اندازه‌گیری نسبت‌های طلایی چهره با استفاده از مدل مبتنی بر رگرسیون آبشاری برای کاربرد در آنالیز زیبایی چهره

امروزه، جراحی‌های پلاستیک چهره به‌دلیل اصلاح نقص‌های ناشی از مشکلات مادرزادی، ترمیم بافت آسیب‌دیده از سوختگی و ایجاد ساختار زیبا در چهره به‌طور چشمگیری افزایش یافته است؛ بنابراین، متخصصان به آنالیز و اندازه‌گیری معیارهای کمی چهره نیازمند هستند. آشکارسازی نقاط کلیدی (لندمارک) چهره، نقش مهمی در اندازه‌گیری معیارها و نسبت‌های طلایی چهره دارد. در این مقاله، 33 لندمارک نمای روبه‌روی چهره با استفاده از مدل مبتنی بر رگرسیون آبشاری (crm) آشکارسازی شده‌اند. نخستین گام در آشکارسازی لندمارک‌های چهره، آشکارسازی چهره برای قرارگیری ریخت اولیه است؛ بر همین اساس، الگوریتم خوشه‌بند فازی (fcm) بهینه‌سازی‌شده با الگوریتم شاهین هریس (hho) برای بخش‌بندی چهره به کار گرفته شده است. در crm، تابع رگرسیون برای نگاشت تصاویر چهره ورودی به خروجی مدنظر به کار گرفته می‌شود. برای استخراج ویژگی، روش هیستوگرام گرادیان جهت‌دار (hog) روی هر سه کانال فضای رنگی rgb در اطراف لندمارک‌های تعریف‌‌شده اعمال شد. نتایج آزمایش نشان دادند استخراج ویژگی در سه کانال فضای رنگی rgb دقت بیشتری نسبت به استخراج ویژگی در مقیاس خاکستری دارد. همچنین، نتایج تایید کردند روش پیشنهادی دقت بالایی در آشکارسازی لندمارک‌های چهره داشته است و می‌تواند به‌عنوان روشی موثر در آنالیز سفالومتری بافت نرم چهره به کار گرفته شود.

measurement of facial golden criteria using cascade regression model for facial beauty analysis

nowadays, facial plastic surgeries are performed for the correction of congenital anomalies, correction of injuries caused by accidents, treatment of burns, and the creation of a beautiful structure in the face. therefore, surgeons need to analyze and measure quantitative facial metrics. facial landmark detection plays an important role in the measurement of the facial golden ratio. in this study, 33 landmarks from the frontal view were detected using the cascade regression model (crm). face detection is the first step in facial landmark detection to put the initial shape on the face. therefore, the fuzzy c-means algorithm optimized by harris hawk optimization (hho) has been used for facial segmentation. in crm, the regression function is used for mapping input face images to the desired output. for feature extraction, the histogram orientation gradient (hog) method was applied around the defined landmarks on three channels of rgb color space. experiment results showed that feature extraction in three channels of rgb color space is more accurate than feature extraction in the gray scale. also, results confirmed that the proposed method has a high accuracy in facial landmark detection and can be used as an effective method in the cephalometry analysis of facial soft tissue.