4.1.資料庫收集
由於現今並沒有現成的娃娃臉資料庫存在，我們透過 Google 圖片搜尋引擎 尋找所需的人臉來作為我們資料庫，挑選的人臉樣本都以正臉為主以便分析人 臉特徵，並且將人臉分為娃娃臉的人臉以及非娃娃臉的人臉兩類。
屬於娃娃臉的圖一共有 88 張，為了不使訓練結果產生種族上的差異存在，
東方、西方、白人、黑人皆存在於訓練樣本之中，而擁有娃娃臉的人臉是透過 收集大家公認為娃娃臉的名人或是明星才將其放入正樣本集，即娃娃臉樣本之 中。不屬於娃娃臉的圖一共有 188 張，收集的樣本如同娃娃臉一樣是正臉的人 臉圖並當作負樣本，所以資料庫中總共有 276 張的人臉圖，資料庫部分樣本可 見圖 6。
圖 6. 資料庫裡的部份樣本
紅線左側的樣本屬於娃娃臉，紅線右側的樣本不屬於娃娃臉
4.2.實驗方式
在實驗中，我們使用 SVM 來訓練模型，我們使用 63 張娃娃臉的樣本以及 163 張非娃娃臉的樣本來當作訓練集，其餘的 25 張娃娃臉的樣本以及 25 張非娃 娃臉則當作測試集，並且樣本的選取是經過隨機抽樣後分到訓練集或是測試 集。對於每一種方法，準確度的測量都是重複十次的樣本重新選擇後進行訓練 及測試。
特徵選擇的特徵挑選出跟心理學一樣 10 個特徵，局部二值模式則是擷取出 59 維的特徵，而卷積神經網路中抽取出來的特徵則有 1000 維，之後放入 SVM 進行訓練。在第一個實驗中我們將每種特徵都各別訓練一個 SVM 分類模型，藉 此比較每種方法的準確率。在二個實驗中我們將不同的方法得到的特徵串聯在 一起，分析是否彼此之間能夠互補並提高準確率。
4.3.實驗結果分析
如圖 7所示，我們發現心理學所提出的特徵對於辨識娃娃臉的準確度為 61%，而在紅框中顯示的為各個特徵選擇方法的準確度，可以發現利用 CondRed 特徵選擇方法我們可以把準確率提升到 64%，這代表使用特徵選擇的方法確實 能夠幫助我們尋找出比心理學提出的 10 個特徵組合更好的的特徵組合
而局部二元模式特徵的辨識結果表現並不如我們預期所想，準確率不好的 原因可能是因為擁有娃娃臉的人與非娃娃臉的人，他們的臉部紋理都是有可能 出現臉部光滑的狀況，即臉部皺紋的多寡並沒有辦法做為判斷是否為娃娃臉的 依據，一個臉部平滑皺紋較少的人並不一定擁有娃娃臉。
最後，藉由卷積神經網路所擷取出的特徵從實驗結果發現準確率好於其他 的方法，雖然無法對卷積神經網路所選出的特徵作出明確的解釋，但是可以推 測可能因為卷積神經網路是模擬人類大腦思考的方式來擷取出特徵，因此擷取 出的特徵比起心理學或是特徵選擇方法以及局部二元模式特徵來的更加接近我 們認為娃娃臉實際上應該擁有的特徵，卷積神經網路擷取出的特徵更加接近娃 娃臉的本質，所以準確率才會比其他的方法優異。
接著我們針對卷積神經網路另外收集了新的資料庫，由於先前受限於 AAM 得抓取得到人臉才能計算距離特徵，所以資料庫規模不大，而卷積神經網路最 初的輸入便是圖片的像素值，所以對於臉的角度沒有限制，資料庫較容易收 集。
我們總共收集了 1000 張人臉圖，其中娃娃臉的圖片以及非娃娃臉的圖片各 有 500 張，而娃娃臉為 20 個人，東西方男女各 5 人，每個人的臉各有 25 張，
之後使用卷積神經網路擷取出特徵並將特徵放到 SVM 裡訓練出模型，我們使用 750 張人臉圖來當作訓練樣本，娃娃臉以及非娃娃臉各有 375 張，剩下的 250 張 人臉圖則當作測試樣本。與先前的實驗方法相同進行 10 次的訓練與測試，每次 都將資料庫圖片隨機分成訓練以及測試樣本，在平均了這 10 次的結果最後我們 得到了 81.04%的準確度。顯示出樣本的增加能夠幫助卷積神將網路來學習特 徵，而準確度也不會因為人頭擺動角度的變化而降低，也顯示出卷積神經網路 的確是個優異的特徵擷取方法。
圖 7. 各種方法對於娃娃臉辨識的準確率
61% 59% 59% 62% 63% 57% 63% 54% 64% 57% 77%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
Accuracy
Psychology MIFS mRMR CMIM JMI DISR CIFE ICAP CondRed LBP CNN
Feature selection method