Principal component analysis (PCA)[C]//Computer Vision: A Reference Guide. US: Springer, 9.
Wang H Z. Face recognition based on LDA[D]. Xi'an: Xidian University, 2010.
[王海珍. 基于LDA的人脸识别技术研究[D]. 西安: 西安电子科技大学, 2010.[DOI: ]]
Zhou Z M, Yu S Y, Zhang R, et al.
An algorithm for face recognition based on SIFT descriptor[J].
Journal of Image Graphics
, 2008, 13
周志铭, 余松煜, 张瑞, 等.
一种基于SIFT算子的人脸识别方法[J].
中国图象图形学报
, 2008, 13
Li Y F. Gabor wavelets transform based facerecognition[D]. Dalian: Dalian University of Technology, 2005.
[李云峰. 基于Gabor小波变换的人脸识别[D]. 大连理工大学, 2005.[DOI: ]]
Hanmandlu M, Gupta D, Vasikarla S. Face recognition using Elastic bunch graph matching[C]//Proceedings of the 2013 IEEE Applied Imagery Pattern Recognition Workshop. Washington DC: IEEE, .
Ahonen T, Hadid A, Pietik?inen M.
Face description with local binary patterns: application to face recognition[J].
IEEE Transactions on Pattern Analysis and Machine Intelligence
, 2006, 28
Analysis of Chinese face cognition on "physiognomy"[J].
Tribune of Social Sciences
探析中国古代"相面术"的人脸认知[J].
社会科学论坛
Aesthetic surgery[M].
Beijing Science and Technology Publishing House,
: 6-15-36-44.
美容外科学[M].
北京科学技术出版社,
Takahasi K, Ueda H, Miyahara T, et al. A study on face similarity using knowledge processing methods[C]//Proceedings of the 2005 IEEE Region 10 Conference. Melbourne, Qld.: IEEE, .
Oriental eye shape classification and cosmetic surgery[J].
Medical Aesthetics
, 1995, 39
东方人的眼形分类与美容术[J].
Numerical survey of the different shapes of the human nose[J].
Journal of Craniofacial Surgery
, 2011, 22
Application research of nasal morphology and shaping technology of the Asians[J].
China Medical Cosmetology
亚洲人的鼻形态及综合整形技术的应用研究[J].
From head to foot in reading[M].
Huazhong University of Science and Technology Press,
从头到脚读心术[M].
华中科技大学出版社,
Cao Z M, Qin Z H, Sun Y S, et al.
Medical beauty and cosmetic surgery design[M].
Tsinghua University Press,
: 124-148-151.
曹志明, 秦志华, 孙颖莎, 等.
医学美学与美容外科设计[M].
清华大学出版社,
Gao W, Cao B, Shan S G, et al.
The CAS-PEAL large-scale Chinese face database and baseline evaluations[J].
IEEE Transactions on Systems, Man, and Cybernetics-Part A: Systems and Humans
, 2008, 38
: 149–161.
Zhou E J, Fan H Q, Cao Z M, et al. Extensive facial landmark localization with coarse-to-fine convolutional network cascade[C]//Proceedings of the 2013 IEEE International Conference on Computer Vision Workshops. Sydney, NSW: IEEE, 1.
Li S J, Yang J Y, Lu J F.
Singular value feature and hidden Markov models-based face detection[J].
Journal of Image Graphics
: 681–688.
李士进, 杨静宇, 陆建峰.
基于奇异值特征和隐马尔可夫模型的人脸检测[J].
中国图象图形学报
: 681–688.
Sun Y M. Automatic facial feature points localization and application based on ASM[D]. Beijing: Beijing Jiaotong University, 2010.
[孙砚铭. 基于ASM自动人脸特征点定位及应用的研究[D]. 北京: 北京交通大学, 2010.][DOI: 10.7666/d.y1780943]
Ojala T, Pietikainen M, Maenpaa T.
Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J].
IEEE Transactions on Pattern Analysis and Machine Intelligence
, 2002, 24
: 971–987.
CAS-PEAL Face database[EB/OL].[]..
Fan H Q, Yang M, Cao Z M, et al. Learning compact face representation: packing a face into an int32[C]//Proceedings of the 22nd ACM International Conference on Multimedia. New York, NY, USA: ACM, 6.
Fan H Q, Cao Z M, Jiang Y N, et al. Learning deep face representation[J/OL].[]. Eprint Arxiv. .
10.11834/jig.
北京林业大学信息学院, 北京 100083
北京林业大学信息学院, 北京 100083
曹卫群,教授,博士生导师,E-mail:
德国自由大学动物医学院, 柏林 14195
中国工商银行软件开发中心, 北京 100193
中影电影数字制作基地有限公司北京影视后期制作分公司, 北京 101400