CN108323204A - 一种检测人脸瑕疵点的方法和智能终端 - Google Patents
一种检测人脸瑕疵点的方法和智能终端 Download PDFInfo
- Publication number
- CN108323204A CN108323204A CN201780003838.8A CN201780003838A CN108323204A CN 108323204 A CN108323204 A CN 108323204A CN 201780003838 A CN201780003838 A CN 201780003838A CN 108323204 A CN108323204 A CN 108323204A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- facial image
- bianry
- flaw point
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种检测人脸瑕疵点的方法和智能终端。其中,所述方法包括:获取人脸图像;对所述人脸图像进行图像处理获得第一二值图像,其中,所述图像处理包括二值化处理;过滤所述第一二值图像中的背景噪音,获得第二二值图像;对所述第二二值图像进行膨胀处理,获得第三二值图像;在所述第三二值图像中筛选出满足阈值条件的黑色像素区块,从而获得所述人脸图像中的人脸瑕疵点。通过上述技术方案,本申请实施例能够实现对人脸瑕疵点进行准确定位,方便用户了解其脸部瑕疵点的分布情况以及严重程度。
Description
技术领域
本申请涉及人脸识别技术领域,尤其涉及一种检测人脸瑕疵点的方法和智能终端。
背景技术
人脸识别技术是一种通过分析比较人脸视觉特征信息进行身份鉴定的技术,其主要研究领域包括:身份识别、表情识别以及性别识别等。近年来,随着人们生活质量的提高,人们对自身面部肤质情况的关注度日益增强,人脸识别技术也开始应用于鉴定人脸肤质情况。
当前,利用人脸识别技术检测人脸肤质情况的方法是:通过拍照获得人脸照片并对该人脸照片进行人脸识别以及将识别后得到的人面部划分为八个面部图像区块;对划分后的各个面部图像区块进行皮肤属性的计算;根据各个区块皮肤属性的结果,检测判断得到肤质类型。通过该方法能够获得人脸肤质的整体情况,如:可以检测得到该人脸的肤质类型为干性、中性、油性或者混合性,便于用户确定自己的肤质类型。
然而,在实现本申请的过程中,发明人发现现有技术至少存在以下问题:人脸的瑕疵点(如:痘痘、色斑、痣等)的数量以及分布情况是人脸肤质质量的一个重要分支,但现有的技术主要用于检测人脸肤质的整体情况,无法针对人脸瑕疵点进行准确的检测,不便于用户了解自己脸上痘痘、色斑、痣等瑕疵点的具体情况。
发明内容
本申请实施例提供一种检测人脸瑕疵点的方法和智能终端,能够解决现有技术无法针对人脸瑕疵点进行准确检测的问题。
第一方面,本申请实施例提供了一种检测人脸瑕疵点的方法,包括:
获取人脸图像;
对所述人脸图像进行图像处理获得第一二值图像,其中,所述图像处理包括二值化处理;
过滤所述第一二值图像中的背景噪音,获得第二二值图像;
对所述第二二值图像进行膨胀处理,获得第三二值图像;
在所述第三二值图像中筛选出满足阈值条件的黑色像素区块,从而获得所述人脸图像中的人脸瑕疵点。
其中,所述过滤所述第一二值图像中的背景噪音,获得第二二值图像,包括:
生成与所述人脸图像对应的掩模图像;
根据所述掩模图像过滤所述第一二值图像中的背景噪音,获得第二二值图像。
其中,所述生成与所述人脸图像对应的掩模图像,包括:
定位所述人脸图像中的人脸关键点;
根据所述人脸关键点构建所述人脸图像中的人脸的面部轮廓;
根据所述面部轮廓生成与所述人脸图像对应的掩模图像。
其中,所述根据所述面部轮廓生成与所述人脸图像对应的掩模图像,包括:
在所述人脸图像中,将所述面部轮廓以内的所有像素设置为白色像素,将所述面部轮廓以外的所有像素设置为黑色像素,从而生成与所述人脸图像对应的掩模图像。
其中,所述根据所述面部轮廓生成与所述人脸图像对应的掩模图像,包括:
构造与所述人脸图像尺寸一致的全白图像;
将所述面部轮廓重现于所述全白图像中,其中,所述面部轮廓在所述全白图像中的位置参数与所述面部轮廓在所述人脸图像中的位置参数一致;
将所述面部轮廓以外的像素全部设置为黑色像素,从而生成与所述人脸图像对应的掩模图像。
其中,所述在所述第三二值图像中筛选出满足阈值条件的黑色像素区块,从而获得所述人脸图像中的人脸瑕疵点,包括:
基于所述人脸图像确定基准宽度阈值;
根据所述基准宽度阈值确定与人脸瑕疵点对应的阈值条件;
在所述第三二值图像中筛选出满足所述阈值条件的黑色像素区块,从而获得所述人脸图像中的人脸瑕疵点。
其中,所述方法还包括:
获取所述黑色像素区块的坐标参数;
根据所述坐标参数在所述人脸图像中标记出所述人脸瑕疵点。
其中,所述方法还包括:
统计所述黑色像素区块的数量;
根据所述数量确定所述人脸图像中人脸瑕疵点的严重程度。
其中,所述图像处理还包括滤波处理。
第二方面,本申请实施例提供一种智能终端,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的检测人脸瑕疵点的方法。
第三方面,本申请实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使智能终端执行如上所述的检测人脸瑕疵点的方法。
第四方面,本申请实施例还提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被智能终端执行时,使所述智能终端执行如上所述的检测人脸瑕疵点的方法。
本申请实施例的有益效果在于:本申请实施例提供的检测人脸瑕疵点的方法和智能终端通过在获取到人脸图像时,对所述人脸图像进行包括二值化处理的图像处理获得第一二值图像,过滤所述第一二值图像中的背景噪音,获得第二二值图像,对所述第二二值图像进行膨胀处理,获得第三二值图像,最后在所述第三二值图像中筛选出满足阈值条件的黑色像素区块以获得所述人脸图像中的人脸瑕疵点,能够实现对人脸瑕疵点进行准确检测和定位,方便用户了解其脸部瑕疵点的分布情况以及严重程度。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是本申请实施例提供的一种检测人脸瑕疵点的方法的流程示意图;
图2是本申请实施例提供的一种人脸图像的示例示意图;
图3(a)是对图2所示的人脸图像进行滤波处理之后的图像的示例示意图;
图3(b)是对图3(a)所示的图像进行自适应阈值二值化处理后获得的第一二值图像的示例示意图;
图4是对图2所示的人脸图像进行人脸关键点定位的示例示意图;
图5是与图2所示的人脸图像对应的掩模图像的示例示意图;
图6是根据图5所示的掩模图像过滤图3(b)所示的第一二值图像中的背景噪音之后获得的第二二值图像的示例示意图;
图7是对图6进行膨胀处理后获得的第三二值图像中人脸区域的示例示意图;
图8是在图2所示的人脸图像中标记人脸瑕疵点的示例示意图;
图9是本申请实施例提供的一种检测人脸瑕疵点的装置的结构示意图;
图10是本申请实施例提供的一种智能终端的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,如果不冲突,本申请实施例中的各个特征可以相互结合,均在本申请的保护范围之内。另外,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。再者,本申请所采用的“第一”“第二”“第三”等字样并不对数据和执行次序进行限定,仅是对功能和作用基本相同的相同项或相似项进行区分。
近年来,随着生活水平的提高,人们对美容护肤的关注度日益增强。然而,当代城市生活节奏较快,人们鲜有时间特意到美容院或美容机构做肤质检测以及进行相应的护肤保养。为了方便人们自行进行肤质检测,人脸识别技术领域目前也提出了一些通过识别图像中的人脸检测出一个人的皮肤肤质情况的方法。但现有的人脸肤质检测方法多用于综合判定人脸皮肤的类型(如:油性皮肤、干性皮肤、中性皮肤、混合性皮肤等),无法实现针对人脸瑕疵点进行准确的检测,不便于用户了解自己脸上痘痘、色斑、痣等瑕疵点的具体情况。
基于此,本申请实施例提供了一种检测人脸瑕疵点的方法和智能终端。其中,该检测人脸瑕疵点的方法通过首先获取人脸图像;然后对所述人脸图像进行包括二值化处理的图像处理获得第一二值图像,过滤所述第一二值图像中的背景噪音,获得第二二值图像,对所述第二二值图像进行膨胀处理,获得第三二值图像;最后在所述第三二值图像中筛选出满足阈值条件的黑色像素区块,从而获得所述人脸图像中的人脸瑕疵点,能够更加直观并且更加有针对性地检测出该人脸上的瑕疵点。其中,在本申请实施例中,所述“人脸瑕疵点”是指人脸皮肤上长出的有别于人脸正常皮肤的小块状物体,如:痘痘、色斑、痣等。
本申请实施例提供的检测人脸瑕疵点的方法和智能终端适用于任意与人脸识别相关的技术领域,尤其适用于美容护肤以及美颜拍摄领域。例如:在实际应用中,可以基于本申请实施例提供的检测人脸瑕疵点的方法的发明构思开发美容类或者美颜拍摄类的应用程序,使用户可以方便地通过实时自拍或者上传人脸图像的方法鉴定自己脸上的痘痘、色斑、痣等人脸瑕疵点的严重程度和/或具体分布情况。进一步地,美容类应用程序还可以根据不同的检测结果为用户推荐最合适的护肤方法,以提升用户体验;而美颜拍摄类的应用程序还可以根据检测到的人脸瑕疵点的分布位置直接对其进行图像美化(即:直接祛除人脸瑕疵点),免去用户手动祛除人脸瑕疵点的麻烦。
本申请实施例提供的检测人脸瑕疵点的方法能够应用于任意具有图像处理功能的智能终端。所述智能终端包括但不限于:美容鉴定仪器、个人电脑、平板电脑、智能手机等。该智能终端可以包括任何合适类型的,用以存储数据的存储介质,例如磁碟、光盘(CD-ROM)、只读存储记忆体或随机存储记忆体等。该智能终端还可以包括一个或者多个逻辑运算模块,单线程或者多线程并行执行任何合适类型的功能或者操作,例如查看数据库、图像处理等。所述逻辑运算模块可以是任何合适类型的,能够执行逻辑运算操作的电子电路或者贴片式电子器件,例如:单核心处理器、多核心处理器、图形处理器(GPU)等。
具体地,下面结合附图,对本申请实施例作进一步阐述。
图1是本申请实施例提供的一种检测人脸瑕疵点的方法的流程示意图,该方法可以应用于智能手机、平板电脑等智能终端,具体地,请参阅图1,该方法包括:
110、获取人脸图像。
在本实施例中,所述“人脸图像”是指包括被检测人的正脸的图像,通过该人脸图像能够获取到该被检测人的所有面部特征。其中,在该人脸图像中可以包括人脸区域和背景区域。
在本实施例中,当接收到人脸瑕疵点检测命令时(比如:用户点击APP中“检测人脸瑕疵点”的图标),获取被检测人的人脸图像。其中,获取人脸图像的具体实施方式可以是:实时采集被检测人的正脸图像;或者,也可以是:直接在智能终端本地或云端调取已有的包括被检测人的正脸的图像。针对不同的应用场景或者被检测人的选择,可以选择不同的获取人脸图像的方式。
120、对所述人脸图像进行图像处理获得第一二值图像,其中,所述图像处理包括二值化处理。
在本实施例中,所述“二值化处理”是指按照预设的规则将图像上的像素点的灰度值设置为0或255,使整个图像呈现出明显的只有黑和白的视觉效果;所述“第一二值图像”是指对人脸图像进行包括二值化处理的图像处理之后获得的该人脸图像的二值化图像。
在本实施例中,通过对人脸图像进行二值化处理映射出该人脸图像中痘痘、色斑、痣等人脸瑕疵点的纹理特征。一般地,对图像进行二值化处理可以是按照一定的规则将该图像划分为N个窗口,然后对这N个窗口中的每一个窗口再按照一个统一的阈值T将该窗口内的像素划分为两部分,进行二值化处理。然而,在实际应用中,不同的人脸图像有可能对应有不同的光照拍摄条件,仅仅通过设定固定阈值很难达到理想的分割效果,甚至还有可能因为无法适应光照的变化而失效。因此,在本实施例中,采用自适应阈值二值化处理对该人脸图像进行二值化处理,其根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值,能够获得更好的分割效果。具体地,在本实施例中,可以调用OpenCV的adaptiveThreshold函数对人脸图像进行自适应阈值二值化处理,其中,可以根据人脸瑕疵点的特点以及经验参数设置所计算的邻域块的大小(例如:设置“block size”为15)以及偏移值调整量(例如:设置参数“C”为7)。
此外,由于人脸的皮肤从细微的角度看是不均衡的,人脸上还可能存在黑头、毛孔等细小的颗粒物,而这些细小的颗粒物容易被误判为人脸瑕疵点,影响人脸瑕疵点的检测结果。因此,为了提高识别精度,在一些实施例中,上述图像处理除了包括二值化处理外,还包括滤波处理。即,在对人脸图像进行二值化处理之前,先对该人脸图像进行滤波处理以平滑该人脸图像中的黑头、毛孔等细小的颗粒物。其中,所述“滤波处理”也可以称为平滑处理,是一种能够消除图像的噪音的图像处理方式。具体地,在本实施例中,所述滤波处理可以包括但不限于:高斯滤波处理、线性滤波处理、中值滤波处理以及双边滤波处理等。
举例说明:假设用户向智能终端上传如图2所示的人脸图像,并且向该智能终端发出“人脸瑕疵点检测”的指令,则,智能终端根据该指令获取到如图2所示的人脸图像之后,可以首先对该人脸图像进行高斯滤波处理以平滑人脸中的黑头、毛孔等细小颗粒物,得到如图3(a)所示的经过滤波处理的人脸图像,然后再利用OpenCV的adaptive Threshold函数对如图3(a)所示的经过滤波处理的人脸图像进行自适应阈值二值化处理,其中,在进行自适应阈值二值化的过程中,可以根据痘痘、色斑、痣等人脸瑕疵点的特性,设置“blocksize”为15,参数“C”为7,从而得到如图3(b)所示的第一二值化图像。
此外,应当理解的是,在本申请实施例中,所述人脸图像可以是任意形式的图像,如:彩色图像或者灰度图像。当所述人脸图像不是灰度图像时,所述图像处理还包括灰度处理,即,在对该人脸图像进行二值化处理之前,首先将该人脸图像转化为灰度图。并且,在本申请实施例中仅对人脸图像中的图像内容进行后续的图像处理,而不改变其本身的形状和大小,因此,在本申请实施例中人脸图像与其第一二值图像具有相同的尺寸。
130、过滤所述第一二值图像中的背景噪音,获得第二二值图像。
由于用户上传的人脸图像中一般都会包括人脸区域(人脸图像中的人脸的面部轮廓以内的区域)和背景区域(人脸图像中的人脸的面部轮廓以外的区域),因而,在对该人脸图像进行上述图像处理之后获得的第一二值图像中,通常会存在背景噪音。其中,所述“背景噪音”是指位于背景区域并且纹理特征与人脸瑕疵点相同或者相似的物块(噪音像素)。因此,为了排除背景噪音对人脸瑕疵点检测结果的干扰以提升人脸瑕疵点检测的准确度,在本实施例中,在获得第一二值图像之后,过滤所述第一二值图像中的背景噪音,获得第二二值图像。其中,在本申请实施例中,该“第二二值图像”可以具有任意的表现形式,只要能够有效过滤背景噪音即可。比如:该第二二值图像可以是:仅包括人脸区域的二值图像;或者,该第二二值图像也可以是:第一二值图像中位于人脸区域的像素的灰度值保持不变,但位于背景区域的像素的灰度值全部置白或者全部置黑的二值化图像。
具体地,对应于不同的实际情况,在一些实施例中,所述过滤所述第一二值化图像中的背景噪音,获得第二二值图像的具体实施方式可以是:首先确定第一二值图像中的人脸区域,然后截取该人脸区域对应的图像内容,从而形成第二二值图像。比如:在对人脸图像进行二值化处理之前,首先对该人脸图像进行人脸关键点定位,根据定位得到的人脸面部轮廓关键点以及自定义的额头关键点构建出人脸区域并进行标注,然后对带有人脸区域标注的图像进行上述步骤120中的图像处理获得第一二值图像,最后根据上述人脸区域标注截取人脸区域对应的图像内容,从而获得第二二值图像。
或者,考虑到人脸的面部轮廓的关键点数量较多且人脸的面部轮廓的形状较为复杂,为了减少智能终端的计算处理量,在另一些实施例中,所述过滤所述第一二值化图像中的背景噪音,获得第二二值图像的具体实施方式也可以是:首先生成与所述人脸图像对应的掩模图像;然后根据所述掩模图像过滤所述第一二值图像中的背景噪音,获得第二二值图像。其中,所述“掩模图像”是指能够区分所述人脸图像中的人脸区域与背景区域的图像,当将该掩模图像与第一二值图像结合时,可以消除背景噪音对人脸瑕疵点检测的影响。而生成与所述人脸图像对应的掩模图像的具体实施方式可以是:首先定位所述人脸图像中的人脸关键点;然后根据所述人脸关键点构建所述人脸图像中的人脸的面部轮廓;最后根据所述面部轮廓生成与所述人脸图像对应的掩模图像。
举例说明:假设获取到的人脸图像如图2所示,对该人脸图像进行图像处理后得到的第一二值图像如图3(b)所示。则,本步骤具体包括:
(1)、通过第三方工具包,如:dlib,对该人脸图像进行人脸关键点定位,定位出该人脸图像中的人脸的轮廓关键点(关键点1~关键点17)以及眉毛关键点(关键点18~关键点26)的位置如图4所示。
(2)、根据定位得到的人脸关键点构建所述人脸图像中的人脸的面部轮廓:由于人脸关键点定位无法定位出人脸额头的上限位置,因此,在本实施例中,可以首先根据定位得到的关键点,构造额头上的两个上限点。比如:以关键点1的X轴坐标作为x1,以关键点20的Y轴坐标减去关键点1和关键点2在Y轴方向上的距离乘以3的值作为y1,得到额头左边的第一个上限点(x1,y1);以关键点17的X轴坐标作为x2,得到额头右边的第二个上限点(x2,y1)。然后将人脸轮廓的所有关键点(关键点1~关键点17)以及上述两个额头关键点(x1,y1)和(x2,y1)连起来,即可获得一个多边形轮廓,该多边形轮廓即该人脸图像中的人脸的面部轮廓。而该面部轮廓以内的区域对应人脸区域,该面部轮廓以外的区域对应背景区域。
(3)、根据该面部轮廓生成与所述人脸图像对应的掩模图像:直接在该人脸图像中,将所述面部轮廓以内的所有像素设置为白色像素(即:将所述面部轮廓以内的所有像素的灰度值设置为255),将所述面部轮廓以外的所有像素(即位于背景区域的像素)设置为黑色像素(即:将所述面部轮廓以外的所有像素的灰度值设置为0),从而生成与所述人脸图像对应的掩模图像。或者,重新构造一张与所述人脸图像尺寸一致的全白图像(全部像素的灰度值均设置为255);然后将所述面部轮廓重现于所述全白图像中,其中,所述面部轮廓在所述全白图像中的位置参数与所述面部轮廓在所述人脸图像中的位置参数一致(即:将图4中所示的关键点1~关键点17以及所构造的两个上限点对应地迁移到全白图像中);最后将所述面部轮廓以外的像素全部设置为黑色像素,从而生成与所述人脸图像对应的掩模图像。通过上述任一种实施方式,均可得到如图5所示的掩模图像,在该掩模图像中,位于人脸区域的像素的灰度值均为255(全白),而位于背景区域的像素的灰度值均为0(全黑),能够明显划分出人脸图像中人脸区域和背景区域的范围。
(4)、根据所述掩模图像过滤所述第一二值图像中的背景噪音,获得第二二值图像:对该掩模图像与如图3(b)所示的第一二值图像进行按位与的运算,可以得到如图6所示的第二二值图像。对比图6和图3(b)可见,在该第二二值图像中,位于面部轮廓以内(人脸区域)的像素的灰度值与第一二值图像保持一致,而位于面部轮廓以外(背景区域)的像素的灰度值全部置0。由于在第二二值图像中位于面部轮廓以外的像素的灰度值全部置0(全黑),所以在该区域中不会再存在具有人脸瑕疵点的纹理特征的像素区块(其中,该像素区块可以由任意数量具有同一颜色的像素点组成),从而实现对背景噪音的过滤。
此外,应当理解的是,在实际应用中,也可以采用其他的方法定位所述人脸图像中的人脸关键点以及采用其他的关键点构建所述人脸图像中的人脸的面部轮廓,本申请实施例对此均不作具体的限定。
140、对所述第二二值图像进行膨胀处理,获得第三二值图像。
在本实施例中,所述“膨胀处理”是图像形态学的两个基本操作之一,其具有填充物体内细小空洞,连接邻近物体和平滑边界的作用。在本实施例中,对第二二值图像进行膨胀处理,可以使得多个分散但相互邻近的黑色像素区块融合成一个大的黑色像素区块,呈现出其原本的纹理特征,比如:在进行膨胀处理之前,头发丝、眉毛、嘴巴等对应的黑色像素区块由分散的小黑色像素区块构成,而进行膨胀处理之后,这些原本分散但相互邻近的小黑色像素区块能够融合成一个更大的黑色像素区块,从而能够消除表征头发丝以及人脸的五官等分散的小黑色像素区块对后续识别人脸瑕疵点的影响。
在本实施例中,对如图6所示的第二二值图像进行膨胀处理后,获得第三二值图像,该第三二值图像中的人脸区域的图像如图7所示。
150、在所述第三二值图像中筛选出满足阈值条件的黑色像素区块,从而获得所述人脸图像中的人脸瑕疵点。
在本实施例中,所述“阈值条件”是判定第三二值图像中的黑色像素区块是否为人脸瑕疵点的标准,若所述第三二值图像中某一黑色像素区块满足该阈值条件,则该黑色像素区块即代表该人脸图像中的一个人脸瑕疵点。所述“阈值条件”可以根据人脸瑕疵点的纹理特征以及经验参数来设定。
特别地,由于拍摄终端的像素、拍摄距离的远近、被检测者的脸型等因素均会导致在不同的人脸图像中人脸的大小不一,因此,为了提升人脸瑕疵点的检测的普适性,减少检测误差,在一些实施例中,在获得第三二值图像之后,首先基于获取到的人脸图像确定一个基准宽度阈值,然后根据该基准宽度阈值确定与人脸瑕疵点对应的阈值条件,最后再在所述第三二值图像中筛选出满足该阈值条件的黑色像素区块,从而获得所述人脸图像中的人脸瑕疵点。其中,所述“基准宽度阈值”与人脸图像中的人脸大小以及人脸瑕疵点的特性相关,不同的人脸图像可以对应有不同的基准宽度阈值。例如:在本实施例中,可以取图3(a)中所示的关键点1和关键点17在X轴方向上的距离的1/20作为基准宽度阈值u;根据该基准宽度阈值u,并且结合人脸瑕疵点的纹理特性,确定该阈值条件为:在水平方向上的长度w满足:u/15<w<u/2,并且在垂直方向上的宽度h满足:u/15<h<u/2;则,当获取到第三二值图像时,首先利用边缘检测方法检测出所有的黑色像素区块,然后在这些黑色像素区块中筛选出同时满足u/15<w<u/2和u/15<h<u/2的黑色像素区块,这些满足阈值条件的黑色像素区块即该人脸图像中的人脸瑕疵点。此外,应当理解的是,此处定义基准宽度阈值u为关键点1和关键点17在X轴方向上的距离的1/20,阈值条件为:u/15<w<u/2和u/15<h<u/2,仅为了解释本申请实施例并不用于限定本申请实施例,在其他的实际应用中,还可以有其他的取值方式,只要能够区分出人脸瑕疵点的形状即可。
通过上述技术方案可知,本申请实施例的有益效果在于:本申请实施例提供的检测人脸瑕疵点的方法和智能终端通过在获取到人脸图像时,对所述人脸图像进行包括二值化处理的图像处理获得第一二值图像,过滤所述第一二值图像中的背景噪音,获得第二二值图像,对所述第二二值图像进行膨胀处理,获得第三二值图像,最后在所述第三二值图像中筛选出满足阈值条件的黑色像素区块以获得所述人脸图像中的人脸瑕疵点,能够实现对人脸瑕疵点进行准确定位,方便用户了解其脸部瑕疵点的分布情况以及严重程度。
进一步地,针对不同的应用场景以及应用需求,还可以在本申请实施例提供的检测人脸瑕疵点的方法的基础上进行进一步的扩展。
比如:当将本申请实施例提供的检测人脸瑕疵点的方法应用于美颜拍摄领域时,在一些实例中,该方法还可以包括:获取所述黑色像素区块的坐标参数,并根据所述坐标参数在所述人脸图像中标记出所述人脸瑕疵点。其中,所述“坐标参数”是表征满足阈值条件的黑色像素区块(即:人脸瑕疵点)的位置的参数,其可以是所述黑色像素区块在人脸图像中的坐标,也可以是所述黑色像素区块在人脸区域中的坐标。在本实施例中,根据这些满足阈值条件的黑色像素区块的坐标参数,在原始的人脸图像的相应的位置做标记(其示例图如图8所示),即可准确定位出该人脸图像中的人脸瑕疵点的位置以及具体分布情况,从而方便智能终端自动对定位得到的人脸瑕疵点进行美颜,免去用户手动选择美颜区域的麻烦。
又如:当将本申请实施例提供的检测人脸瑕疵点的方法应用于美容护肤领域时,在另一些实施例中,该方法还可以包括:统计所述黑色像素区块的数量,并根据所述数量确定所述人脸图像中人脸瑕疵点的严重程度。其中,根据所述数量确定所述人脸图像中人脸瑕疵点的严重程度的具体实施方式可以是:预先通过实验和观察建立满足阈值条件的黑色像素区块的数量与人脸瑕疵点严重程度的对应关系表,然后通过对照该对应关系表确定所述人脸图像中人脸瑕疵点的严重程度。比如:统计人脸瑕疵点程度看起来非常严重的一批人脸图像,其数量R都大于或等于某一数值,如:R≥a,则将满足R≥a的人脸图像的人脸瑕疵点的严重程度确定为重度;统计人脸瑕疵点严重程度看起来一般的一批人脸图像,其数量R都属于某一数值范围内,如:b2>R≥b1,则将满足b2>R≥b1的人脸图像的人脸瑕疵点的严重程度确定为中度。或者,在实际应用中,也可以通过统计所述黑色像素区块的总面积,并根据所述总面积与人脸区域的面积的比值确定所述人脸图像中人脸瑕疵点的严重程度。其具体实施方式与上述实施例相似,此处便不再赘述。
图9是本申请实施例提供的一种检测人脸瑕疵点的装置的结构示意图,请参阅图9,该装置9包括:
获取单元91,用于获取人脸图像;
图像处理单元92,用于对所述人脸图像进行图像处理获得第一二值图像,其中,所述图像处理包括二值化处理,在一些实施例中,所述图像处理还包括滤波处理。
过滤单元93,用于过滤所述第一二值图像中的背景噪音,获得第二二值图像;
膨胀处理单元94,用于对所述第二二值图像进行膨胀处理,获得第三二值图像;
检测单元95,用于在所述第三二值图像中筛选出满足阈值条件的黑色像素区块,从而获得所述人脸图像中的人脸瑕疵点。
在本申请实施例中,当图像获取单元91获取到人脸图像时,首先在图像处理单元92中对所述人脸图像进行包括二值化处理的图像处理获得第一二值图像,然后利用过滤单元93过滤所述第一二值图像中的背景噪音,获得第二二值图像,通过膨胀处理单元94对所述第二二值图像进行膨胀处理,获得第三二值图像;最后利用检测单元95在所述第三二值图像中筛选出满足阈值条件的黑色像素区块,从而获得所述人脸图像中的人脸瑕疵点。
其中,在一些实施例中,过滤单元93包括掩模生成模块931和过滤模块932,通过掩模生成模块931生成与所述人脸图像对应的掩模图像,然后在过滤模块932中根据所述掩模图像过滤所述第一二值图像中的背景噪音,获得第二二值图像。具体地,该掩模生成模块931具体用于:定位所述人脸图像中的人脸关键点;根据所述人脸关键点构建所述人脸图像中的人脸的面部轮廓;根据所述面部轮廓生成与所述人脸图像对应的掩模图像。其中,根据所述面部轮廓生成与所述人脸图像对应的掩模图像的方式可以是:在所述人脸图像中,将所述面部轮廓以内的所有像素设置为白色像素,将所述面部轮廓以外的所有像素设置为黑色像素,从而生成与所述人脸图像对应的掩模图像;或者:构造与所述人脸图像尺寸一致的全白图像;将所述面部轮廓重现于所述全白图像中,其中,所述面部轮廓在所述全白图像中的位置参数与所述面部轮廓在所述人脸图像中的位置参数一致;将所述面部轮廓以外的像素全部设置为黑色像素,从而生成与所述人脸图像对应的掩模图像。
其中,在一些实施例中,检测单元95具体用于:基于所述人脸图像确定基准宽度阈值;根据所述基准宽度阈值确定与人脸瑕疵点对应的阈值条件;在所述第三二值图像中筛选出满足所述阈值条件的黑色像素区块,从而获得所述人脸图像中的人脸瑕疵点。
进一步地,在一些实施例中,装置9还包括:定位单元96,用于获取所述黑色像素区块的坐标参数;根据所述坐标参数在所述人脸图像中标记出所述人脸瑕疵点。或者,在又一些实施例中,装置9还包括:严重程度评定单元97,用于统计所述黑色像素区块的数量;根据所述数量确定所述人脸图像中人脸瑕疵点的严重程度。
需要说明的是,由于所述检测人脸瑕疵点的装置与上述方法实施例中的检测人脸瑕疵点的方法基于相同的发明构思,因此,上述方法实施例的相应内容以及有益效果同样适用于本装置实施例,此处不再详述。
通过上述技术方案可知,本申请实施例的有益效果在于:本申请实施例提供的检测人脸瑕疵点的装置通过在图像获取单元71获取到人脸图像时,首先在图像处理单元92中对所述人脸图像进行包括二值化处理的图像处理获得第一二值图像,然后利用过滤单元93过滤所述第一二值图像中的背景噪音,获得第二二值图像,通过膨胀处理单元94对所述第二二值图像进行膨胀处理,获得第三二值图像;最后利用检测单元95在所述第三二值图像中筛选出满足阈值条件的黑色像素区块以获得所述人脸图像中的人脸瑕疵点,能够实现对人脸瑕疵点进行准确定位,方便用户了解其脸部瑕疵点的分布情况以及严重程度。
图10是本申请实施例提供的一种智能终端的结构示意图,该智能终端100可以是任意类型的电子设备,如:手机、平板电脑、美容鉴定仪器等,能够执行上述任一方法实施例中的检测人脸瑕疵点的方法。
具体地,请参阅图10,该智能终端100包括:
一个或多个处理器101以及存储器102,图10中以一个处理器101为例。
处理器101和存储器102可以通过总线或者其他方式连接,图10中以通过总线连接为例。
存储器102作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本申请实施例中的定量检测人脸瑕疵点的方法对应的程序指令/模块(例如,附图9所示的图像获取单元91、图像处理单元92、过滤单元93、膨胀处理单元94、检测单元95、定位单元96以及严重程度评定单元97)。处理器101通过运行存储在存储器102中的非暂态软件程序、指令以及模块,从而执行检测人脸瑕疵点的装置的各种功能应用以及数据处理,即实现上述任一方法实施例的检测人脸瑕疵点的方法。
存储器102可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据检测人脸瑕疵点的装置的使用所创建的数据等。此外,存储器102可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器102可选包括相对于处理器101远程设置的存储器,这些远程存储器可以通过网络连接至智能终端100。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器102中,当被所述一个或者多个处理器101执行时,执行上述任意方法实施例中的检测人脸瑕疵点的方法,例如,执行以上描述的图1中的方法步骤110至步骤150,实现图9中的单元91-97的功能。
本申请实施例还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,例如图10中的一个处理器101,可使得上述一个或多个处理器执行上述任意方法实施例中的检测人脸瑕疵点的方法,例如,执行以上描述的图1中的方法步骤110至步骤150,实现图9中的单元91-97的功能。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非暂态计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请的不同方面的许多其它变化,为了简明,它们没有在细节中提供;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (11)
1.一种检测人脸瑕疵点的方法,其特征在于,包括:
获取人脸图像;
对所述人脸图像进行图像处理获得第一二值图像,其中,所述图像处理包括二值化处理;
过滤所述第一二值图像中的背景噪音,获得第二二值图像;
对所述第二二值图像进行膨胀处理,获得第三二值图像;
在所述第三二值图像中筛选出满足阈值条件的黑色像素区块,从而获得所述人脸图像中的人脸瑕疵点。
2.根据权利要求1所述的方法,其特征在于,所述过滤所述第一二值图像中的背景噪音,获得第二二值图像,包括:
生成与所述人脸图像对应的掩模图像;
根据所述掩模图像过滤所述第一二值图像中的背景噪音,获得第二二值图像。
3.根据权利要求2所述的方法,其特征在于,所述生成与所述人脸图像对应的掩模图像,包括:
定位所述人脸图像中的人脸关键点;
根据所述人脸关键点构建所述人脸图像中的人脸的面部轮廓;
根据所述面部轮廓生成与所述人脸图像对应的掩模图像。
4.根据权利要求3所述的方法,其特征在于,所述根据所述面部轮廓生成与所述人脸图像对应的掩模图像,包括:
在所述人脸图像中,将所述面部轮廓以内的所有像素设置为白色像素,将所述面部轮廓以外的所有像素设置为黑色像素,从而生成与所述人脸图像对应的掩模图像。
5.根据权利要求3所述的方法,其特征在于,所述根据所述面部轮廓生成与所述人脸图像对应的掩模图像,包括:
构造与所述人脸图像尺寸一致的全白图像;
将所述面部轮廓重现于所述全白图像中,其中,所述面部轮廓在所述全白图像中的位置参数与所述面部轮廓在所述人脸图像中的位置参数一致;
将所述面部轮廓以外的像素全部设置为黑色像素,从而生成与所述人脸图像对应的掩模图像。
6.根据权利要求1所述的方法,其特征在于,所述在所述第三二值图像中筛选出满足阈值条件的黑色像素区块,从而获得所述人脸图像中的人脸瑕疵点,包括:
基于所述人脸图像确定基准宽度阈值;
根据所述基准宽度阈值确定与人脸瑕疵点对应的阈值条件;
在所述第三二值图像中筛选出满足所述阈值条件的黑色像素区块,从而获得所述人脸图像中的人脸瑕疵点。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述方法还包括:
获取所述黑色像素区块的坐标参数;
根据所述坐标参数在所述人脸图像中标记出所述人脸瑕疵点。
8.根据权利要求1-6任一项所述的方法,其特征在于,所述方法还包括:
统计所述黑色像素区块的数量;
根据所述数量确定所述人脸图像中人脸瑕疵点的严重程度。
9.根据权利要求1-6任一项所述的方法,其特征在于,所述图像处理还包括滤波处理。
10.一种智能终端,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-9任一项所述的方法。
11.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使智能终端执行如权利要求1-9任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2017/093188 WO2019014812A1 (zh) | 2017-07-17 | 2017-07-17 | 一种检测人脸瑕疵点的方法和智能终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108323204A true CN108323204A (zh) | 2018-07-24 |
CN108323204B CN108323204B (zh) | 2021-02-26 |
Family
ID=62894880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780003838.8A Active CN108323204B (zh) | 2017-07-17 | 2017-07-17 | 一种检测人脸瑕疵点的方法和智能终端 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108323204B (zh) |
WO (1) | WO2019014812A1 (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325924A (zh) * | 2018-09-20 | 2019-02-12 | 广州酷狗计算机科技有限公司 | 图像处理方法、装置、终端及存储介质 |
CN109389074A (zh) * | 2018-09-29 | 2019-02-26 | 东北大学 | 一种基于人脸特征点提取的表情识别方法 |
CN109544515A (zh) * | 2018-11-05 | 2019-03-29 | 深圳和而泰数据资源与云技术有限公司 | 一种趋势确定方法及装置 |
CN109543565A (zh) * | 2018-11-05 | 2019-03-29 | 深圳和而泰数据资源与云技术有限公司 | 一种数量确定方法及装置 |
CN109829904A (zh) * | 2019-01-29 | 2019-05-31 | 京东方科技集团股份有限公司 | 检测屏幕上灰尘的方法、装置、电子设备、可读存储介质 |
CN110197484A (zh) * | 2019-06-06 | 2019-09-03 | 武汉纺织大学 | 一种面部皮肤色斑检测系统及检测方法 |
CN110858395A (zh) * | 2018-08-24 | 2020-03-03 | 东华大学 | 一种卷装长丝的污丝缺陷检测方法 |
CN111242889A (zh) * | 2019-12-03 | 2020-06-05 | 国家电投集团曲阳新能源发电有限公司 | 一种光伏组件的热斑识别方法和装置 |
CN111739013A (zh) * | 2020-06-30 | 2020-10-02 | 北京酷豹科技有限公司 | 基于图像处理的图像优化方法及相关装置 |
CN112052806A (zh) * | 2020-09-10 | 2020-12-08 | 广州繁星互娱信息科技有限公司 | 图像处理方法、装置、设备及存储介质 |
CN112598591A (zh) * | 2020-12-18 | 2021-04-02 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN112749708A (zh) * | 2021-01-28 | 2021-05-04 | 深圳艾摩米智能科技有限公司 | 面部雀斑检测分析方法、装置、计算机设备及存储介质 |
CN113496470A (zh) * | 2020-04-02 | 2021-10-12 | 北京达佳互联信息技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN113499036A (zh) * | 2021-07-23 | 2021-10-15 | 厦门美图之家科技有限公司 | 皮肤监测方法、装置、电子设备及计算机可读存储介质 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111245B (zh) * | 2019-05-13 | 2023-12-08 | Oppo广东移动通信有限公司 | 图像处理方法、装置、终端及计算机可读存储介质 |
CN113496469B (zh) * | 2020-04-01 | 2023-10-10 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN111767858B (zh) * | 2020-06-30 | 2024-03-22 | 北京百度网讯科技有限公司 | 图像识别方法、装置、设备和计算机存储介质 |
CN112184584B (zh) * | 2020-09-29 | 2024-05-21 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN113329137B (zh) * | 2021-05-31 | 2023-08-04 | 口碑(上海)信息技术有限公司 | 图片传输方法、装置、计算机设备及计算机可读存储介质 |
CN113723310B (zh) * | 2021-08-31 | 2023-09-05 | 平安科技(深圳)有限公司 | 基于神经网络的图像识别方法及相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7492926B2 (en) * | 2005-05-16 | 2009-02-17 | Idteck Co., Ltd | Method for identifying a person from a detected eye image |
CN101916370A (zh) * | 2010-08-31 | 2010-12-15 | 上海交通大学 | 人脸检测中非特征区域图像处理的方法 |
CN105469113A (zh) * | 2015-11-19 | 2016-04-06 | 广州新节奏智能科技有限公司 | 一种二维视频流中的人体骨骼点追踪方法及系统 |
CN105809089A (zh) * | 2014-12-29 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 复杂背景下的多人脸检测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1961820B (zh) * | 2005-11-08 | 2011-03-16 | 株式会社资生堂 | 肌肤状态分析方法以及肌肤状态分析装置 |
CN104079798B (zh) * | 2013-03-25 | 2017-09-26 | 日电(中国)有限公司 | 图像检测方法、装置及一种视频监控系统 |
-
2017
- 2017-07-17 WO PCT/CN2017/093188 patent/WO2019014812A1/zh active Application Filing
- 2017-07-17 CN CN201780003838.8A patent/CN108323204B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7492926B2 (en) * | 2005-05-16 | 2009-02-17 | Idteck Co., Ltd | Method for identifying a person from a detected eye image |
CN101916370A (zh) * | 2010-08-31 | 2010-12-15 | 上海交通大学 | 人脸检测中非特征区域图像处理的方法 |
CN105809089A (zh) * | 2014-12-29 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 复杂背景下的多人脸检测方法及装置 |
CN105469113A (zh) * | 2015-11-19 | 2016-04-06 | 广州新节奏智能科技有限公司 | 一种二维视频流中的人体骨骼点追踪方法及系统 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110858395A (zh) * | 2018-08-24 | 2020-03-03 | 东华大学 | 一种卷装长丝的污丝缺陷检测方法 |
CN110858395B (zh) * | 2018-08-24 | 2024-03-26 | 东华大学 | 一种卷装长丝的污丝缺陷检测方法 |
CN109325924A (zh) * | 2018-09-20 | 2019-02-12 | 广州酷狗计算机科技有限公司 | 图像处理方法、装置、终端及存储介质 |
CN109325924B (zh) * | 2018-09-20 | 2020-12-04 | 广州酷狗计算机科技有限公司 | 图像处理方法、装置、终端及存储介质 |
CN109389074B (zh) * | 2018-09-29 | 2022-07-01 | 东北大学 | 一种基于人脸特征点提取的表情识别方法 |
CN109389074A (zh) * | 2018-09-29 | 2019-02-26 | 东北大学 | 一种基于人脸特征点提取的表情识别方法 |
CN109543565B (zh) * | 2018-11-05 | 2020-11-13 | 深圳和而泰数据资源与云技术有限公司 | 一种数量确定方法及装置 |
CN109544515A (zh) * | 2018-11-05 | 2019-03-29 | 深圳和而泰数据资源与云技术有限公司 | 一种趋势确定方法及装置 |
CN109543565A (zh) * | 2018-11-05 | 2019-03-29 | 深圳和而泰数据资源与云技术有限公司 | 一种数量确定方法及装置 |
CN109829904B (zh) * | 2019-01-29 | 2022-01-14 | 京东方科技集团股份有限公司 | 检测屏幕上灰尘的方法、装置、电子设备、可读存储介质 |
CN109829904A (zh) * | 2019-01-29 | 2019-05-31 | 京东方科技集团股份有限公司 | 检测屏幕上灰尘的方法、装置、电子设备、可读存储介质 |
US11156564B2 (en) | 2019-01-29 | 2021-10-26 | Beijing Boe Optoelectronics Technology Co., Ltd. | Dirt detection on screen |
CN110197484A (zh) * | 2019-06-06 | 2019-09-03 | 武汉纺织大学 | 一种面部皮肤色斑检测系统及检测方法 |
CN111242889A (zh) * | 2019-12-03 | 2020-06-05 | 国家电投集团曲阳新能源发电有限公司 | 一种光伏组件的热斑识别方法和装置 |
CN113496470A (zh) * | 2020-04-02 | 2021-10-12 | 北京达佳互联信息技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN113496470B (zh) * | 2020-04-02 | 2024-04-09 | 北京达佳互联信息技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN111739013A (zh) * | 2020-06-30 | 2020-10-02 | 北京酷豹科技有限公司 | 基于图像处理的图像优化方法及相关装置 |
CN111739013B (zh) * | 2020-06-30 | 2024-04-23 | 北京酷豹科技有限公司 | 基于图像处理的图像优化方法及相关装置 |
CN112052806A (zh) * | 2020-09-10 | 2020-12-08 | 广州繁星互娱信息科技有限公司 | 图像处理方法、装置、设备及存储介质 |
CN112598591A (zh) * | 2020-12-18 | 2021-04-02 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN112598591B (zh) * | 2020-12-18 | 2024-06-07 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN112749708A (zh) * | 2021-01-28 | 2021-05-04 | 深圳艾摩米智能科技有限公司 | 面部雀斑检测分析方法、装置、计算机设备及存储介质 |
CN112749708B (zh) * | 2021-01-28 | 2024-04-23 | 深圳艾摩米智能科技有限公司 | 面部雀斑检测分析方法、装置、计算机设备及存储介质 |
CN113499036A (zh) * | 2021-07-23 | 2021-10-15 | 厦门美图之家科技有限公司 | 皮肤监测方法、装置、电子设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108323204B (zh) | 2021-02-26 |
WO2019014812A1 (zh) | 2019-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108323204A (zh) | 一种检测人脸瑕疵点的方法和智能终端 | |
US9773302B2 (en) | Three-dimensional object model tagging | |
CN109376667A (zh) | 目标检测方法、装置及电子设备 | |
CN109558864A (zh) | 人脸关键点检测方法、装置及存储介质 | |
CN108280822A (zh) | 屏幕划痕的检测方法及装置 | |
CN108171104A (zh) | 一种文字检测方法及装置 | |
CN108475433A (zh) | 用于大规模确定rgbd相机姿势的方法和系统 | |
CN110378945A (zh) | 深度图处理方法、装置和电子设备 | |
TW200834459A (en) | Video object segmentation method applied for rainy situations | |
CN106372629A (zh) | 一种活体检测方法和装置 | |
CN107479801A (zh) | 基于用户表情的终端显示方法、装置及终端 | |
CN105303514A (zh) | 图像处理方法和装置 | |
CN108323203A (zh) | 一种定量检测人脸肤质参量的方法、装置和智能终端 | |
CN111445459A (zh) | 一种基于深度孪生网络的图像缺陷检测方法及系统 | |
JP2021531571A (ja) | 証明書画像抽出方法及び端末機器 | |
US20170178341A1 (en) | Single Parameter Segmentation of Images | |
US20140153817A1 (en) | Patch Size Adaptation for Image Enhancement | |
CN110909640A (zh) | 水位线的确定方法及装置、存储介质、电子装置 | |
CN104463240B (zh) | 一种仪表定位方法及装置 | |
CN107004266A (zh) | 检测轮胎表面上缺陷的方法 | |
CN116580028B (zh) | 一种物体表面缺陷检测方法、装置、设备及存储介质 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN108764100A (zh) | 一种目标行为检测方法及服务器 | |
CN108369644A (zh) | 一种定量检测人脸抬头纹的方法和智能终端 | |
CN112734747B (zh) | 一种目标检测方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |