西 安 工 程 大 学 学 报
Journal of Xi'an Pol
y
technic Universit
y
第
33
卷第
6
期
(
总
160
期
)
201 9
年
12
月
Vol.33
,
No.6
(
Sum.No.1 60
)
开放科学
(
资源服务
)
标识码
(
OSID
)
文章编号
:
1674-649X
(
201 9
)
06-06 73-06 DOI
:
10.13338
/
j
.issn.1674-649x.2019.06.014
收稿日期
:
201 9-06-30
基金项目
:
国家重点研发计项目
(
201 7YFB1402 102
);
陕西省重点研发计划项 目
(
201 9ZDLSF07-01
)
通信作者
:
朱欣娟
(
1 969
—),
女
,
西安工程大学教授
,
研究方向为智能信息处 理
。
E-mail
:
152725499 1 @
qq
.com
引文格式
:
吴菲
,
朱欣娟
,
吴晓军
,
等
.
基于卷积神经网络的人脸图像美感分类
[
J
]
.
西安工程大学学报
,
2019
,
33
(
6
):
673-678.
WU Fei
,
ZHU Xin
j
uan
,
WU Xiao
j
un
,
et al.Aesthetic classification of face ima
g
es based on convolutional neural
network model
[
J
]
.Journal of Xi'an Pol
y
technic Universit
y
,
201 9
,
33
(
6
):
673-6 78.
基于卷积神经网络的人脸图像美感分类
吴
菲
1
,
朱欣娟
1
,
吴晓军
2
,
MATTHIAS Rätsch
3
(
1.
西安工程大学 计算机科学学院
,
陕西 西安
71 0048
;
2.
陕西师范大学 计算机科学学院
,
陕西 西安
71 0062
;
3.
洛特林根大学 机械工程学院
,
德国 洛特林根
727 62
)
摘要
:
针对复杂环境下人脸图像美感分类准确率低的问题
,
给出一种适用于人脸图像美感分类的网
络模型
F-Net
。
该模型以
LeNet-5
为基础网络
,
使用卷积层提取复杂背景下 的人脸图像特征
,
优化
网络模型中的参数
,
改变模型中卷积层和全连接层特征元的数量
。
结果表明
,
本文给出的
F-Net
网
络模型在复杂环境背景下的人脸图像分类准确率达到
73%
,
较其他经典的卷积神经 网络分类模型
相比性能更佳
。
关键词
:
卷积神经网络
;
LeNet-5
;
人脸识别
;
美感分类
;
图像处理
中图分类号
:
TP 391
文献标志码
:
A
Aesthetic classification of face ima
g
es based
on convolutional neural network model
WU Fei
1
,
Z HU Xin
j
uan
1
,
WU Xiao
j
un
2
,
MATT H IAS Rätsch
3
(
1.School of Com
p
uter Science
,
Xi'an Pol
y
technic Universit
y
,
Xi'an 7 10048
,
China
;
2.School of Com
p
uter Science
,
Shannxi Normal Universit
y
,
Xi'an 7 10062
,
China
;
3.De
p
artment of Mechatronics
,
Reutlin
g
en Universit
y
,
Reutlin
g
en 72762
,
German
y
)
Abstract
:
Aimed at the
p
roblem that the accurac
y
of face ima
g
e classification in com
p
lex environ-
ment is not hi
g
h
,
a network model F-Net suitable for aesthetic classification of face ima
g
es is
p
ro-
p
osed.Based on LeNet-5
,
the model uses convolutional la
y
ers to extract facial ima
g
e features in
com
p
lex back
g
rounds
,
o
p
timizes
p
arameters in the network model
,
and chan
g
es the number of
convolutional la
y
ers and full
y
connected la
y
er feature elements in the model.The ex
p
erimental re-
sults show that the F-Net network model
p
ro
p
osed in this
p
a
p
er has a face ima
g
e classification ac-
curac
y
of 73% in com
p
lex environment back
g
round
,
which is better than other classical convolu-
万方数据