技术摘要：
本发明涉及智能终端技术领域，更具体地，涉及一种基于集成学习的妆容推荐方法。该方法包括以下步骤，获取素颜图，并对图像中人物进行面部特征识别分析；将面部特征分析结果输入学习模型中，从妆容集中找到推荐妆容图；根据推荐妆容图，进行妆容迁移，得到迁移图。集成  全部
背景技术：
现有的妆容推荐算法大都是基于比较人脸的相似度进行妆容推荐。比如《东方女 性人脸妆容推荐算法研究》根据VGGFACE特征描述子相似度推荐妆容《，基于深度学习的人 脸自动美妆与深度哈希算法》选取与当前人脸特征的欧氏距离最小者作为推荐结果。但是 事实上这样的推荐不是完全合理的。对于不同脸型不同五官的人来说，相似的妆容并不等 同于合适的妆容。如果一个人的素颜的眉型与脸型本身就不协调，那么根据相似度原则推 荐得到的结果还是不适合他的妆容。这样的妆容推荐的实际参考价值不大。
技术实现要素：
人脸的特征太过复杂，简单的特征分类并不能完全契合的描述一个人的面部特 征，预测出的不同的面部特征的影响大小也并非绝对，因此本发明提出了一种基于集成学 习的妆容推荐方法，引入了集成学习，集成多个弱的决策从而给出一个可信度相对较高的 决策，推荐最合适的妆容。解决了传统妆容推荐效果不佳、不人性化的问题。解决了不同面 部特征对妆容的整体效果影响不同所导致的面部特征权重分配问题。 为实现上述目的，本发明采用如下技术方案： 基于集成学习的妆容推荐方法，该方法包括以下步骤， 获取素颜图，并对图像中人物进行面部特征识别分析； 将面部特征分析结果输入学习模型中，从妆容集中找到推荐妆容图； 根据推荐妆容图，进行妆容迁移，得到迁移图。 本技术方案进一步的优化，所述妆容推荐方法如下， S201.获取训练集，从训练集中随机抽取n个样本； S202.重复第一个步骤k次，得到k组训练集； S203.每次使用一个训练集进行训练得到一个学习模型，k个训练集共得到k个模 型； S204.利用上一步得到的k个模型进行预测得到k个预测结果； S205.统计预测结果，预测结果最多的即为推荐妆容图。 本技术方案更进一步的优化，所述步骤S205，采用投票的方式统计出现次数最多 的结果，再依据迁移图与素颜图的颜值差初始分布情况进行换算，最终得到的最高的值对 应的结果即为推荐妆容图；所述初始分布进行换算的具体方法： S2051、利用直接统计的方法记录初始颜值差各个等级出现的概率记为ai； S2052、对于k个预测结果统计所有类别的票数，每个类别的票数除以k，得到结果 为k类的概率记为bi； 4 CN 111597972 A 说　明　书 2/7 页 S2052、最终预测的结果为max((bi-ai)*qi/ai)此处的qi为根据初始分布概率计 算的权重。 本技术方案更进一步的优化，所述学习模型的训练集的获取方法如下， 将妆容图B与素颜图A比较得到X，妆容图B迁移到素颜图A上得到迁移图C，获取迁 移图C的颜值分Y，将素颜图与妆容集中的所有妆容图进行对比并迁移，获得训练集。 本技术方案更进一步的优化，所述所述学习模型为线性函数： Y＝WTX β， 其中，Y为颜值分，W为权重，X为素颜图和妆容图对比，β为权重偏置。 本技术方案更进一步的优化，所述学习模型采用训练集的数据计算权重W和权重 偏置β， 采用均方误差MSE作为损失函数Loss， 其中，m为训练数据组数，i代表第i组训练数据，f(Xi)为预测颜值分，Yi为实际颜 值分，若Loss函数值越小，则表示f(Xi)与Yi之间的差别越小，采用梯度下降算法，迭代计算 出W和β。 本技术方案更进一步的优化，所述梯度下降算法，梯度下降的调优公式为： Wj＝W’j-learnrate*2*MSEW*Xk βj＝β’j-learnrate*2*MSEW 其中，j代表第j次迭代，learnrate为参数学习率，W'、β'表示上一轮迭代得到的W、 β，Xk是在随机梯度下降过程中选择了第k组数据，MSEW是根据上一轮算出的W和β计算的 Loss，k表示随机选中了第k组数据进行随机梯度下降。 本技术方案进一步的优化，所述面部特征包括脸型、眼型、鼻型、唇型、眉型、三庭 五眼。 区别于现有技术，上述技术方案不遵循传统的“相似即合适”的智能妆容推荐原 则，而是通过集成学习的手段，通过智能上妆前后的对比作为妆容合适度的反馈，更符合现 实中的人工个性化妆容推荐理念。集成学习中将利用加权结合的策略，即遵循“少数服从多 数”的原则，这样得到的学习机更具有普适性，适用人群广。集成学习训练出的妆容推荐原 则可以考虑到不同五官特征对妆容的影响大小不同的问题，更接近于人类的妆容推荐方 式。优于传统的相似度分析得到的结果，节省了人工进行五官分析与妆容推荐的时间，解决 了用户不知道什么妆容适合自己的问题。 附图说明 图1为妆容迁移示意图； 图2为训练数据集图； 图3为在小部分数据下测试的收敛效果； 图4为集成学习示意图； 图5为每次抽取n个样本示意图； 5 CN 111597972 A 说　明　书 3/7 页 图6为k个模型示意图； 图7为最优迭代次数示意图； 图8为最优学习率示意图； 图9为妆容迁移图。