人脸吸引力是遗传心理学和认知心理学领域的一个重要研究课题,其研究成果之于人脸进化,甚至人类进化均具有重大的科学意义。本文在传统的认知心理学上结合人工智能技术对人脸吸引力实施交叉研究,对传统的研究工作中存在的主观性强、特征单一等不足具有改进作用。本文利用现有的机器学习方法去获取人脸吸引力的量化标准,深入研究与分析了基于面部结构特征与皮肤纹理特征的人脸吸引力评价方法。本文的主要研究内容及成果如下:(1)提出了一种分块自适应加权LBP直方图匹配方法,以此来进行基于皮肤纹理特征的人脸吸引力预测。该方法依据LBP直方图相似性进行测试子块与训练子块的匹配,每个测试子块的权重值由其所含信息熵决定。在本文所使用的人脸图像数据库上,经过实验论证了该方法的最优分块数目是64,在此参数下能够获得更具优势的人脸吸引力预测性能。(2)设计了用于表征面部结构特征的79点人脸轮廓特征与24维几何特征,并使用Lasso算法对这两种特征及其组合特征进行特征选择,利用机器学习算法对提取的面部结构特征进行人脸吸引力预测性能评估。实验结果表明,本文设计的这两种特征与其它特征相比表现出较好的预测性能,且经过特征选择后的面部结构组合特征使得预测性能进一步提升。(3)将利用面部结构特征与皮肤纹理特征的人脸吸引力评价方法相结合,具体做法为把使用这两种面部特征得到的机器评分进行分数融合,实验结果表明基于面部结构特征与皮肤纹理特征的分数融合计算模型能够使人脸吸引力预测性能得到大幅提升。在本文建立的自采集学生人脸数据库和中老年人脸数据库中,当融合权重比分别为6:4和3:7时,获得最佳预测性能,Pearson相关系数比单独的由两种特征进行实验分别提升了6.62%和7.35%。