CN108369644A - 一种定量检测人脸抬头纹的方法和智能终端 - Google Patents
一种定量检测人脸抬头纹的方法和智能终端 Download PDFInfo
- Publication number
- CN108369644A CN108369644A CN201780004161.XA CN201780004161A CN108369644A CN 108369644 A CN108369644 A CN 108369644A CN 201780004161 A CN201780004161 A CN 201780004161A CN 108369644 A CN108369644 A CN 108369644A
- Authority
- CN
- China
- Prior art keywords
- image
- forehead
- wrinkles
- block set
- denoted
- 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
- 230000037303 wrinkles Effects 0.000 title claims abstract description 200
- 210000001061 forehead Anatomy 0.000 title claims abstract description 191
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000001815 facial effect Effects 0.000 claims abstract description 108
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000006243 chemical reaction Methods 0.000 claims abstract description 24
- 230000015654 memory Effects 0.000 claims description 21
- 230000001052 transient effect Effects 0.000 claims description 10
- 230000007797 corrosion Effects 0.000 claims description 9
- 238000005260 corrosion Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 42
- 238000011002 quantification Methods 0.000 abstract description 10
- 210000004709 eyebrow Anatomy 0.000 description 21
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 210000004209 hair Anatomy 0.000 description 9
- 238000003708 edge detection Methods 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000003796 beauty Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 210000003128 head Anatomy 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 241000700647 Variola virus Species 0.000 description 3
- 231100000241 scar Toxicity 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010013786 Dry skin Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000037336 dry skin Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003176 fibrotic effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种定量检测人脸抬头纹的方法和智能终端。其中，所述方法包括：获取人脸图像；截取所述人脸图像中额头区域对应的图像，并记为第一图像；对所述第一图像进行图像处理获得第二图像，其中，所述图像处理包括二值化处理；获取所述第二图像中与抬头纹对应的黑色像素区块集合，记为第一有效区块集合；根据所述第一有效区块集合确定所述人脸图像的抬头纹等级。通过上述技术方案，本申请实施例能够对人脸图像的抬头纹的严重程度进行定量化的检测，且该定量检测的方式快捷方便。
Description
技术领域
本申请涉及人脸识别技术领域，尤其涉及一种定量检测人脸抬头纹的方法和智能终端。
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，当前，人脸识别技术的研究领域包括：身份识别、表情识别以及性别识别等。其中，在人脸识别技术中，人脸抬头纹因其随着人的年龄或者面部表情的不同而有所差异的特性，常被作为一个重要的人脸视觉特征信息。
当前，可以通过贝叶斯算法、神经网络算法等机器学习分类算法来检测人脸皱纹。该检测人脸皱纹的技术的具体实现过程为：对于给定的可能包含人脸的输入图像，初步判断人脸的大概位置，提取出内脸的轮廓；然后用一滑动的小窗口在内脸上进行滑动，并用机器学习模型对窗口内的图片进行识别分类，判断其是否属于皱纹；如果属于皱纹，则将其提取出来；最后对提取出的图片进行组合获得皱纹的灰度图像。
然而，在实现本申请过程中，发明人发现现有技术中至少存在如下问题：首先，现有技术中提取的内脸是在眉毛以下的部位，并不包括额头部位。其次，训练机器学习模型需要大量的标签数据，而收集标签数据需耗费大量的人力和财力，并且，现有技术只能判别脸上的区块是否属于皱纹，不能对皱纹的严重程度进行定量化的检测，因此，即便将现有的皱纹检测技术应用于检测人脸抬头纹，也无法简单、方便地对人脸图像中的抬头纹的严重程度进行定量化的检测。
发明内容
本申请实施例提供一种定量检测人脸抬头纹的方法和智能终端，能够解决现有的皱纹检测技术无法简单、方便地对人脸图像中的抬头纹的严重程度进行定量化的检测的问题。
第一方面，本申请实施例提供了一种定量检测人脸抬头纹的方法，包括：
获取人脸图像；
截取所述人脸图像中额头区域对应的图像，并记为第一图像；
对所述第一图像进行图像处理获得第二图像，所述图像处理包括二值化处理；
获取所述第二图像中与抬头纹对应的黑色像素区块集合，记为第一有效区块集合；
根据所述第一有效区块集合确定所述人脸图像的抬头纹等级。
可选地，所述获取所述第二图像中与抬头纹对应的黑色像素区块集合，记为第一有效区块集合，包括：
基于所述第二图像确定第一基准宽度阈值；
检测出所述第二图像中所有黑色像素区块，记为第一区块集合；
根据所述第一基准宽度阈值过滤所述第一区块集合中的噪音区块，获得与抬头纹对应的黑色像素区块集合，记为第一有效区块集合。
可选地，所述根据所述第一有效区块集合确定所述人脸图像的抬头纹等级，包括：
计算所述第一有效区块集合中所有黑色像素区块在水平方向上的总长度，并记为第一总长；
根据所述第一总长与所述第二图像的总面积的比值确定所述人脸图像的抬头纹等级。
可选地，所述根据所述第一有效区块集合确定所述人脸图像的抬头纹等级，包括：
计算所述第一有效区块集合中所有黑色像素区块的总面积，并记为第一总面积；
根据所述第一总面积与所述第二图像的总面积的比值确定所述人脸图像的抬头纹等级。
可选地，所述方法还包括：
对所述第一图像进行滤波处理，获得第三图像；
对所述第三图像进行所述图像处理获得第四图像；
获取所述第四图像中与抬头纹对应的黑色像素区块集合，记为第二有效区块集合；
则，所述根据所述第一有效区块集合确定所述人脸图像的抬头纹等级，包括：
根据所述第一有效区块集合和所述第二有效区块集合确定所述人脸图像的抬头纹等级。
可选地，所述获取所述第四图像中与抬头纹对应的黑色像素区块集合，记为第二有效区块集合，包括：
基于所述第四图像确定第二基准宽度阈值；
检测出所述第四图像中所有黑色像素区块，记为第二区块集合；
根据所述第二基准宽度阈值过滤所述第二区块集合中的噪音区块，获得与抬头纹对应的黑色像素区块集合，记为第二有效区块集合。
可选地，所述根据所述第一有效区块集合和所述第二有效区块集合确定所述人脸图像的抬头纹等级，包括：
计算所述第一有效区块集合中所有黑色像素区块在水平方向上的总长度，并记为第一总长；
计算所述第二有效区块集合中所有黑色像素区块在水平方向上的总长度，并记为第二总长；
根据所述第一总长与所述第二图像的总面积的比值以及所述第二总长与所述第四图像的总面积的比值确定所述人脸图像的抬头纹等级。
可选地，所述根据所述第一有效区块集合和所述第二有效区块集合确定所述人脸图像的抬头纹等级，包括：
计算所述第一有效区块集合中所有黑色像素区块的总面积，并记为第一总面积；
计算所述第二有效区块集合中所有黑色像素区块的总面积，并记为第二总面积；
根据所述第一总面积与所述第二图像的总面积的比值以及所述第二总面积与所述第四图像的总面积的比值确定所述人脸图像的抬头纹等级。
可选地，所述图像处理还包括：腐蚀处理。
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定量检测人脸抬头纹的方法。
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定量检测人脸抬头纹的方法。
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定量检测人脸抬头纹的方法。
本申请实施例的有益效果在于：本申请实施例提供的定量检测人脸抬头纹的方法和智能终端通过在获取到人脸图像时，截取所述人脸图像中额头区域对应的图像，并记为第一图像；然后对所述第一图像进行包括二值化处理的图像处理获得第二图像；接着获取所述第二图像中与抬头纹对应的黑色像素区块集合，记为第一有效区块集合；最后根据所述第一有效区块集合确定所述人脸图像的抬头纹等级，这样不仅能够实现对人脸图像的抬头纹的准确识别，且能够对其严重程度进行定量化的检测，同时，该识别及定量检测的方式快捷方便。
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定量检测人脸抬头纹的方法的流程示意图；
图2是本申请实施例提供的一种对人脸图像进行人脸关键点定位的示例示意图；
图3是本申请实施例提供的一种第一图像的示例示意图；
图4(a)是本申请实施例提供的一种第二图像的示例示意图；
图4(b)是本申请实施例提供的另一种第二图像的示例示意图；
图5是本申请实施例提供的另一种定量检测人脸抬头纹的方法的流程示意图；
图6是本申请实施例提供的一种第三图像的示例示意图；
图7(a)是本申请实施例提供的一种第四图像的示例示意图；
图7(b)是本申请实施例提供的另一种第四图像的示例示意图；
图8是本申请实施例提供的一种定量检测人脸抬头纹的装置的结构示意图；
图9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”“第四”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。
人脸抬头纹是指人脸额头部位的皱纹。在人们普通的面部表情中，会不由自主地将双眉扬起，长此以往，就会降低和损伤额部肌肉的恢复能力，皮下纤维组织的弹性也会逐渐降低，而扬眉挤压到额部皮肤则会习惯性地留下痕迹，从而形成人脸抬头纹，随着扬眉挤压到额部皮肤次数的增多，所形成的人脸抬头纹的数量逐渐增多，并且逐渐趋向于成为顽固的真性皱纹。当前，随着人脸识别技术的发展，对人脸抬头纹的检测也提出了更高的要求，而现有的检测人脸皱纹的技术多采用机器学习分类算法来检测皱纹，其检测方式较为繁杂，成本较高，并且无法对抬头纹的严重程度进行定量化的检测。
基于此，本申请实施例提供了一种定量检测人脸抬头纹的方法和智能终端。其中，该定量检测人脸抬头纹的方法通过首先从人脸图像中截取出人脸额头区域的图像，然后对该额头区域的图像进行一系列的图像处理以提取出抬头纹的纹理特征，进而定量化地识别出该人脸图像的抬头纹等级，能够无需大量的有皱纹标签的图片来训练机器学习模型，降低了抬头纹检测的复杂性，并且还可以对抬头纹的严重程度进行定量化的鉴定。
本申请实施例提供的定量检测人脸抬头纹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，尤其适用于年龄鉴定以及整形美容领域。
本申请实施例提供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：美容鉴定机、个人电脑、平板电脑、智能手机、终端服务器等。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。
实施例一
图1是本申请实施例提供的一种定量检测人脸抬头纹的方法的流程示意图，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。
在本实施例中，当接收到人脸抬头纹检测命令时，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，可以选择不同的获取人脸图像的方式。例如：针对美容鉴定的应用场景，可以选择采用实时采集被检测人的人脸图像的方式，以便确定被检测人当前的抬头纹的等级；而针对年龄鉴定的应用场景，其对于获取到的人脸图像的实时性要求不高，因此，可以直接使用已有的人脸图像进行检测即可。
120、截取所述人脸图像中额头区域对应的图像，并记为第一图像。
在本实施例中，所述“额头区域”是指人脸中眉毛以上发际线以下的部位中的一个区域，其可以是该部位的全部区域，也可以是该部位中的一部分区域。
由于抬头纹是人脸额头部位的皱纹，因此，在本实施例中，在获取到人脸图像之后，首先截取所述人脸图像中额头区域作为抬头纹检测的目标区域，并将截取到的图像记为第一图像，以减少后续图像处理过程中的数据处理量。其中，由于每个人的脸型有可能会有所差别，因此，在不同的人脸图像中，眉毛以上发际线以下的部位所对应的区域范围有可能会不同。而对应于不同的实际应用需求，截取所述人脸图像中额头区域对应的图像的具体实施方式也会有所差异。
在一些实施例中，为了获得更加精确的抬头纹等级检测结果，所述“额头区域”包括人脸图像中眉毛以上发际线以下的部位的全部区域，则，截取所述人脸图像中额头区域对应的图像的具体实施方式可以是：首先利用人脸关键点定位的方法检测出人脸的眉毛的最高点以及发际线的位置，然后截取出两侧眉毛最高点的连线所在的水平线与发际线之间的区域对应的图像，并记为第一图像，在该实施例中，对于不同的人脸图像，截取出的第一图像的区域形状有可能会有所差异。
而在另一些实施例中，为了提升截取第一图像的效率，所述“额头区域”是人脸图像中眉毛以上发际线以下的部位中的一部分区域，其为一根据经验值设置的区域范围，不随人脸图像的改变而变化。则，在该实施例中，截取所述人脸图像中额头区域对应的图像的具体实施方式可以是：首先获取所述人脸图像中的眉毛关键点的坐标参数；然后基于该坐标参数确定所述人脸图像的额头区域；最后截取所述额头区域对应的图像，并记为第一图像。其中，获取所述人脸图像中的眉毛关键点的坐标参数的方式可以是：首先利用第三方工具包，如：dlib，对该人脸图像进行人脸关键点(如：眉毛关键点、眼睛关键点、面部轮廓关键点、嘴巴关键点等)定位，然后选出预设的眉毛关键点并确定其坐标参数，所述预设的眉毛关键点可以包括一个或者多个；或者，也可以是直接提取所述人脸图像中预设的眉毛关键点，并获取其坐标参数。举例说明：利用第三方工具包dlib进行人脸关键点定位之后得到的图像如图2所示，其眉毛关键点包括关键点18-26；可以预先规定：以关键点19在x轴的坐标和关键点20在x轴的坐标的中间值作为x1，以关键点25在x轴的坐标和关键点26在x轴的坐标的中间值作为x2，以关键点20的y轴坐标作为y2，以关键点20的y轴坐标值y2+(x2-x1)/3作为y1，而坐标点(x1，y1)、(x1，y2)、(x2，y1)和(x2，y2)所围成的区域A即所述“额头区域”；则，当获得人脸图像之后，首先获取人脸图像中关键点19、20、25和26的坐标参数，然后基于这些坐标参数确定如图2所示的区域A为额头区域，最后截取出区域A对应的图像(如图3所示)，并记为第一图像。应当理解的是，在实际应用中，也可以选用其他眉毛关键点(如：21、23、26等)的坐标参数作为划分额头区域的标准；或者，还可以采用其他划分方式(如：规定y1＝y2+(x2-x1)/2)划分额头区域；只要对不同的人脸图像采用相同的关键点以及划分方式来定位额头区域即可，本申请实施例对此不作具体限定。在该实施例中，只需获取眉毛关键点的坐标参数即可确定该人脸图像的额头区域，提升了截取第一图像的效率。
130、对所述第一图像进行图像处理获得第二图像，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“第二图像”是指对第一图像进行包括二值化处理的图像处理之后获得的该第一图像的二值化图像。在该第二图像中，具有皱纹纹理特征的像素区块表现为黑色像素区块，而额头区域中不具备皱纹纹理特征的像素区块表现为白色像素区块。
在本实施例中，通过对第一图像进行二值化处理映射出第一图像(即人脸额头区域)中皱纹的纹理特征。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，仅仅通过设定固定阈值很难达到理想的分割效果，因此，在本实施例中，采用自适应阈值二值化处理对第一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adaptive Threshold函数对如图3所示的第一图像进行自适应阈值二值化处理，其中，可以根据皱纹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9)以及偏移值调整量(例如：设置参数“C”为3)。通过上述处理获得的第二图像如图4(a)所示。
此外，由于人脸的皮肤从细微的角度看是不均衡的，所以对第一图像进行二值化处理之后会留下一些形状比较小且分布较为离散，与皱纹的形状有较大区别的细小噪音点。因此，为了去除这些由二值化处理后留下的细小的噪音点，提高抬头纹识别的精度，在一些实施例中，上述图像处理除了包括二值化处理外，还包括腐蚀处理。即，在对第一图像进行二值化处理后，还进行腐蚀处理。其中，所述“腐蚀处理”是图像形态学的两个基本操作之一，其最基本的效果是腐蚀图像中前景色区域的边缘，使得前景图像区域变小，前景图像内部的背景区域被放大。对如图3所示的第一图像进行包括自适应阈值二值化处理和腐蚀处理的图像处理之后获得的第二图像如图4(b)所示。
140、获取所述第二图像中与抬头纹对应的黑色像素区块集合，记为第一有效区块集合。
由于在第二图像中以黑色像素区块表征人脸图像中的抬头纹，因此，在本实施例中，“与抬头纹对应的黑色像素区块”可以是指第二图像中任意一个黑色像素区块，而第二图像中所有的黑色像素区块的集合即第一有效区块集合。在该情况下，获取所述第二图像中与抬头纹对应的黑色像素区块集合的具体实施方式可以是：直接利用图像边缘检测算法检测出第二图像中所有的黑色像素区块，记为第一区块集合，该第一区块集合即第一有效区块集合。其中，每一黑色像素区块的大小可以不一样。
然而，在上述的第一区块集合中有可能存在头发、痘痘、伤疤等较大的噪音区块，因此，为了提高定量检测抬头纹的精度，在一些实施例中，“与抬头纹对应的黑色像素区块”还可以是指第二图像中不具有头发、痘痘、伤疤等特性的黑色像素区块。在该情况下，获取所述第二图像中与抬头纹对应的黑色像素区块集合的具体实施方式还可以是：基于所述第二图像确定第一基准宽度阈值u；检测出所述第二图像中所有黑色像素区块，记为第一区块集合；根据所述第一基准宽度阈值u过滤所述第一区块集合中的噪音区块，获得与抬头纹对应的黑色像素区块集合，记为第一有效区块集合。
其中，所述“第一基准宽度阈值”是判断第一区块集合中的噪音区块的标准，其值与第二图像本身的长度或者宽度相关，例如：该第一基准宽度阈值u可以设置为第二图像在水平方向上的总长(或者垂直方向上的总宽)的1/40或者1/80，这主要是因为拍摄终端的像素或者拍摄距离的远近不同导致在不同的第二图像中有的脸像素大有的脸像素小，需要针对每一张第二图像给出不同的基准宽度阈值，以方便后续计算黑色像素区块在水平方向上的长度和垂直方向上的宽度，进而定义第一区块集合中的噪音区块。
其中，考虑到第二图像中的噪音区块大部分为头发、痘痘或者伤疤等，根据其特性可以定义在水平方向上的长度w小于u/2和/或垂直上的宽度h大于w的黑色像素区块为噪音区块，由此，在第一区块集合中过滤掉w小于u/2和/或h大于w的黑色像素区块即可获得第一有效区块集合。应当理解的是，此处定义噪音区块为w小于u/2和/或h大于w的黑色像素区块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，还可以以其他的条件来定义噪音区块。
150、根据所述第一有效区块集合确定所述人脸图像的抬头纹等级。
在本实施例中，所述“抬头纹等级”是指被检测人的抬头纹的严重程度，其可以分为轻度、中度和重度等多个等级，而每一等级都对应有相应的参考值范围。其中，所述“参考值”是一个可以判定抬头纹严重程度的参量R，而每一等级对应的参考值范围的划分标准可以通过对大量人脸图像的抬头纹的进行实验和观察来设定。比如：统计皱纹程度看起来非常严重的一批人脸图像，其参考值R都大于或等于某一数值，如：R≥a，则将满足R≥a的人脸图像的抬头纹等级确定为重度皱纹等级。
其中，所述根据所述第一有效区块集合确定所述人脸图像的抬头纹等级的具体实施方式可以根据不同的“参考值”的设定而有所不同。例如：可以以第一有效区块集合中所有黑色像素区块在水平方向上的总长度与第二图像的总面积的比值作为“参考值”，则，根据所述第一有效区块集合确定所述人脸图像的抬头纹等级的具体实施方式可以是：计算所述第一有效区块集合中所有黑色像素区块在水平方向上的总长度，并记为第一总长；然后根据所述第一总长与所述第二图像的总面积的比值确定所述人脸图像的抬头纹等级。或者，在另一些实施例中，也可以以第一有效区块集合中所有黑色像素区块的总面积与第二图像的总面积的比值作为“参考值”，则，所述根据所述第一有效区块集合确定所述人脸图像的抬头纹等级的具体实施方式还可以是：计算所述第一有效区块集合中所有黑色像素区块的总面积，并记为第一总面积；然后根据所述第一总面积与所述第二图像的总面积的比值确定所述人脸图像的抬头纹等级。当然，在实际应用中，还可以直接以第一有效区块集合中所有黑色像素区块在水平方向上的总长度作为“参考值”，进而根据该“参考值”确定所述人脸图像的抬头纹等级，此处便不一一列举。
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定量检测人脸抬头纹的方法通过在获取到人脸图像时，截取所述人脸图像中额头区域对应的图像，并记为第一图像；然后对所述第一图像进行包括二值化处理的图像处理获得第二图像；获取所述第二图像中与抬头纹对应的黑色像素区块集合，记为第一有效区块集合；最后根据所述第一有效区块集合确定所述人脸图像的抬头纹等级，这样不仅能够实现对人脸图像的抬头纹的准确识别，且能够对其严重程度进行定量化的检测，同时，该识别及定量检测的方式快捷方便。
实施例二
由于在人脸抬头纹中除了已成形的皱纹外还包括由于皮肤干燥引起的假性皱纹(即：细纹)，而相对于已成型的皱纹来说，细纹更加容易通过后期合理的护理而得到改善。因此，本申请实施例二提供了另一种定量检测抬头纹的方法，该方法与实施例一提供的定量检测抬头纹的方法的不同之处在于：在本实施例中，还对第一图像进行滤波处理，获得第三图像；并且，对第三图像进行图像处理获得第四图像，获取所述第四图像中与抬头纹对应的黑色像素区块集合，记为第二有效区块集合；最后根据第一有效区块集合和第二有效区块集合确定该人脸图像的抬头纹等级。
具体地，如图5所示，该方法包括：
510、获取人脸图像。
520、截取所述人脸图像中额头区域对应的图像，并记为第一图像。
530、对所述第一图像进行图像处理获得第二图像，所述图像处理包括二值化处理。
540、获取所述第二图像中与抬头纹对应的黑色像素区块集合，记为第一有效区块集合。
在本实施例中，上述步骤510-540分别与实施例一中的步骤110-140具有相同的技术特征，其具体的实施方式同样适用于本实施例，因此，在本实施例中便不再赘述。
550、对所述第一图像进行滤波处理，获得第三图像。
在本实施例中，所述“滤波处理”是为了去除第一图像中属于细纹的纹路特征，只留下皱纹的纹路特征。因此，可以认为第一图像是同时包括细纹和皱纹的图像，而第三图像是仅包括皱纹的图像。
由于在图像处理中，Gabor函数是一个用于边缘提取的线性滤波器，其频率和方向表达同人类视觉系统类似。研究发现，Gabor滤波器十分适合纹理表达和分离。因此，在本实施例中，可以利用Gabor滤波器对第一图像进行滤波处理，使得图像更加平滑，从而达到过滤掉细纹，只留下皱纹的部分的效果。例如：利用Gabor滤波器对如图3所示的第一图像进行滤波处理后获得的第三图像如图6所示。
560、对所述第三图像进行所述图像处理获得第四图像。
在本实施例中，对第三图像进行图像处理获得第四图像的具体实施方式可以与实施例一中对所述第一图像进行图像处理获得第二图像的具体实施方式相同，此处也不再详细说明。其中，对如图6所示的第三图像进行自适应阈值二值化处理获得的第四图像如图7(a)所示，对如图6所示的第三图像进行自适应阈值二值化处理和腐蚀处理后获得的第四图像如图7(b)所示。
570、获取所述第四图像中与抬头纹对应的黑色像素区块集合，记为第二有效区块集合。
在本实施例中，获取所述第四图像中与抬头纹对应的黑色像素区块集合的具体实施方式可以与实施例一中的获取所述第二图像中与抬头纹对应的黑色像素区块集合的具体实施方式相同。例如，根据所述第二图像和所述第四图像确定所述人脸图像的抬头纹等级的具体实施方式可以是：基于所述第四图像确定第二基准宽度阈值(其中，该第二基准宽度阈值与实施例一中的第一基准宽度阈值的含义相同，此处便不再具体说明)；检测出所述第四图像中所有黑色像素区块，记为第二区块集合；根据所述第二基准宽度阈值过滤所述第二区块集合中的噪音区块，获得与抬头纹对应的黑色像素区块集合，记为第二有效区块集合。
此外，应当理解的是，在实际的应用中，步骤530、540、550、560和570之间还可以以其他顺序执行，例如：先执行步骤550然后执行步骤530和540最后执行步骤560和570，或者，执行步骤550之后同时执行步骤530和560，进而同时执行步骤540和570。
580、根据所述第一有效区块集合和所述第二有效区块集合确定所述人脸图像的抬头纹等级。
在本实施例中，首先根据抬头纹的深浅程度将人脸图像的抬头纹分成两大类：细纹和皱纹，然后再在每一类别下细分抬头纹的等级，因此，在本实施例中，所述“抬头纹等级”可以包括但不限于：无细纹无皱纹、轻度细纹、中度细纹、重度细纹、轻度皱纹、中度皱纹以及重度皱纹。
在本实施例中，第一图像包括细纹和皱纹的纹理特征，而第三图像仅包括皱纹的纹理特征，对应地，第二图像也包括细纹和皱纹的纹理特征，而第四图像仅包括皱纹的纹理特征。因此，可以首先通过第四图像判定皱纹的严重程度，即，皱纹类别下的抬头纹等级；当判定该人脸图像的皱纹程度较轻时，进一步结合第二图像判定该人脸图像的细纹的严重程度，即，细纹类别下的抬头纹等级。同样地，可以预先通过对大量人脸图像的抬头纹进行实验和观察，分别针对第二图像和第四图像设定参考值Ra和Rb及每一等级对应的参考值范围，然后基于该参考值及其范围确定人脸图像的抬头纹等级。例如：预先设定当Ra＝0时，为无细纹无皱纹等级；当Rb＜b1时：若a2>Ra>＝a1，为轻度细纹级别，若a3>Ra>＝a2，为中度细纹级别；若Ra>＝a3，为重度细纹级别；当b2>Rb>＝b1时，为轻度皱纹级别；当b3>Rb>＝b2时，为中度皱纹级别；当Rb>＝b3时，为重度皱纹级别。其中，参考值Ra和Rb的设置方式可以是相同的，也可以是不同的。
具体地，所述根据所述第一有效区块集合和所述第二有效区块集合确定所述人脸图像的抬头纹等级的具体实施方式由参考值Ra和Rb的设置方式来决定。例如：若以第一/第二有效区块集合中所有黑色像素区块在水平方向上的总长度与第二/第四图像的总面积的比值作为参考值Ra/Rb，则，根据所述第一有效区块集合和所述第二有效区块集合确定所述人脸图像的抬头纹等级的具体实施方式可以是：计算所述第一有效区块集合中所有黑色像素区块在水平方向上的总长度，并记为第一总长；计算所述第二有效区块集合中所有黑色像素区块在水平方向上的总长度，并记为第二总长；根据所述第一总长与所述第二图像的总面积的比值以及所述第二总长与所述第四图像的总面积的比值确定所述人脸图像的抬头纹等级。或者，若以第一/第二有效区块集合中所有黑色像素区块的总面积与第二/第四图像的总面积的比值作为参考值Ra/Rb，则，根据所述第一有效区块集合和所述第二有效区块集合确定所述人脸图像的抬头纹等级的具体实施方式还可以是：计算所述第一有效区块集合中所有黑色像素区块的总面积，并记为第一总面积；计算所述第二有效区块集合中所有黑色像素区块的总面积，并记为第二总面积；根据所述第一总面积与所述第二图像的总面积的比值以及所述第二总面积与所述第四图像的总面积的比值确定所述人脸图像的抬头纹等级。当然，在实际应用中，还可以直接以第一/第二有效区块集合中所有黑色像素区块在水平方向上的总长度作为参考值Ra/Rb，进而结合参考值Ra和Rb的值来确定所述人脸图像的抬头纹等级，此处便不一一列举。
此外，应当理解的是，在本申请实施例中仅对第一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，在本申请实施例中第一图像、第二图像、第三图像以及第四图像均具有相同的尺寸。
通过上述技术方案可知，本申请实施例的有益效果在于：通过对第一图像进行滤波处理获得第三图像，再分别对第一图像和第三图像进行包括二值化处理的图像处理获得第二图像和第四图像，继而根据第二图像和第四图像确定人脸图像的抬头纹等级，能够将人脸抬头纹分为细纹和皱纹两大类，进一步细化了人脸抬头纹的等级，提升了定量检测人脸抬头纹的精度。
实施例三
图8是本申请实施例提供的一种定量检测人脸抬头纹的装置的结构示意图，请参阅图8，装置8包括：
图像获取单元81，用于获取人脸图像；
截取单元82，用于截取所述人脸图像中额头区域对应的图像，并记为第一图像；
图像处理单元83，用于对所述第一图像进行图像处理获得第二图像，其中，所述图像处理包括二值化处理，或者，所述图像处理包括二值化处理和腐蚀处理；
以及，
边缘检测单元84，用于获取所述第二图像中与抬头纹对应的黑色像素区块集合，记为第一有效区块集合；
判定单元85，用于根据所述第一有效区块集合确定所述人脸图像的抬头纹等级。
在本申请实施例中，当图像获取单元81获取到人脸图像时，首先在截取单元82中截取所述人脸图像中额头区域对应的图像，并记为第一图像，然后通过图像处理单元83对所述第一图像进行图像处理获得第二图像，通过边缘检测单元84获取所述第二图像中与抬头纹对应的黑色像素区块集合，记为第一有效区块集合；最后利用判定单元84根据所述第一有效区块集合确定所述人脸图像的抬头纹等级。
其中，在一些实施例中，截取单元82具体用于：获取所述人脸图像中的眉毛关键点的坐标参数；基于所述坐标参数确定所述人脸图像的额头区域；截取所述额头区域对应的图像，并记为第一图像。在该实施例中，只需获取眉毛关键点的坐标参数即可确定该人脸图像的额头区域，提升了截取第一图像的效率。
其中，在一些实施例中，边缘检测单元84包括：第一基准宽度阈值确定模块841、第一检测模块842以及第一除噪模块843。具体地，当获得第二图像时，第一基准宽度阈值确定模块841基于所述第二图像确定第一基准宽度阈值，第一检测模块842检测出所述第二图像中所有黑色像素区块，记为第一区块集合；然后通过第一除噪模块843根据所述第一基准宽度阈值过滤所述第一区块集合中的噪音区块，获得与抬头纹对应的黑色像素区块集合，记为第一有效区块集合。
其中，判定单元85具体用于：计算所述第一有效区块集合中所有黑色像素区块在水平方向上的总长度，并记为第一总长；根据所述第一总长与所述第二图像的总面积的比值确定所述人脸图像的抬头纹等级。或者，计算所述第一有效区块集合中所有黑色像素区块的总面积，并记为第一总面积；根据所述第一总面积与所述第二图像的总面积的比值确定所述人脸图像的抬头纹等级。
此外，在另一些实施例中，装置8还包括用于对所述第一图像进行滤波处理，获得第三图像的滤波处理单元86。在该实施例中，图像处理单元83还用于：对所述第三图像进行所述二值化处理获得第四图像。边缘检测单元84还包括第二基准宽度阈值确定模块844、第二检测模块845以及第二除噪模块846；当接收到第四图像时，第二基准宽度阈值确定模块845基于所述第四图像确定第二基准宽度阈值，第二检测模块846检测出所述第四图像中所有黑色像素区块，记为第二区块集合；然后通过第二除噪模块847根据所述第二基准宽度阈值过滤所述第二区块集合中的噪音区块，获得与抬头纹对应的黑色像素区块集合，记为第二第二有效区块集合。而判定单元85具体用于：根据所述第一有效区块集合和所述第二有效区块集合确定所述人脸图像的抬头纹等级。例如：计算所述第一有效区块集合中所有黑色像素区块在水平方向上的总长度，并记为第一总长；计算所述第二有效区块集合中所有黑色像素区块在水平方向上的总长度，并记为第二总长；根据所述第一总长与所述第二图像的总面积的比值以及所述第二总长与所述第四图像的总面积的比值确定所述人脸图像的抬头纹等级。或者，计算所述第一有效区块集合中所有黑色像素区块的总面积，并记为第一总面积；计算所述第二有效区块集合中所有黑色像素区块的总面积，并记为第二总面积；根据所述第一总面积与所述第二图像的总面积的比值以及所述第二总面积与所述第四图像的总面积的比值确定所述人脸图像的抬头纹等级。
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定量检测人脸抬头纹的装置通过在图像获取单元81获取到人脸图像时，在截取单元82中截取所述人脸图像中额头区域对应的图像，并记为第一图像；然后通过图像处理单元83对所述第一图像进行二值化处理获得第二图像；通过边缘检测单元84获取所述第二图像中与抬头纹对应的黑色像素区块集合，记为第一有效区块集合；最后利用判定单元85根据所述第一有效区块集合确定所述人脸图像的抬头纹等级，能够实现对人脸图像的抬头纹的严重程度进行定量化的检测，同时，该定量检测的方式快捷方便。此外，在一些实施例中，还通过滤波单元86对第一图像进行滤波处理获得第三图像，并在图像处理单元83中分别对第一图像和第三图像进行图像处理获得第二图像和第四图像，利用边缘检测单元84获取第一有效区块集合和第二有效区块集合，最后利用判定单元85根据第一有效区块集合和第二有效区块集合确定人脸图像的抬头纹等级，能够将人脸抬头纹分为细纹和皱纹两大类，进一步细化了人脸抬头纹的等级，提升了定量检测人脸抬头纹的精度。
需要说明的是，由于所述定量检测人脸抬头纹的装置与上述方法实施例一和实施例二中的定量检测人脸抬头纹的方法基于相同的发明构思，因此，方法实施例一和实施例二的相应内容同样适用于本装置实施例，此处不再详述。
实施例四
图9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900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，请参阅图9，该智能终端900包括：
一个或多个处理器910以及存储器920，图9中以一个处理器910为例。
处理器910和存储器920可以通过总线或者其他方式连接，图9中以通过总线连接为例。
存储器920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抬头纹的方法对应的程序指令/模块(例如，附图8所示的图像获取单元81、截取单元82、图像处理单元83、边缘检测单元84、判定单元85以及滤波处理单元86)。处理器910通过运行存储在存储器920中的非暂态软件程序、指令以及模块，从而执行定量检测人脸抬头纹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定量检测人脸抬头纹的方法。
存储器920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定量检测人脸抬头纹的装置的使用所创建的数据等。此外，存储器920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920可选包括相对于处理器910远程设置的存储器，这些远程存储器可以通过网络连接至定量检测人脸抬头纹的装置。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920中，当被所述一个或者多个处理器910执行时，执行上述任意方法实施例中的定量检测人脸抬头纹的方法，例如，执行以上描述的图1中的方法步骤110至步骤150，图5中的方法步骤510至步骤580，实现图8中的单元81-86的功能。
实施例五
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9中的一个处理器910，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定量检测人脸抬头纹的方法，例如，执行以上描述的图1中的方法步骤110至步骤150，图5中的方法步骤510至步骤580，实现图8中的单元81-86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)
1.一种定量检测人脸抬头纹的方法，其特征在于，包括：
获取人脸图像；
截取所述人脸图像中额头区域对应的图像，并记为第一图像；
对所述第一图像进行图像处理获得第二图像，所述图像处理包括二值化处理；
获取所述第二图像中与抬头纹对应的黑色像素区块集合，记为第一有效区块集合；
根据所述第一有效区块集合确定所述人脸图像的抬头纹等级。
2.根据权利要求1所述的方法，其特征在于，所述获取所述第二图像中与抬头纹对应的黑色像素区块集合，记为第一有效区块集合，包括：
基于所述第二图像确定第一基准宽度阈值；
检测出所述第二图像中所有黑色像素区块，记为第一区块集合；
根据所述第一基准宽度阈值过滤所述第一区块集合中的噪音区块，获得与抬头纹对应的黑色像素区块集合，记为第一有效区块集合。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第一有效区块集合确定所述人脸图像的抬头纹等级，包括：
计算所述第一有效区块集合中所有黑色像素区块在水平方向上的总长度，并记为第一总长；
根据所述第一总长与所述第二图像的总面积的比值确定所述人脸图像的抬头纹等级。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第一有效区块集合确定所述人脸图像的抬头纹等级，包括：
计算所述第一有效区块集合中所有黑色像素区块的总面积，并记为第一总面积；
根据所述第一总面积与所述第二图像的总面积的比值确定所述人脸图像的抬头纹等级。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述第一图像进行滤波处理，获得第三图像；
对所述第三图像进行所述图像处理获得第四图像；
获取所述第四图像中与抬头纹对应的黑色像素区块集合，记为第二有效区块集合；
则，所述根据所述第一有效区块集合确定所述人脸图像的抬头纹等级，包括：
根据所述第一有效区块集合和所述第二有效区块集合确定所述人脸图像的抬头纹等级。
6.根据权利要求5所述的方法，其特征在于，所述获取所述第四图像中与抬头纹对应的黑色像素区块集合，记为第二有效区块集合，包括：
基于所述第四图像确定第二基准宽度阈值；
检测出所述第四图像中所有黑色像素区块，记为第二区块集合；
根据所述第二基准宽度阈值过滤所述第二区块集合中的噪音区块，获得与抬头纹对应的黑色像素区块集合，记为第二有效区块集合。
7.根据权利要求5所述的方法，其特征在于，所述根据所述第一有效区块集合和所述第二有效区块集合确定所述人脸图像的抬头纹等级，包括：
计算所述第一有效区块集合中所有黑色像素区块在水平方向上的总长度，并记为第一总长；
计算所述第二有效区块集合中所有黑色像素区块在水平方向上的总长度，并记为第二总长；
根据所述第一总长与所述第二图像的总面积的比值以及所述第二总长与所述第四图像的总面积的比值确定所述人脸图像的抬头纹等级。
8.根据权利要求5所述的方法，其特征在于，所述根据所述第一有效区块集合和所述第二有效区块集合确定所述人脸图像的抬头纹等级，包括：
计算所述第一有效区块集合中所有黑色像素区块的总面积，并记为第一总面积；
计算所述第二有效区块集合中所有黑色像素区块的总面积，并记为第二总面积；
根据所述第一总面积与所述第二图像的总面积的比值以及所述第二总面积与所述第四图像的总面积的比值确定所述人脸图像的抬头纹等级。
9.根据权利要求1-8任一项所述的方法，其特征在于，所述图像处理还包括：腐蚀处理。
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计算机执行如权利要求1-9任一项所述的方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2017/093191 WO2019014814A1 (zh) | 2017-07-17 | 2017-07-17 | 一种定量检测人脸抬头纹的方法和智能终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108369644A true CN108369644A (zh) | 2018-08-03 |
| CN108369644B CN108369644B (zh) | 2022-05-17 |
Family
ID=63011291
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201780004161.XA Active CN108369644B (zh) | 2017-07-17 | 2017-07-17 | 一种定量检测人脸抬头纹的方法、智能终端和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN108369644B (zh) |
| WO (1) | WO2019014814A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110110637A (zh) * | 2019-04-25 | 2019-08-09 | 深圳市华嘉生物智能科技有限公司 | 一种人脸皮肤皱纹自动识别和皱纹严重程度自动分级的方法 |
| CN111199171A (zh) * | 2018-11-19 | 2020-05-26 | 华为技术有限公司 | 一种皱纹检测方法和终端设备 |
| CN112669228A (zh) * | 2020-12-22 | 2021-04-16 | 厦门美图之家科技有限公司 | 图像处理方法、系统、移动终端及存储介质 |
| CN114119597A (zh) * | 2021-12-08 | 2022-03-01 | 林丹柯 | 粉刺黑头非接触测试方法、系统、计算机设备、及介质 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112116523B (zh) * | 2019-06-20 | 2023-08-25 | 腾讯科技（深圳）有限公司 | 针对人像头发的图像处理方法、装置、终端及介质 |
| CN111275610B (zh) * | 2020-01-08 | 2023-08-18 | 杭州小影创新科技股份有限公司 | 一种人脸变老图像处理方法及系统 |
| CN112712054B (zh) * | 2021-01-14 | 2024-06-18 | 深圳艾摩米智能科技有限公司 | 脸部皱纹检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080025577A1 (en) * | 2006-07-28 | 2008-01-31 | Koichi Kugo | Photographic image distinction method and photographic image processing apparatus |
| CN103425985A (zh) * | 2013-08-28 | 2013-12-04 | 山东大学 | 一种人脸抬头纹检测方法 |
| CN104732214A (zh) * | 2015-03-24 | 2015-06-24 | 吴亮 | 一种基于人脸图像识别的定量化肤质检测方法 |
| KR101756352B1 (ko) * | 2016-10-28 | 2017-07-10 | 주식회사 아이오로라 | 확장성 국부 이진 패턴을 이용한 이미지 내 얼굴의 연령 추정 방법 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104299011A (zh) * | 2014-10-13 | 2015-01-21 | 吴亮 | 一种基于人脸图像识别的肤质与皮肤问题识别检测方法 |
| CN106388781A (zh) * | 2016-09-29 | 2017-02-15 | 深圳可思美科技有限公司 | 一种皮肤肤色及其色素沉淀情况的检测方法 |
| CN106875391A (zh) * | 2017-03-02 | 2017-06-20 | 深圳可思美科技有限公司 | 皮肤图像的识别方法及电子设备 |
-
2017
- 2017-07-17 CN CN201780004161.XA patent/CN108369644B/zh active Active
- 2017-07-17 WO PCT/CN2017/093191 patent/WO2019014814A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080025577A1 (en) * | 2006-07-28 | 2008-01-31 | Koichi Kugo | Photographic image distinction method and photographic image processing apparatus |
| CN103425985A (zh) * | 2013-08-28 | 2013-12-04 | 山东大学 | 一种人脸抬头纹检测方法 |
| CN104732214A (zh) * | 2015-03-24 | 2015-06-24 | 吴亮 | 一种基于人脸图像识别的定量化肤质检测方法 |
| KR101756352B1 (ko) * | 2016-10-28 | 2017-07-10 | 주식회사 아이오로라 | 확장성 국부 이진 패턴을 이용한 이미지 내 얼굴의 연령 추정 방법 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111199171A (zh) * | 2018-11-19 | 2020-05-26 | 华为技术有限公司 | 一种皱纹检测方法和终端设备 |
| CN111199171B (zh) * | 2018-11-19 | 2022-09-23 | 荣耀终端有限公司 | 一种皱纹检测方法和终端设备 |
| US11978231B2 (en) | 2018-11-19 | 2024-05-07 | Honor Device Co., Ltd. | Wrinkle detection method and terminal device |
| CN110110637A (zh) * | 2019-04-25 | 2019-08-09 | 深圳市华嘉生物智能科技有限公司 | 一种人脸皮肤皱纹自动识别和皱纹严重程度自动分级的方法 |
| CN112669228A (zh) * | 2020-12-22 | 2021-04-16 | 厦门美图之家科技有限公司 | 图像处理方法、系统、移动终端及存储介质 |
| CN112669228B (zh) * | 2020-12-22 | 2024-05-31 | 厦门美图之家科技有限公司 | 图像处理方法、系统、移动终端及存储介质 |
| CN114119597A (zh) * | 2021-12-08 | 2022-03-01 | 林丹柯 | 粉刺黑头非接触测试方法、系统、计算机设备、及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108369644B (zh) | 2022-05-17 |
| WO2019014814A1 (zh) | 2019-01-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108369644A (zh) | 一种定量检测人脸抬头纹的方法和智能终端 | |
| Arulmurugan et al. | Region-based seed point cell segmentation and detection for biomedical image analysis | |
| CN108319953B (zh) | 目标对象的遮挡检测方法及装置、电子设备及存储介质 | |
| CN108323204B (zh) | 一种检测人脸瑕疵点的方法和智能终端 | |
| CN103914676B (zh) | 一种在人脸识别中使用的方法和装置 | |
| CN103902977B (zh) | 基于Gabor二值模式的人脸识别方法及装置 | |
| CN108323203A (zh) | 一种定量检测人脸肤质参量的方法、装置和智能终端 | |
| WO2019100282A1 (zh) | 一种人脸肤色识别方法、装置和智能终端 | |
| CN109389129A (zh) | 一种图像处理方法、电子设备及存储介质 | |
| CN106056064A (zh) | 一种人脸识别方法及人脸识别装置 | |
| CN110059546A (zh) | 基于频谱分析的活体识别方法、装置、终端及可读介质 | |
| CN107844736A (zh) | 虹膜定位方法和装置 | |
| CN107480586B (zh) | 基于人脸特征点位移的生物识别照片仿冒攻击检测方法 | |
| Kavitha et al. | Hierarchical classifier for soft and hard exudates detection of retinal fundus images | |
| CN106709431A (zh) | 虹膜识别方法及装置 | |
| Sabharwal et al. | Recognition of surgically altered face images: an empirical analysis on recent advances | |
| Beng et al. | Finger-vein identification using pattern map and principal component analysis | |
| US20220319208A1 (en) | Method and apparatus for obtaining feature of duct tissue based on computer vision, and intelligent microscope | |
| Torrisi et al. | Selecting discriminative CLBP patterns for age estimation | |
| Chin et al. | Facial skin image classification system using Convolutional Neural Networks deep learning algorithm | |
| CN113344837B (zh) | 人脸图像处理方法及装置、计算机可读存储介质、终端 | |
| CN111860057A (zh) | 人脸图像模糊和活体检测方法、装置、存储介质及设备 | |
| CN111814738A (zh) | 基于人工智能的人脸识别方法、装置、计算机设备及介质 | |
| CN115410240A (zh) | 智能人脸的痘痘和色斑分析方法、装置及存储介质 | |
| CN112818899A (zh) | 人脸图像处理方法、装置、计算机设备和存储介质 |
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 |