CN106355132B - 人脸静态皮肤区域自动识别检测方法及其系统 - Google Patents

人脸静态皮肤区域自动识别检测方法及其系统 Download PDF

Info

Publication number
CN106355132B
CN106355132B CN201510418812.2A CN201510418812A CN106355132B CN 106355132 B CN106355132 B CN 106355132B CN 201510418812 A CN201510418812 A CN 201510418812A CN 106355132 B CN106355132 B CN 106355132B
Authority
CN
China
Prior art keywords
real
time
static state
skin
skin area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510418812.2A
Other languages
English (en)
Other versions
CN106355132A (zh
Inventor
李贵滨
彭中美
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ecovacs Robotics Suzhou Co Ltd
Original Assignee
Ecovacs Robotics Suzhou Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ecovacs Robotics Suzhou Co Ltd filed Critical Ecovacs Robotics Suzhou Co Ltd
Priority to CN201510418812.2A priority Critical patent/CN106355132B/zh
Publication of CN106355132A publication Critical patent/CN106355132A/zh
Application granted granted Critical
Publication of CN106355132B publication Critical patent/CN106355132B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30088—Skin; Dermal

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种人脸静态皮肤区域自动识别检测方法及其系统，该方法包括：步骤100：提取目标参考图；步骤200：采集人脸某一区域的图像形成实时图；步骤300：将参考图和实时图分别进行预处理；步骤400：将通过步骤300预处理后的参考图和实时图通过归一化匹配算法进行匹配，并判断，若匹配成功则进入步骤500；否则返回步骤200；步骤500：分别提取参考图和实时图中的皮嵴数目，并判断，若皮嵴数目相同则匹配成功；否则返回步骤200。本发明提供的检测方法通过对参考图和实时图的处理与匹配，可以对实时检测的人脸区域进行识别，方法简单且准确率高；使用上述方法的系统实现了皮肤检测仪和终端设备之间的无线通讯，操作简单更便于使用者使用。

Description

人脸静态皮肤区域自动识别检测方法及其系统
技术领域
本发明涉及一种人脸静态皮肤区域自动识别检测方法及其系统，属于人脸识别技术领域。
背景技术
目前市场上存在的所有皮肤检测仪，包含传统的传感器式的皮肤检测仪和以图像检测为主的皮肤检测仪，对于检测区域而言，都是预存一先前图片，随后在相应软件上标识出一个区域，让用户自已去寻找所标识的区域是否是与预存的先前图片一致的区域，靠人为主观判断两者是否为同一区域，由于在判断过程中加入的人为因素较多，因此准确率较低。另外，人脸不同区域的检测指标，包括水份、油份、皱纹等因素会对检测结果产生不同的影响。因此，一定时间的检测结果并不能准确评价一个人的皮肤好坏程度，不只是从用户体验上达不到尽善尽美，在用户评价自身脸部各项指标时也同样会造成错误的引导。
申请号为201210161380.8的专利文献，公开了图像处理设备、图像处理方法、程序和记录介质，对去除噪声的表皮图像进行二进制化处理，利用白轮廓线包围黑区域划分皮嵴皮沟，需要对白轮廓线和黑区域进行阈值设置，而阈值的选取在不同人的身上存在差异性，在一定程度上会对皮嵴皮沟的划分产生错分的情况，不能正确地评价皮肤的肌理状态。
发明内容
本发明所要解决的技术问题在于针对现有技术的不足，提供一种人脸静态皮肤区域自动识别检测方法及其系统，该方法通过对参考图和实时图的处理与匹配，可以对实时检测的人脸区域进行识别，方法简单且准确率高；该系统实现了皮肤检测仪和终端设备之间的无线通讯，操作简单更便于使用者使用。
本发明所要解决的技术问题是通过如下技术方案实现的：
一种人脸静态皮肤区域自动识别检测方法，包括如下步骤：
步骤100：提取目标参考图；
步骤200：采集人脸某一区域的图像形成实时图；
步骤300：将参考图和实时图分别进行预处理；
步骤400：将通过步骤300预处理后的参考图和实时图通过归一化匹配算法进行匹配，并判断，若匹配成功则进入步骤500；否则，返回步骤200；
步骤500：分别提取参考图和实时图中的皮嵴数目，并判断，若皮嵴数目相同则匹配成功；否则，返回步骤200。
具体地，所述步骤100之前还包括步骤000：建立目标参考图的数据库。
所述步骤500中提取皮嵴数目的方法为分水岭分割算法。
所述步骤500之后还包括步骤600：对实时图中的皮肤参数进行测试记录，并与参考图中的皮肤参数进行比较。
所述步骤300中的预处理包括：直方图均衡化和平滑滤波处理。
所述步骤400中的归一化匹配算法具体包括：计算实时图与参考图之间的匹配度R，若R≥95％，则进入步骤500；若R<95％，则返回步骤200重新采集实时图。
所述分水岭分割算法进一步包括如下步骤：
步骤一：运用分水岭分割算法，提取皮嵴图像；
步骤二：分别计算实时图和参考图的皮嵴数目；
步骤三：比较实时图和参考图的皮嵴数目，若皮嵴数目相同，则匹配成功，实时图所采集的人脸某一区域即为参考图中显示的区域；若数目不等，则匹配失败，返回步骤200重新采集实时图。
根据不同的检测需要，所述步骤600中的皮肤参数包括：水份、油份、弹性、皱纹或毛孔肤色。
本发明还提供一种人脸静态皮肤区域自动识别系统，包括皮肤检测仪和终端设备，所述皮肤检测仪和终端设备之间通过无线方式相连。其中，所述终端设备为配有安卓系统、IOS系统的手机。
综上所述，本发明提供的人脸静态皮肤区域自动识别检测方法，通过对参考图和实时图的处理与匹配，可以对实时检测的人脸区域进行识别，方法简单且准确率高；使用上述方法的系统实现了皮肤检测仪和终端设备之间的无线通讯，操作简单更便于使用者使用。
下面结合附图和具体实施例，对本发明的技术方案进行详细地说明。
附图说明
图1为皮嵴和皮沟的示意图；
图2为本发明的工作流程图。
具体实施方式
本发明提供一种人脸静态皮肤区域自动识别检测方法，包括如下步骤：
步骤100：提取目标参考图；
步骤200：采集人脸某一区域的图像形成实时图；
步骤300：将参考图和实时图分别进行预处理；
步骤400：将通过步骤300预处理后的参考图和实时图通过归一化匹配算法进行匹配，并判断，若匹配成功则进入步骤500；否则返回步骤200；
步骤500：分别提取参考图和实时图中的皮嵴数目，并判断，若皮嵴数目相同则匹配成功；否则返回步骤200。
具体地，所述步骤100之前还包括步骤000：建立目标参考图的数据库。
所述步骤500中提取皮嵴数目的方法为分水岭分割算法。
所述步骤500之后还包括步骤600：对实时图中的皮肤参数进行测试记录，并与参考图中的皮肤参数进行比较。
所述步骤300中的预处理包括：直方图均衡化和平滑滤波处理。
所述步骤400中的归一化匹配算法具体包括：计算实时图与参考图之间的匹配度R，若R≥95％，则进入步骤500；若R<95％，则返回步骤200重新采集实时图。
步骤500中的分水岭分割算法，该方法进一步包括如下步骤：
步骤一：运用分水岭分割算法，提取皮嵴图像；
步骤二：分别计算实时图和参考图的皮嵴数目；
步骤三：比较实时图和参考图的皮嵴数目，若皮嵴数目相同，则匹配成功，实时图所采集的人脸某一区域即为参考图中显示的区域；若数目不等，则匹配失败，返回步骤200重新采集实时图。
根据不同的检测需要，所述步骤600中的皮肤参数包括：水份、油份、弹性、皱纹或毛孔肤色。
换句话说，本发明所提供的这种检测方法，实质上是参考图和实时图的匹配方法，在基于皮肤像素颜色的基础上，利用归一化相关匹配方法实现了皮肤检测仪所采集的图像与终端标记图像的人脸静态皮肤区域匹配，同时利用分水岭分割算法结合皮嵴、皮沟在人脸区域的专有信息，分别计算出参考图和实时图中的皮嵴、皮沟数目，并进行匹配度比较，提高了正确区域检测率，实现了客户对于皮肤区域检测评价的准确性和客观性。
以下分别针对上述各个步骤中所涉及到的各种算法相应进行具体地说明。
首先需要具体说明的是步骤400中的归一化匹配算法，该算法是基于灰度的相关匹配，基于灰度的相关匹配是一种对共轭图像逐像元以一定大小的窗口的灰度阵列，按某种或几种相似性度量顺次进行搜索匹配的方法，又包括归一化相关匹配算法、差的绝对值和相关算法、差的平方和相关匹配算法等，本发明采用的是归一化相关匹配算法，因此对其他的匹配方法不再赘述。需要说明的是，上述所提到的各种算法都属于现有技术，之前应用在医学图像分析、视频处理和交通控制等技术领域。
归一化相关匹配算法是经典的统计匹配算法之一，通过计算匹配图像(实时图)与模板图像(参考图)的相关值，用来计算匹配程度R，来确定两幅图像之间匹配的相关程度的大小。
计算的相关值最大时的搜索窗口的位置决定了待匹配图像在模板图像中的位置，去均值的归一化相关算法定义如下式：
其中，X，Y为匹配图像(实时图)的大小，U,V为模板图像(参考图)的大小，u,v为匹配(实时)点，f(x,y)为图像中匹配区域(实时区域)的像素灰度值。t(x-u,y-v)为模板(参考图)中的像素灰度值；为模板(参考图)的灰度均值，为图像中匹配区域（实时区域)的均值。R代表了匹配程度。由于认为操作会导致检测区域不会完全相同，有些微小的偏差，这里允许偏差在±5％的范围内，也就是说，匹配率在≥95％的情况下均属于匹配成功。
归一化相关算法对参考图和实时图进行了去均值处理，这是由于图像的均值常常不为零，因此，当图像进行相关比较时，在度量值中就会出现使度量值的极值与背景灰度的比值下降，且相关峰变宽，从而给匹配点的检测带来困难，而且降低了定位精度，因此，在相关匹配时，对参考图和实时图进行去均值处理，就可以解决这些问题，使相关算法对图像的亮度变化和对比度变化不敏感。(归一化算法中已作区均值处理)
其次需要具体说明的是步骤500中的分水岭分割算法。图1为皮嵴和皮沟的示意图。如图1所示，皮肤表面纹理是由人体表皮凸起和凹陷的纵横交错的皮沟100和皮嵴200组成的。其中皮嵴是指皮肤表面褶皱凸起的小块，皮嵴200大多呈现为不规则的三角形和多边形，而皮沟100是皮嵴纹路之间的凹陷部分，位于皮嵴的交界处，皮沟相互交错围成皮嵴，不同人不同区域的皮嵴数目各不相同。因此，可以利用皮嵴数目作为图像匹配的一个特征。
由于上述步骤400中的归一化匹配算法对噪声变化不敏感，即在有噪声且在容忍的范围内的情况下，匹配结果仍然较为准确。噪声的加入变相的提高了匹配的准确性，虽然在做归一化相关匹配算法之前加入了去噪处理，即：通过平滑滤波来去噪。也就是上述步骤300中所涉及的对参考图和实时图分别进行的预处理中的其中一种方法。由于内核的去噪处理运算速度有限，不能去运算复杂的去噪算法。从而利用相同皮肤含有相同的皮嵴数目的皮肤学原理，采用分水岭分割算法对皮肤进行处理，计算参考图和实时图的皮嵴数目，皮嵴数目相差在一定范围内，则确定是所需要的皮肤区域。
皮肤纹理皮嵴皮沟的获取采用基于拓扑理论的分水岭分割算法，基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。
由于分水岭分割算法属于现有技术，在此只对其主要步骤进行概括性说明，更详细地内容在此不再赘述。具体来说，分水岭分割算法主要包括：①计算分水岭变化函数；②对标记目标进行计算；③对标记背景进行计算；④修改分水岭变换的函数。通过上述步骤使其仅在前景和背景标记的位置处有极小值。
以上对本发明所提供的一种人脸静态皮肤区域自动识别检测方法进行了详细的说明，除此之外，本发明还提供一种应用上述检测方法的人脸静态皮肤区域自动识别系统，该系统主要包括：皮肤检测仪和终端设备，所述皮肤检测仪和终端设备之间通过无线方式相连。其中，所述终端设备为配有安卓系统、IOS系统的手机，终端内装有与皮肤检测仪相关的APP软件(包含图像处理功能)。皮肤检测仪上设有wifi，通过无线连接传输图像、皮肤现况到终端。
图2为本发明的工作流程图。如图2所示，人脸静态皮肤区域自动识别系统的具体工作过程是这样的：首先，打开皮肤检测仪、终端APP，使皮肤测试仪与终端处于通信连接状态，比如：皮肤检测仪可以通过wifi与终端连接。其次，从终端中提取存有先前标记的参考图；然后，皮肤检测仪配有摄像头、高分辨率CMOS图像传感器，随着人手不断移动，皮肤检测仪将摄像头拍摄的人脸图片(实时图)一张一张传输给终端，继而通过图像软件对实时图和目标参考图进行预处理，预处理包括直方图均衡化和平滑滤波，并通过图像处理软件分析，将参考图、实时图的像素变为320×240像素；随后，对参考图、实时图进行预处理，包含直方图均衡化、平滑滤波，其中直方图均衡化以便增强对比度，平滑滤波以去噪处理；之后，运用归一化相关匹配算法，计算匹配度R，若R≥95％，则进行下一步分水岭分割算法；若R<95％，则重新获取实时图；运用分水岭分割算法，提取皮嵴图像；分别计算实时图、参考图的皮嵴数目。由于不同区域的皮嵴数目各不相同，比较实时图和目标参考图中的皮嵴数目，若皮嵴数目相同，则匹配成功，终端上显示“OK”，皮肤检测仪停止向终端传输图像；若数目不等，则匹配失败，返回重新获取实时图，直到匹配成功。为了方便比对，可以预先在终端APP上建立目标参考图的数据库，即将每一次检测的皮肤参数记录并存储，以形成一个数据库。
最后，当匹配完成之后，对实时图中的皮肤参数进行测试记录，并与参考图中的皮肤参数进行比较。运用归一化相关匹配算法、分水岭分割算法，客观准确地锁定检测区域，可以精准地知道皮肤的水份、油份、弹性、皱纹、毛孔肤色等变化，根据检测结果进行改善、跟踪。
综上所述，本发明提供的人脸静态皮肤区域自动识别检测方法，通过对参考图和实时图的处理与匹配，可以对实时检测的人脸区域进行识别，方法简单且准确率高；使用上述方法的系统实现了皮肤检测仪和终端设备之间的无线通讯，操作简单更便于使用者使用。

Claims (10)

1.一种人脸静态皮肤区域自动识别检测方法，其特征在于，该方法包括如下步骤：
步骤100：提取目标参考图；
步骤200：采集人脸某一区域的图像形成实时图；
步骤300：将参考图和实时图分别进行预处理；
步骤400：将通过步骤300预处理后的参考图和实时图通过归一化匹配算法进行匹配，并判断，若匹配成功则进入步骤500；否则，返回步骤200；
步骤500：分别提取参考图和实时图中的皮嵴数目，并判断，若皮嵴数目相同则匹配成功；否则，返回步骤200。
2.如权利要求1所述的人脸静态皮肤区域自动识别检测方法，其特征在于，所述步骤100之前还包括步骤000：建立目标参考图的数据库。
3.如权利要求1所述的人脸静态皮肤区域自动识别检测方法，其特征在于，所述步骤500中提取皮嵴数目的方法为分水岭分割算法。
4.如权利要求1所述的人脸静态皮肤区域自动识别检测方法，其特征在于，所述步骤500之后还包括步骤600：对实时图中的皮肤参数进行测试记录，并与参考图中的皮肤参数进行比较。
5.如权利要求1所述的人脸静态皮肤区域自动识别检测方法，其特征在于，所述步骤300中的预处理包括：直方图均衡化和平滑滤波处理。
6.如权利要求1所述的人脸静态皮肤区域自动识别检测方法，其特征在于，所述步骤400中的归一化匹配算法具体包括：计算实时图与参考图之间的匹配度R，若R≥95％，则进入步骤500；若R<95％，则返回步骤200重新采集实时图。
7.如权利要求3所述的人脸静态皮肤区域自动识别检测方法，其特征在于，所述分水岭分割算法进一步包括如下步骤：
步骤一：运用分水岭分割算法，提取皮嵴图像；
步骤二：分别计算实时图和参考图的皮嵴数目；
步骤三：比较实时图和参考图的皮嵴数目，若皮嵴数目相同，则匹配成功，实时图所采集的人脸某一区域即为参考图中所显示的区域；若数目不等，则匹配失败，返回步骤200重新采集实时图。
8.如权利要求4所述的人脸静态皮肤区域自动识别检测方法，其特征在于，所述步骤600中的皮肤参数包括：水份、油份、弹性、皱纹或毛孔肤色。
9.一种人脸静态皮肤区域自动识别系统，包括皮肤检测仪和终端设备，其特征在于，所述皮肤检测仪和终端设备之间通过无线方式相连；所述人脸静态皮肤区域自动识别系统采用如权利要求1-8中任一项所述的人脸静态皮肤区域自动识别检测方法进行皮肤检测。
10.如权利要求9所述的人脸静态皮肤区域自动识别系统，其特征在于，所述终端设备为配有安卓系统、IOS系统的手机。
CN201510418812.2A 2015-07-17 2015-07-17 人脸静态皮肤区域自动识别检测方法及其系统 Active CN106355132B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510418812.2A CN106355132B (zh) 2015-07-17 2015-07-17 人脸静态皮肤区域自动识别检测方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510418812.2A CN106355132B (zh) 2015-07-17 2015-07-17 人脸静态皮肤区域自动识别检测方法及其系统

Publications (2)

Publication Number Publication Date
CN106355132A CN106355132A (zh) 2017-01-25
CN106355132B true CN106355132B (zh) 2019-07-30

Family

ID=57842570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510418812.2A Active CN106355132B (zh) 2015-07-17 2015-07-17 人脸静态皮肤区域自动识别检测方法及其系统

Country Status (1)

Country Link
CN (1) CN106355132B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109600578B (zh) * 2017-09-29 2021-04-09 株式会社理光 图像处理装置、图像处理系统、图像处理方法
CN111382694A (zh) * 2020-03-06 2020-07-07 杭州宇泛智能科技有限公司 人脸识别方法、装置及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006026965A1 (de) * 2004-09-10 2006-03-16 Frank Bechtold Verfahren und system zur optimierung der erkennung oder der erkennungssicherheit bei der identifikation oder verifikation von prüfobjekten
CN101079102A (zh) * 2007-06-28 2007-11-28 中南大学 基于统计方法的指纹识别方法
CN102214297A (zh) * 2011-06-14 2011-10-12 中国人民解放军国防科学技术大学 用于特征提取的静脉图像质量检测方法
CN102846309A (zh) * 2011-05-23 2013-01-02 索尼公司 图像处理设备、图像处理方法、程序和记录介质
EP2380110B1 (en) * 2008-12-19 2013-11-20 Pavel Anatolievich Zaytsev A method for evaluating quality of image representing a fingerprint pattern
CN204318756U (zh) * 2014-11-24 2015-05-13 深圳市胜康电子科技有限公司 一种蓝牙皮肤水分检测仪

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006026965A1 (de) * 2004-09-10 2006-03-16 Frank Bechtold Verfahren und system zur optimierung der erkennung oder der erkennungssicherheit bei der identifikation oder verifikation von prüfobjekten
CN101079102A (zh) * 2007-06-28 2007-11-28 中南大学 基于统计方法的指纹识别方法
EP2380110B1 (en) * 2008-12-19 2013-11-20 Pavel Anatolievich Zaytsev A method for evaluating quality of image representing a fingerprint pattern
CN102846309A (zh) * 2011-05-23 2013-01-02 索尼公司 图像处理设备、图像处理方法、程序和记录介质
CN102214297A (zh) * 2011-06-14 2011-10-12 中国人民解放军国防科学技术大学 用于特征提取的静脉图像质量检测方法
CN204318756U (zh) * 2014-11-24 2015-05-13 深圳市胜康电子科技有限公司 一种蓝牙皮肤水分检测仪

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于图像传感器的皮肤纹理自动测量系统设计;单改仙 等;《传感器与微系统》;20131231;第32卷(第11期);92-94
融合区域颜色和纹理两级特征的快速人体皮肤检测;刘忠平 等;《计算机应用与软件》;20101031;第27卷(第10期);134-137

Also Published As

Publication number Publication date
CN106355132A (zh) 2017-01-25

Similar Documents

Publication Publication Date Title
CN105956578B (zh) 一种基于身份证件信息的人脸验证方法
CN105243386B (zh) 人脸活体判断方法以及系统
Puhan et al. Efficient segmentation technique for noisy frontal view iris images using Fourier spectral density
CN108830856B (zh) 一种基于时间序列sd-oct视网膜图像的ga自动分割方法
CN107016353B (zh) 一种变分辨率目标探测与识别一体化的方法与系统
CN104732200A (zh) 一种皮肤类型和皮肤问题的识别方法
Tang et al. A novel approach for fracture skeleton extraction from rock surface images
CN111178252A (zh) 多特征融合的身份识别方法
CN103424404A (zh) 物品的品质检测方法与系统
CN111257329A (zh) 一种智能手机摄像头缺陷检测方法以及检测系统
CN111582118A (zh) 一种人脸识别方法及装置
CN110599514B (zh) 图像分割的方法、装置、电子设备及存储介质
CN106355132B (zh) 人脸静态皮肤区域自动识别检测方法及其系统
US20170270668A1 (en) Discrete Edge Binning Template Matching System, Method And Computer Readable Medium
Zhang et al. Salient region detection in remote sensing images based on color information content
KR20030066512A (ko) 노이즈에 강인한 저용량 홍채인식 시스템
CN110148125A (zh) 基于颜色检测的自适应皮肤油脂检测方法
CN108563997A (zh) 一种建立人脸检测模型、人脸识别的方法和装置
CN106023166B (zh) 微波图像中人体隐藏危险物体的检测方法和装置
Szczepański et al. Pupil and iris detection algorithm for near-infrared capture devices
CN105447440B (zh) 实时虹膜图像评价方法和装置
CN116386118A (zh) 一种基于人像识别的粤剧匹配化妆系统及其方法
Si-ming et al. Moving shadow detection based on Susan algorithm
CN109472223A (zh) 一种人脸识别方法和装置
CN108830238A (zh) 唇膏颜色自适应选择系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant