1．目的及意义

计算机处理能力的不断增强，数字图像处理被广泛应用在众多领域。人脸美颜系统就是采用了数字图像处理的技术，对人脸进行美容处理，实现了用户对人像的美化，满足了人们对美的要求。近年来，随着AI，人工智能的火热，人们对美颜系统又提出了新的要求，希望能自动对人像进行美化，这就涉及到人脸识别的内容。人脸识别融合了机器学习、模式识别和图像处理等技术，是人工智能领域的研究难题之一，其主要难点在于如何让计算机拥有类似人脑的识别认知能力。Hinton等人提出深度学习（DeepingLearning）的概念，深度学习通过模仿类似人脑的工作机制来解释图片、声音和文本等数据，这是别计算机拥有了累死人脑的识别功能，这对于计算机视觉方面的研究具有重大的意义，尤其是可以推进人工智能和人脸识别的发展。

随着云时代的到来，每天有成千上万的图片通过社交软件或者网络被上传到云服务器上进行存储，例如微博、美图、face 、Facebook等，对于这些海量数据，需要有一种高效并快速的识别方法，来识别出照片中的人脸，进而进行人脸的美化满足客户的需求。传统的基于主成分分析，局部二值特征的方法，由于受到硬件能力的性能限制，并不能很好的完成。相反，深度学习的理念就是通过对海量数据的学习，来模仿建立人脑的视觉神经系统，这和大数据处理不谋而合。因此深度学习被广泛应用于人脸识别，人脸关键点定位的方面，利用深度学习建立高效、可靠的人脸识别系统，对于智能美颜系统的研究有着实实在在的使用价值。{title}

2. 研究的基本内容与方案

{title}

研究主要基于caffe平台，通过研究基于深度学习的人脸识别算法与技术，得到图像中的人脸样本，从而再采用图像处理算法对样本进行处理以达到美颜的目的。

首先学习使用伯克利大学的开源深度学习框架，利用caffe设计和训练用于人脸识别和人脸关键点检测的深度卷积神经网络，输入检测样本，从而得到包含样本中人脸关键信息的数据集，利用该数据集进行数字图像处理。

其次，利用数字图像处理的算法实现类似美白，瘦脸，美瞳等美颜效果。通过深度卷积神经网络得到人脸信息，在信息中提取人脸信息，从而采用调整数据中三原色的占比从而达到美白的效果，也可采用滤波对数据进行处理，使得数据平滑，从而对人脸实现了磨皮的效果。在信息中提取人脸的轮廓信息，采用图像局部扭曲的算法实现自动瘦脸以及自动放大眼睛的作用。图像局部扭曲算法有三个：局部缩放（Local Scaling）算法、局部平移（Local Transition）算法和局部旋转（Local Rotation）算法。其中应用局部缩放算法可实现眼睛放大，局部平移算法则可用于实现瘦脸效果。当然，图像局部缩放算法只是眼睛放大算法流程中的最关键的一步，要实现自动眼睛放大算法还需要额外的步骤。简单来说，给一张美女头像，你首先需要应用自动人脸检测技术定位出图像中的眼睛位置；然后基于此位置坐标应用图像局部缩放算法。自动瘦脸算法流程类似，不同之处在于应用人脸检测技术得到人脸轮廓点，由这些轮廓坐标点应用局部平移算法得到瘦脸效果。

3. 参考文献

[1] Paul Viola, Michael J. Jones. RobustReal-Time Face Detection[J]. International Journal of Computer Vision, Volume57, Issue 2, 137-154, 2004.

[2] P. Felzenszwalb, D. Mc Allester, and D.Ramanan. A discriminatively trained, multiscale, deformable part model[C]. In Proceedings ofCVPR, 2008.

[3] Sachin, Mohammad, and Li-Jia Li.Multi-view Face Detection Using Deep Convolutional Neural Networks[C].International Conference on Multimedia Retrieval, 2015

[4] Yaniv Taigman, Ming Yang, and Lior Wolf. Deep Face:Closing the Gap to Human-Level Performance in FaceVerification[C]. CVPR, 2014.

[5] Kanade,T. Picture processing system bycomputer complex and recognition of human faces[D]. Japan: KyotoUniversity.1973.

[6] Brunelli, R., Poggio, T. FaceRecognition through Geometrical Features[C]. European Conference on ComputerVision (ECCV) , S. 792–800, 1992.