利用机器学习进行人脸颜值评分

科学可以让童话变成现实， 还记得《白雪公主》里面的魔镜么， 利用人类科技真是可以让平民老百姓也能有一个。 因为人类让计算机也可以自己用机器学习做判断了。

利用机器学习的常用步骤就是先让机器学习，再让机器干活。

对人脸进行打分这个事儿怎么学习， 肯定得给计算机一堆照片，告诉它每一张照片的得分是多少， 计算机学习完了， 再给它一个它没见过的照片， 让它打个分，看看学习的好不好。

学习的话可以利用一些机器学习的框架，比如 Caffe, Tensorflow, 不过这些框架安装比较费劲， 使用起来比较麻烦，运行时间也比较长。 我们试试用最基础的机器学习库来解决这个事吧。 本文涉及到的代码和文档都放在了 Github 的这个链接里了：

https://github.com/oatmeal3000/female-face-rating

首先，我们得把人脸照片中的关键信息提出来，这个信息越少越好， 这样以后计算机进行学习的时候比较省事。 对人脸来讲， 决定颜值高低的是一些关键点的位置。 这些关键点的位置在照片中就是用横纵坐标来表示。 所以我们先从网上找到一些妹子的照片，这些照片放在了 source/web_image 文件夹里，对于每张照片的评分， 放在了 data/ratings.txt 文件里。 以照片文件夹路径为参数， 我们运行 1_facial_landmarks.py 程序， 它可以把每张照片中人脸的关键点提取出来，存在一个文本文件里。 这个程序里面用到了 dlib 库的人脸识别功能， 把照片中的人脸找出来，再去找人脸中的关键点。这块有一个特别需要注意的地方， 因为我们是从一个文件夹里的 500 张照片逐个照片去找关键点的，在程序中用 listdir 函数列出这 500 张照片时， 千万要记得排序！因为 listdir 函数列出来的文件名顺序，并不是按照照片文件名中的序号顺序， 所以调用了一下 sort 函数：

第二步， 我们可以从人脸的关键点里计算一下特征。 这个特征就是各个关键点之间的距离比例。 当然我们可以把任意两个人脸关键点之间的距离算一下， 再算一下这个距离与其他所有距离之间的比例。 但是人脸关键点至少有几十个， 我们怎么减少一下程序计算量。 这样我们等待的时间也可以少一点。 我们可以站在对人脸美学研究比较多的专家的肩膀上，来实现这个目的。 韩国科学家在这方面比较先进，因为它们的整容技术应用的太普遍了， 看看这篇文章 “A Novel Framework for Assessing Facial Attractiveness Based on Facial Proportions”， 它总结了几个决定人脸美丽程度的几个重要比例，我们可以拿过来用。 这几个关键点距离比例，我们把它算好后放在 data/features_ALL.txt 文本文件中。

第三步， 有了每张照片的特征和评分， 我们就可以把他们扔给计算机学习了。 我们还有个可以减少学习时间的手段可以利用，就是主成分分析 Principal Component Analysis

(PCA) 大法。 我们算出来的特征还是有点多，我们用 PCA 给它减少点， scikit-learn 中有 PCA 的库可以直接利用。 特征想要减少到多少呢， 可以利用已有的数据集实验确定一下， 或者随便给它一个差不多不太大的值先用用看。 之后我们就可以利用机器学习的模型进行训练了。 常用的模型有线性回归、逻辑回归、支持向量机、随机森林和高斯过程回归。不同的模型表现效果会不太一样，针对某个特定的问题， 你可以都实验一下，挑选一个表现最好的。 这个标准可以根据 Pearson correlation ， 从你的数据集里专门拿出来一小部分做个测试，实验一下，看看这个模型的训练结果和测试数据集吻合程度高不高。 学习训练的结果就放在 model文件夹里面，后面就可以利用它进行颜值评分了。

第四步， 给程序一张它没见过的照片，让计算机自己判断吧。 我们还是要从这张照片中把人脸找出来，找到人脸中的所有关键点。利用关键点计算出我们感兴趣的特征 (记得那篇韩国论文了没有) ，把我们第三步生成的训练结果模型加载进来，利用那个训练过的模型进行预测评分吧。

以上就是一个机器学习的完整过程，具体实现请实验代码～