茅台学院与香港中文大学(深圳)数据科学学院在国际期刊《Pattern Recognition》（中国科学院1区期刊，影响因子8.0）上联合发表了题为“Learning efficient facial landmark model for human attractiveness analysis”的科技论文。茅台学院酿酒工程自动化系彭天昊老师为论文第一作者。

在近十年来，基于计算机科学的人脸美学研究已经涌现出来，吸引了大量研究者的关注。人脸关键点模型由分布在人脸五官及轮廓上的各个点构成，它是提取人脸几何特征的先决条件。不同研究者使用不同数量不同位置的关键点模型，则他们提取的几何特征也将不一样。然而，这些人脸关键点模型往往最初被设计用于人脸的其它视觉任务，并且其中仅有部分关键点被用来提取几何特征，很多关键点没有被使用，造成了一定计算资源浪费。而且，基于不同关键点模型提取的几何特征，评估人脸美丽的结果也不同，目前并没有一个统一的优化的专门适用于人脸美丽分析的关键点模型。针对以上的问题，该文提出学习一个紧密的有效的人脸关键点模型。首先，该文提取了由距离、比例和角度等构成的比较全面的171维几何特征集。为了直观地表征人脸的形状，例如下巴和眉毛等，角度特征在该文中被提出分析人脸美丽。其次，该文提出优化的演化算法来选择对人脸美丽有贡献的特征子集。由于具有强大的搜索能力，集成了混沌映射策略的遗传算法被提出， 进一步增强算法中种群的多样性，提升算法的全局寻优能力。最后，经过以上算法的特征选择，该文得到了优化的紧密的62个点人脸关键点模型。该模型覆盖了所有选择的几何特征，且每个关键点都有关联的几何特征对人脸美丽产生贡献，这也是人脸美学研究中首个学习的紧密有效的人脸关键点模型。