CN109543565A - 一种数量确定方法及装置 - Google Patents
一种数量确定方法及装置 Download PDFInfo
- Publication number
- CN109543565A CN109543565A CN201811307627.6A CN201811307627A CN109543565A CN 109543565 A CN109543565 A CN 109543565A CN 201811307627 A CN201811307627 A CN 201811307627A CN 109543565 A CN109543565 A CN 109543565A
- Authority
- CN
- China
- Prior art keywords
- flaw
- face
- neural network
- images
- recognized
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供一种数量确定方法及装置，包括：获取包括人脸的待识别图像；将待识别图像输入目标深度神经网络，获得人脸上的瑕疵数量；目标深度神经网络包括第一深度神经网络模块、乘法器和第二深度神经网络模块，第一深度神经网络模块用于确定人脸上瑕疵部位的掩模，乘法器用于将待识别图像的特征与掩模进行相乘，以获得瑕疵部位的特征，第二深度神经网络模块用于基于瑕疵部位的特征检测瑕疵。本发明实施例，可以提高数量确定效率。
Description
技术领域
本发明涉及计算机技术领域，具体涉及一种数量确定方法及装置。
背景技术
人脸的皮肤好坏直接影响一个人的美丑，因此，爱美人士，尤其是年轻女性特别注重脸部皮肤的情况，以便通过脸部皮肤的情况能够对脸部皮肤进行更好地护理。目前，一种常用的数量确定方法为：对待测皮肤图像A进行灰度化处理得到图像B，图像B通过双边滤波和高斯模糊算法进行增强处理得到图像C，将获得的图像C与图像B进行差分运算得到图像D，图像D中灰度差值较大的区域即为瑕疵区域，统计瑕疵区域的数量为瑕疵数量。上述方法中需要六步才能确定瑕疵数量，处理过程比较繁琐，以致降低了数量确定效率。
发明内容
本发明实施例提供一种数量确定方法及装置，用于提高数量确定效率。
第一方面提供一种数量确定方法，包括：
获取包括人脸的待识别图像；
将所述待识别图像输入目标深度神经网络，获得所述人脸上的瑕疵数量；
所述目标深度神经网络包括第一深度神经网络模块、乘法器和第二深度神经网络模块，所述第一深度神经网络模块用于确定所述人脸上瑕疵部位的掩模，所述乘法器用于将所述待识别图像的特征与所述掩模进行相乘，以获得所述瑕疵部位的特征，所述第二深度神经网络模块用于基于所述瑕疵部位的特征检测瑕疵。
在一个实施例中，所述第一深度神经网络模块包括N层，所述待识别图像的特征为所述第一深度神经网络模块的所述N层中的任一层输出的所述待识别图像的特征，所述N为正整数。
在一个实施例中，所述待识别图像的特征为所述第一深度神经网络模块的第一层输出的所述待识别图像的特征。
在一个实施例中，所述将所述待识别图像输入目标深度神经网络，获得所述人脸上的瑕疵数量包括：
将所述待识别图像输入目标深度神经网络，获得所述人脸上所有待确定瑕疵的瑕疵概率；
在待确定瑕疵的瑕疵概率大于阈值的情况下，确定所述待确定瑕疵为瑕疵，所述待确定瑕疵为所述所有待确定瑕疵中的任一待确定瑕疵；
统计确定的瑕疵的数量为所述人脸上的瑕疵数量。
在一个实施例中，所述将所述待识别图像输入目标深度神经网络，获得所述人脸上所有待确定瑕疵的瑕疵概率包括：
将所述待识别图像输入目标深度神经网络，获得所述人脸上所有待确定瑕疵的瑕疵概率、部位概率和类别概率；
所述方法还包括：
将确定的瑕疵归类至所述类别概率最大的瑕疵类别；
将确定的瑕疵归类至所述部位概率最大的瑕疵部位；
统计所述人脸上所有瑕疵部位中每个瑕疵部位的瑕疵数量；
统计所述人脸上不同瑕疵类别的瑕疵数量；
统计所述人脸上所有瑕疵部位中每个瑕疵部位上不同瑕疵类别的瑕疵数量。
在一个实施例中，所述方法还包括：
根据所述人脸上所有瑕疵部位中每个瑕疵部位的瑕疵数量、所述人脸上不同瑕疵类别的瑕疵数量或所述人脸上所有瑕疵部位中每个瑕疵部位上不同瑕疵类别的瑕疵数量中的至少一种确定推荐信息。
在一个实施例中，所述方法还包括：
根据所述人脸上所有瑕疵部位中每个瑕疵部位的瑕疵数量、所述人脸上不同瑕疵类别的瑕疵数量或所述人脸上所有瑕疵部位中每个瑕疵部位上不同瑕疵类别的瑕疵数量中的至少一种分析所述人脸的状况。
第二方面提供一种数量确定装置，包括：
获取单元，用于获取包括人脸的待识别图像；
输入单元，用于将所述获取单元获取的待识别图像目标输入深度神经网络，获得所述人脸上的瑕疵数量；
所述目标深度神经网络包括第一深度神经网络模块、乘法器和第二深度神经网络模块，所述第一深度神经网络模块用于确定所述人脸上瑕疵部位的掩模，所述乘法器用于将所述待识别图像的特征与所述掩模进行相乘，以获得所述瑕疵部位的特征，所述第二深度神经网络模块用于基于所述瑕疵部位的特征检测瑕疵。
在一个实施例中，所述第一深度神经网络模块包括N层，所述待识别图像的特征为所述第一深度神经网络模块的所述N层中的任一层输出的所述待识别图像的特征，所述N为正整数。
在一个实施例中，所述待识别图像的特征为所述第一深度神经网络模块的第一层输出的所述待识别图像的特征。
在一个实施例中，所述输入单元包括：
输入子单元，用于将所述获取单元获取的待识别图像输入目标深度神经网络，获得所述人脸上所有待确定瑕疵的瑕疵概率；
确定子单元，用于在待确定瑕疵的瑕疵概率大于阈值的情况下，确定所述待确定瑕疵为瑕疵，所述待确定瑕疵为所述输入子单元获得的所有待确定瑕疵中的任一待确定瑕疵；
统计子单元，用于统计所述确定子单元确定的瑕疵的数量为所述人脸上的瑕疵数量。
在一个实施例中，所述输入子单元，具体用于将所述待识别图像输入目标深度神经网络，获得所述人脸上所有待确定瑕疵的瑕疵概率、部位概率和类别概率；
所述装置还包括：
归类单元，用于将所述确定子单元确定的瑕疵归类至所述类别概率最大的瑕疵类别；
所述归类单元，还用于将所述确定子单元确定的瑕疵归类至所述部位概率最大的瑕疵部位；
统计单元，用于统计所述人脸上所有瑕疵部位中每个瑕疵部位的瑕疵数量；
所述统计单元，还用于统计所述人脸上不同瑕疵类别的瑕疵数量；
所述统计单元，还用于统计所述人脸上所有瑕疵部位中每个瑕疵部位上不同瑕疵类别的瑕疵数量。
在一个实施例中，所述装置还包括：
确定单元，用于根据所述人脸上所有瑕疵部位中每个瑕疵部位的瑕疵数量、所述人脸上不同瑕疵类别的瑕疵数量或所述人脸上所有瑕疵部位中每个瑕疵部位上不同类瑕疵别的瑕疵数量中的至少一种确定推荐信息。
在一个实施例中，所述装置还包括：
分析单元，用于根据所述人脸上所有瑕疵部位中每个瑕疵部位的瑕疵数量、所述人脸上不同瑕疵类别的瑕疵数量或所述人脸上所有瑕疵部位中每个瑕疵部位上不同瑕疵类别的瑕疵数量中的至少一种分析所述人脸的状况。
第三方面提供一种数量确定装置，包括处理器和存储器摄像头，所述处理器和所述存储器连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于调用所述程序指令执行第一方面或第一方面的任一实施例提供的数量确定方法。
第四方面提供了一种可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行第一方面或第一方面的任一实施例提供的数量确定方法。
第五方面提供了一种应用程序，该应用程序用于在运行时执行第一方面或第一方面的任一实施例提供的数量确定方法。
本发明实施例中，获取包括人脸的待识别图像，将待识别图像输入目标深度神经网络得到人脸上的瑕疵数量，目标深度神经网络包括第一深度神经网络模块、乘法器和第二深度神经网络模块，第一深度神经网络模块用于确定人脸上瑕疵部位的掩模，乘法器用于将待识别图像的特征与掩模进行相乘，以获得瑕疵部位的特征，第二深度神经网络模块用于基于瑕疵部位的特征检测瑕疵。由于目标深度神经网络包括第一深度神经网络模块、乘法器和第二深度神经网络模块，可以先通过第一深度神经网络模块可以确定待识别图像中人脸上瑕疵部位的掩模，之后通过乘法器根据瑕疵部位的掩模和待识别图像的特征确定瑕疵部位的特征，最后通过第二深度神经网络模块基于瑕疵部位的特征检测瑕疵得到瑕疵数量，可见，只需要对瑕疵部位进行检测即可，减小了瑕疵检测范围，因此，可以通过包括第一深度神经网络模块、乘法器和第二深度神经网络模块的目标深度神经网络准确地确定人脸上的瑕疵以及快速地确定人脸上的瑕疵数量，从而，可以提高瑕疵检测的准确性以及数量确定效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种数量确定方法的流程示意图；
图2是本发明实施例提供的另一种数量确定方法的流程示意图；
图3是本发明实施例提供的一种数量确定装置的结构示意图；
图4是本发明实施例提供的另一种数量确定装置的结构示意图；
图5是本发明实施例提供的一种目标深度神经网络的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种数量确定方法及装置，用于提高数量确定效率。以下分别进行详细说明。
请参阅图1，图1是本发明实施例提供的一种数量确定方法的流程示意图。其中，该数量确定方法适用于手机、平板电脑等电子设备。如图1所示，该数量确定方法可以包括以下步骤。
101、获取包括人脸的待识别图像。
本实施例中，在用户需要通过电子设备或电子设备上的应用观察脸部皮肤的瑕疵数量的情况下，用户可以通过操作电子设备向电子设备或电子设备中的应用输入用于分析的分析指令，电子设备检测到分析指令时，可以从本地存储的图像中获取包括人脸的待识别图像；也可以从服务器中获取包括人脸的待识别图像；还可以启动摄像头，并通过摄像头采集包括人脸的待识别图像。启动的摄像头可以是前置摄像头，也可以是后置摄像头，即显示摄像头拍摄界面。在启动的摄像头不是用户需要的摄像头的情况下，用户可以通过点击摄像头拍摄界面的预设图标、预设区域等输入用于切换摄像头的切换指令，电子设备检测到该切换指令之后，将切换摄像头，在启动的摄像头为前置摄像头的情况下，可以切换为后置摄像头，在启动的摄像头为后置摄像头的情况下，可以切换为前置摄像头。
102、将待识别图像输入目标深度神经网络，获得人脸上的瑕疵数量。
本实施例中，获取到包括人脸的待识别图像之后，可以是将待识别图像输入目标深度神经网络直接输出人脸上的瑕疵数量。也可以是先将待识别图像输入目标深度神经网络输出人脸上所有待确定瑕疵的瑕疵概率，之后对于所有待确定瑕疵中每个待确定瑕疵，判断待确定瑕疵的瑕疵概率是否大于阈值，在判断出该待确定瑕疵的瑕疵概率大于阈值的情况下，确定该待确定瑕疵为瑕疵，在判断出该待确定瑕疵的瑕疵概率小于或等于阈值的情况下，确定该待确定瑕疵不是瑕疵。可以在判断完所有待确定瑕疵之后，统计确定的瑕疵的数量为人脸上的瑕疵数量；也可以边判断边统计，例如，当确定出一个待确定瑕疵为瑕疵时，统计的人脸上的瑕疵数量可以加1。瑕疵概率为待确定瑕疵属于瑕疵的概率。
本实施例中，将待识别图像输入目标深度神经网络，也可以直接得到人脸上每个瑕疵部位的瑕疵数量、人脸上不同瑕疵类别的瑕疵数量和/或人脸上所有瑕疵部位中每个瑕疵部位上不同瑕疵类别的瑕疵数量。将待识别图像输入目标深度神经网络，也可以先输出人脸上所有待确定瑕疵的部位概率和/或类别概率，在确定待确定瑕疵为瑕疵之后，可以将瑕疵归类至部位概率最大的瑕疵部位和类别概率最大的瑕疵类别，之后可以统计出人脸上每个瑕疵部位的瑕疵数量、人脸上不同瑕疵类别的瑕疵数量和/或人脸上所有瑕疵部位中每个瑕疵部位上不同瑕疵类别的瑕疵数量。瑕疵部位可以包括鼻子、额头等，瑕疵类别可以包括黑头、痘痘、斑点等。部位概率为待确定瑕疵属于人脸上那个部位的概率，类别概率为待确定瑕疵属于那种瑕疵的概率。人脸上有多少个部位每个待确定瑕疵将输出多少个部位概率，在确定待确定瑕疵为瑕疵之后，这些部位概率中那个部位概率最大，这个瑕疵将属于这个部位概率最大的部位。同理，有多少种瑕疵类别每个待确定瑕疵将输出多少个类别概率，在确定待确定瑕疵为瑕疵之后，这些类别概率中那个类别概率最大，这个瑕疵将属于这个类别概率最大的瑕疵类别。
本实施例中，目标深度神经网络可以包括第一深度神经网络模块、乘法器和第二深度神经网络模块，第一深度神经网络模块可以确定人脸上瑕疵部位的掩模，还可以确定待识别图像的特征和瑕疵部位的部位概率；乘法器可以将待识别图像的特征与人脸上瑕疵部位的掩模进行相乘得到瑕疵部位的特征；第二深度神经网络模块可以基于瑕疵部位的特征检测瑕疵，可以直接确定出瑕疵数量，也可以确定出瑕疵概率以及部位概率和/或类别概率。具体地，该第一深度神经网络模块包括N层，所述待识别图像的特征为所述第一深度神经网络模块的所述N层中的任一层输出的所述待识别图像的特征，所述N为正整数。为了使得识别效果最佳，取待识别图像的特征为第一深度神经网络模块的第一层输出的所述待识别图像的特征。
举例说明，请参阅图5，图5是本发明实施例提供的一种目标深度神经网络的结构示意图。如图5所示，第一深度神经网络模块可以包括L1-L5和L7-L8；L6输出检测部位的部位概率，如鼻尖概率；第二深度神经网络模块可以包括L9-L13。其中，L1-L4和L9-L12包括卷积层、批量标准化(Batch Normalization，Bn)、Relu激活层和最大池化层(maxpool)，L5包括卷积层、Bn和Relu函数层。卷积层中前面的两个数字表示卷积核的大小，后面的一个数字表示卷积核的数量，例如L1中的卷积层包括16个3*3的卷积核。最大池化层中2*2表示核数大小，步长一般为2。图像大小可以为512×512×3(即长512像素、宽512像素和3色通道)，经过L1-L5之后得到32×32×256的特征图(feature map)。然后经过全连接层L6输出部位概率，如是鼻尖概率，有多少维度就有多少维度×32×32输出，在只有鼻尖一类的情况下，输出维度为1。L7的输出是一个512×512的二值矩阵，对应了输入的图像的长宽，矩阵中每个元素的值为0或者1，例如鼻尖部分像素对应的值为1，其它部分的值为0。由于需要L7的输出与L1的输出相乘，所以需要L8做一个下采样矩阵长度为256×256，同时由于L1的输出维度为256×256×32，因此，需要补充到32个通道，因此，L8的输出为256×256×32，多出来的31个通道完全复制原来的那个通道。L13使用全连接方式与L12连接，输出最终的结果，如鼻尖的瑕疵数量。举例说明，在瑕疵部位为鼻子的情况下，瑕疵部位的掩模中鼻子所在区域的值为1，其它区域的值为0。
本实施例中，输入的图像的像素排列为矩阵先与L1的卷积核进行卷积，得到一个新的矩阵，之后矩阵依次通过Bn、Relu和最大池化层，每通过一个都得到一个新的矩阵。L2、L3、L4和L1类似。而L5没有最大池化层，L6和L5通过全连接连接，也就是说如果L5有c5个m5*n5的矩阵，c5为通道(channel)，而L6输出为m6则，L5转换为一个m5*(n5×c5)的矩阵(即m5个行，n5×c5个列)与一个(n5×c5)*1的矩阵相乘，再用一个m6*1的矩阵左乘这个结果，m6为输出的部位数量。同理L7与L5之间也是全连接，L7的输出可以是每个部位的四个坐标x、y、宽(width)和高(height)，这样L8层所作的工作就是生成一个与L1的输出相同维度的矩阵，假设为m2*n2*c2的矩阵，其中在对应的L7输出的坐标位置上的值为1其他地方的值为0；然后L1的输出与这个L8层输出对应元素相乘得到一个新的同样大小的矩阵。L9-L11与L2类似，L12与L5类似；L13与L12之间是全连接；L13输出是一个数值，可以直接是瑕疵数量，如黑头数量，也可以是瑕疵概率、部位概率和/或类别概率。
在图1所描述的数量确定方法中，由于目标深度神经网络包括第一深度神经网络模块、乘法器和第二深度神经网络模块，可以先通过第一深度神经网络模块可以确定待识别图像中人脸上瑕疵部位的掩模，之后通过乘法器根据瑕疵部位的掩模和待识别图像的特征确定瑕疵部位的特征，最后通过第二深度神经网络模块基于瑕疵部位的特征检测瑕疵得到瑕疵数量，可见，只需要对瑕疵部位进行检测即可，减小了瑕疵检测范围，因此，可以通过包括第一深度神经网络模块、乘法器和第二深度神经网络模块的目标深度神经网络准确地确定人脸上的瑕疵以及快速地确定人脸上的瑕疵数量，从而，可以提高瑕疵检测的准确性以及数量确定效率。
请参阅图2，图2是本发明实施例提供的另一种数量确定方法的流程示意图。其中，该数量确定方法适用于手机、平板电脑等电子设备。如图2所示，该数量确定方法可以包括以下步骤。
201、获取包括人脸的待识别图像。
其中，步骤201与步骤101相同，详细描述请参考步骤101，在此不再详细赘述。
202、将待识别图像输入目标深度神经网络，获得人脸上的瑕疵数量。
其中，步骤202与步骤102相同，详细描述请参考步骤102，在此不再详细赘述。
203、确定推荐信息。
本实施例中，可以根据人脸上的瑕疵数量确定推荐信息；也可以根据人脸上每个瑕疵部位的瑕疵数量为每个瑕疵部位的推荐信息；也可以根据人脸上不同瑕疵类别的瑕疵数量确定推荐信息，例如：人脸上的痘痘数量最多时可以给用户推荐祛痘产品的信息；也可以根据人脸上每个瑕疵部位上不同瑕疵类别的瑕疵数量确定推荐信息，例如：鼻子上的黑头最严重，可以为鼻子部位推荐去黑头产品的信息。确定出推荐信息之后，可以将推荐信息直接显示在电子设备上，也可以将推荐信息发送给用户的手机等通信设备。
204、分析人脸的状况。
本实施例中，可以根据人脸上的瑕疵数量分析人脸的状况，在瑕疵数量变多的情况下，可以确定瑕疵变严重了；在瑕疵数量变少的情况下，可以确定瑕疵变好了。也可以根据人脸上每个瑕疵部位的瑕疵数量分析每个瑕疵部位的状况。也可以根据人脸上不同瑕疵类别的瑕疵数量分析人脸的状况。也可以根据人脸上每个瑕疵部位上不同瑕疵类别的瑕疵数量分析每个瑕疵部位的状况。
在图2所描述的数量确定方法中，由于目标深度神经网络包括第一深度神经网络模块、乘法器和第二深度神经网络模块，可以先通过第一深度神经网络模块可以确定待识别图像中人脸上瑕疵部位的掩模，之后通过乘法器根据瑕疵部位的掩模和待识别图像的特征确定瑕疵部位的特征，最后通过第二深度神经网络模块基于瑕疵部位的特征检测瑕疵得到瑕疵数量，可见，只需要对瑕疵部位进行检测即可，减小了瑕疵检测范围，因此，可以通过包括第一深度神经网络模块、乘法器和第二深度神经网络模块的目标深度神经网络准确地确定人脸上的瑕疵以及快速地确定人脸上的瑕疵数量，从而，可以提高瑕疵检测的准确性以及数量确定效率。此外，还可以根据根据检测结果确定推荐信息和/或人脸的状况。
请参阅图3，图3是本发明实施例提供的一种数量确定装置的结构示意图。该数量确定装置可以为手机、平板电脑等电子设备。如图3所示，该数量确定装置可以包括：
获取单元301，用于获取包括人脸的待识别图像；
输入单元302，用于将获取单元301获取的待识别图像输入目标深度神经网络，获得人脸上的瑕疵数量；
目标深度神经网络可以包括第一深度神经网络模块、乘法器和第二深度神经网络模块，第一深度神经网络模块用于确定人脸上瑕疵部位的掩模，乘法器用于将待识别图像的特征与人脸上瑕疵部位的掩模进行相乘，以获得瑕疵部位的特征，第二深度神经网络模块用于基于瑕疵部位的特征检测瑕疵。
作为一种可能的实施方式，第一深度神经网络模块包括N层，待识别图像的特征为第一深度神经网络模块的N层中的任一层输出的待识别图像的特征，N为正整数。
作为一种可能的实施方式，待识别图像的特征为第一深度神经网络模块的第一层输出的待识别图像的特征。
作为一种可能的实施方式，输入单元302可以包括：
输入子单元3021，用于将获取单元301获取的待识别图像输入目标深度神经网络，获得人脸上所有待确定瑕疵的瑕疵概率；
确定子单元3022，用于在待确定瑕疵的瑕疵概率大于阈值的情况下，确定该待确定瑕疵为瑕疵，该待确定瑕疵为输入子单元3021获得的所有待确定瑕疵中的任一待确定瑕疵；
统计子单元3023，用于统计确定子单元3022确定的瑕疵的数量为人脸上的瑕疵数量。
作为一种可能的实施方式，输入子单元3021，具体用于将待识别图像输入目标深度神经网络，获得人脸上所有待确定瑕疵的瑕疵概率、部位概率和类别概率；
该数量确定装置还可以包括：
归类单元303，用于将确定子单元确定的瑕疵归类至类别概率最大的瑕疵类别；
归类单元303，还用于将确定子单元确定的瑕疵归类至部位概率最大的瑕疵部位；
统计单元304，用于统计人脸上所有瑕疵部位中每个瑕疵部位的瑕疵数量；
统计单元304，还用于统计人脸上不同瑕疵类别的瑕疵数量；
统计单元304，还用于统计人脸上所有瑕疵部位中每个瑕疵部位上不同瑕疵类别的瑕疵数量。
作为一种可能的实施方式，该数量确定装置还可以包括：
确定单元305，用于根据人脸上所有瑕疵部位中每个瑕疵部位的瑕疵数量、人脸上不同瑕疵类别的瑕疵数量或人脸上所有瑕疵部位中每个瑕疵部位上不同瑕疵类别的瑕疵数量中的至少一种确定推荐信息。
作为一种可能的实施方式，该数量确定装置还可以包括：
分析单元306，用于根据人脸上所有瑕疵部位中每个瑕疵部位的瑕疵数量、人脸上不同瑕疵类别的瑕疵数量或人脸上所有瑕疵部位中每个瑕疵部位上不同瑕疵类别的瑕疵数量中的至少一种分析人脸的状况。
在图3所描述的数量确定装置中，由于目标深度神经网络包括第一深度神经网络模块、乘法器和第二深度神经网络模块，可以先通过第一深度神经网络模块可以确定待识别图像中人脸上瑕疵部位的掩模，之后通过乘法器根据瑕疵部位的掩模和待识别图像的特征确定瑕疵部位的特征，最后通过第二深度神经网络模块基于瑕疵部位的特征检测瑕疵得到瑕疵数量，可见，只需要对瑕疵部位进行检测即可，减小了瑕疵检测范围，因此，可以通过包括第一深度神经网络模块、乘法器和第二深度神经网络模块的目标深度神经网络准确地确定人脸上的瑕疵以及快速地确定人脸上的瑕疵数量，从而，可以提高瑕疵检测的准确性以及数量确定效率。
可以理解的是，本实施例的数量确实装置的单元的功能可根据上述数量确定方法实施例中的方法具体实现，其具体实现过程可以参照上述数量确定方法实施例的相关描述，此处不再赘述。
请参阅图4，图4是本发明实施例提供的另一种数量确实装置的结构示意图。该数量确定装置可以为手机、平板电脑等电子设备。如图4所示，该数量确实装置可以包括至少一个处理器401、存储器402和总线403，处理器401、和存储器402之间通过总线403连接，其中：
存储器402用于存储计算机程序，计算机程序包括程序指令，处理器401用于调用存储器402存储的程序指令执行以下步骤：
获取包括人脸的待识别图像；
将待识别图像输入目标深度神经网络，获得人脸上的瑕疵数量；
目标深度神经网络可以包括第一深度神经网络模块、乘法器和第二深度神经网络模块，第一深度神经网络模块用于确定人脸上瑕疵部位的掩模，乘法器用于将待识别图像的特征与人脸上瑕疵部位的掩模进行相乘，以获得瑕疵部位的特征，第二深度神经网络模块用于基于瑕疵部位的特征检测瑕疵。
作为一种可能的实施方式，第一深度神经网络模块包括N层，待识别图像的特征为第一深度神经网络模块的N层中的任一层输出的待识别图像的特征，N为正整数。
作为一种可能的实施方式，待识别图像的特征为第一深度神经网络模块的第一层输出的待识别图像的特征。
作为一种可能的实施方式，处理器401将待识别图像输入目标深度神经网络，获得人脸上的瑕疵数量包括：
将待识别图像输入目标深度神经网络，获得人脸上所有待确定瑕疵的瑕疵概率；
在待确定瑕疵的瑕疵概率大于阈值的情况下，确定该待确定瑕疵为瑕疵，该待确定瑕疵为所有待确定瑕疵中的任一待确定瑕疵；
统计确定的瑕疵的数量为人脸上的瑕疵数量。
作为一种可能的实施方式，处理器401将待识别图像输入目标深度神经网络，获得人脸上所有待确定瑕疵的瑕疵概率包括：
将待识别图像输入目标深度神经网络，获得人脸上所有待确定瑕疵的瑕疵概率、部位概率和类别概率；
处理器401还用于调用存储器402存储的程序代码执行以下操作：
将确定的瑕疵归类至类别概率最大的瑕疵类别；
将确定的瑕疵归类至部位概率最大的瑕疵部位；
统计人脸上所有瑕疵部位中每个瑕疵部位的瑕疵数量；
统计人脸上不同瑕疵类别的瑕疵数量；
统计人脸上所有瑕疵部位中每个瑕疵部位上不同瑕疵类别的瑕疵数量。
作为一种可能的实施方式，处理器401还用于调用存储器402存储的程序代码执行以下操作：
根据人脸上所有瑕疵部位中每个瑕疵部位的瑕疵数量、人脸上不同瑕疵类别的瑕疵数量或人脸上所有瑕疵部位中每个瑕疵部位上不同瑕疵类别的瑕疵数量中的至少一种确定推荐信息。
作为一种可能的实施方式，处理器401还用于调用存储器402存储的程序代码执行以下操作：
根据人脸上所有瑕疵部位中每个瑕疵部位的瑕疵数量、人脸上不同瑕疵类别的瑕疵数量或人脸上所有瑕疵部位中每个瑕疵部位上不同瑕疵类别的瑕疵数量中的至少一种分析人脸的状况。
在图4所描述的数量确定装置中，由于目标深度神经网络包括第一深度神经网络模块、乘法器和第二深度神经网络模块，可以先通过第一深度神经网络模块可以确定待识别图像中人脸上瑕疵部位的掩模，之后通过乘法器根据瑕疵部位的掩模和待识别图像的特征确定瑕疵部位的特征，最后通过第二深度神经网络模块基于瑕疵部位的特征检测瑕疵得到瑕疵数量，可见，只需要对瑕疵部位进行检测即可，减小了瑕疵检测范围，因此，可以通过包括第一深度神经网络模块、乘法器和第二深度神经网络模块的目标深度神经网络准确地确定人脸上的瑕疵以及快速地确定人脸上的瑕疵数量，从而，可以提高瑕疵检测的准确性以及数量确定效率。
其中，步骤101-步骤102以及步骤201-步骤202和步骤203可以由数量确实装置中的处理器401和存储器402来执行。
其中，获取单元301、输入单元302、归类单元303、统计单元304、确定单元305和分析单元306可以由数量确实装置中的处理器401和存储器402来实现。
在一个实施例中提供了一种可读存储介质，该可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时使处理器执行图1-图2的数量确定方法。
在一个实施例中提供了一种应用程序，该应用程序用于在运行时执行图1-图2的数量确定方法
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random AccessMemory，RAM)、磁盘或光盘等。
以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种数量确定方法，其特征在于，包括：
获取包括人脸的待识别图像；
将所述待识别图像输入目标深度神经网络，获得所述人脸上的瑕疵数量；
所述目标深度神经网络包括第一深度神经网络模块、乘法器和第二深度神经网络模块，所述第一深度神经网络模块用于确定所述人脸上瑕疵部位的掩模，所述乘法器用于将所述待识别图像的特征与所述掩模进行相乘，以获得所述瑕疵部位的特征，所述第二深度神经网络模块用于基于所述瑕疵部位的特征检测瑕疵。
2.根据权利要求1所述的方法，其特征在于，所述第一深度神经网络模块包括N层，所述待识别图像的特征为所述第一深度神经网络模块的所述N层中的任一层输出的所述待识别图像的特征，所述N为正整数。
3.根据权利要求2所述的方法，其特征在于，所述待识别图像的特征为所述第一深度神经网络模块的第一层输出的所述待识别图像的特征。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述将所述待识别图像输入目标深度神经网络，获得所述人脸上的瑕疵数量包括：
将所述待识别图像输入目标深度神经网络，获得所述人脸上所有待确定瑕疵的瑕疵概率；
在待确定瑕疵的瑕疵概率大于阈值的情况下，确定所述待确定瑕疵为瑕疵，所述待确定瑕疵为所述所有待确定瑕疵中的任一待确定瑕疵；
统计确定的瑕疵的数量为所述人脸上的瑕疵数量。
5.根据权利要求1-3任一项所述的方法，其特征在于，所述将所述待识别图像输入目标深度神经网络，获得所述人脸上所有待确定瑕疵的瑕疵概率包括：
将所述待识别图像输入目标深度神经网络，获得所述人脸上所有待确定瑕疵的瑕疵概率、部位概率和类别概率；
所述方法还包括：
将确定的瑕疵归类至所述类别概率最大的瑕疵类别；
将确定的瑕疵归类至所述部位概率最大的瑕疵部位；
统计所述人脸上所有瑕疵部位中每个瑕疵部位的瑕疵数量；
统计所述人脸上不同瑕疵类别的瑕疵数量；
统计所述人脸上所有瑕疵部位中每个瑕疵部位上不同瑕疵类别的瑕疵数量。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
根据所述人脸上所有瑕疵部位中每个瑕疵部位的瑕疵数量、所述人脸上不同瑕疵类别的瑕疵数量或所述人脸上所有瑕疵部位中每个瑕疵部位上不同瑕疵类别的瑕疵数量中的至少一种确定推荐信息。
7.根据权利要求5所述的方法，其特征在于，所述方法还包括：
根据所述人脸上所有瑕疵部位中每个瑕疵部位的瑕疵数量、所述人脸上不同瑕疵类别的瑕疵数量或所述人脸上所有瑕疵部位中每个瑕疵部位上不同瑕疵类别的瑕疵数量中的至少一种分析所述人脸的状况。
8.一种数量确定装置，其特征在于，包括：
获取单元，用于获取包括人脸的待识别图像；
输入单元，用于将所述获取单元获取的待识别图像输入目标深度神经网络，获得所述人脸上的瑕疵数量；
所述目标深度神经网络包括第一深度神经网络模块、乘法器和第二深度神经网络模块，所述第一深度神经网络模块用于确定所述人脸上瑕疵部位的掩模，所述乘法器用于将所述待识别图像的特征与所述掩模进行相乘，以获得所述瑕疵部位的特征，所述第二深度神经网络模块用于基于所述瑕疵部位的特征检测瑕疵。
9.一种数量确定装置，其特征在于，包括处理器和存储器，所述处理器和所述存储器连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于调用所述程序指令执行如权利要求1-7任一项所述的数量确定方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的数量确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811307627.6A CN109543565B (zh) | 2018-11-05 | 2018-11-05 | 一种数量确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811307627.6A CN109543565B (zh) | 2018-11-05 | 2018-11-05 | 一种数量确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109543565A true CN109543565A (zh) | 2019-03-29 |
| CN109543565B CN109543565B (zh) | 2020-11-13 |
Family
ID=65846179
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811307627.6A Active CN109543565B (zh) | 2018-11-05 | 2018-11-05 | 一种数量确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109543565B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160258030A1 (en) * | 2012-07-18 | 2016-09-08 | The Regents Of The University Of California | Mulitplex assay for the detection of citrus pathogens |
| CN106204618A (zh) * | 2016-07-20 | 2016-12-07 | 南京文采科技有限责任公司 | 基于机器视觉的产品包装表面缺陷检测与分类方法 |
| CN106469302A (zh) * | 2016-09-07 | 2017-03-01 | 成都知识视觉科技有限公司 | 一种基于人工神经网络的人脸肤质检测方法 |
| CN108323204A (zh) * | 2017-07-17 | 2018-07-24 | 深圳和而泰智能控制股份有限公司 | 一种检测人脸瑕疵点的方法和智能终端 |
-
2018
- 2018-11-05 CN CN201811307627.6A patent/CN109543565B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160258030A1 (en) * | 2012-07-18 | 2016-09-08 | The Regents Of The University Of California | Mulitplex assay for the detection of citrus pathogens |
| CN106204618A (zh) * | 2016-07-20 | 2016-12-07 | 南京文采科技有限责任公司 | 基于机器视觉的产品包装表面缺陷检测与分类方法 |
| CN106469302A (zh) * | 2016-09-07 | 2017-03-01 | 成都知识视觉科技有限公司 | 一种基于人工神经网络的人脸肤质检测方法 |
| CN108323204A (zh) * | 2017-07-17 | 2018-07-24 | 深圳和而泰智能控制股份有限公司 | 一种检测人脸瑕疵点的方法和智能终端 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109543565B (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
| US11055516B2 (en) | Behavior prediction method, behavior prediction system, and non-transitory recording medium | |
| KR102449841B1 (ko) | 타겟의 검측 방법 및 장치 | |
| CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| CN108596895B (zh) | 基于机器学习的眼底图像检测方法、装置及系统 | |
| Hernández et al. | Using deep learning for segmentation and counting within microscopy data | |
| CN112884782B (zh) | 生物对象分割方法、装置、计算机设备和存储介质 | |
| CN114463637B (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和系统 | |
| CN110879982A (zh) | 一种人群计数系统及方法 | |
| CN110532959B (zh) | 基于双通道三维卷积神经网络的实时暴力行为检测系统 | |
| CN111951283A (zh) | 一种基于深度学习的医学图像识别方法及系统 | |
| CN111507288A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| CN111382638A (zh) | 一种图像检测方法、装置、设备和存储介质 | |
| CN109543565A (zh) | 一种数量确定方法及装置 | |
| CN111597937B (zh) | 鱼姿势识别方法、装置、设备及存储介质 | |
| CN111104339B (zh) | 基于多粒度学习的软件界面元素检测方法、系统、计算机设备和存储介质 | |
| CN112818774A (zh) | 一种活体检测方法及装置 | |
| CN111353577B (zh) | 基于多任务的级联组合模型的优化方法、装置及终端设备 | |
| CN111582057A (zh) | 一种基于局部感受野的人脸验证方法 | |
| CN110532971A (zh) | 图像处理及装置、训练方法以及计算机可读存储介质 | |
| CN111368602A (zh) | 人脸图像模糊程度评价方法、装置、可读存储介质及设备 | |
| CN109460777A (zh) | 图片分类方法、装置及计算机可读存储介质 | |
| CN108446602A (zh) | 一种用于人脸检测的装置和方法 | |
| CN114155575A (zh) | 基于卷积神经网络的证件照口红识别方法、装置、介质及设备 | |
| Shao et al. | No-Reference image quality assessment based on edge pattern feature in the spatial domain |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 518000 Guangdong science and technology innovation and Research Institute, Shenzhen, Shenzhen, Nanshan District No. 6, science and technology innovation and Research Institute, Shenzhen, D 10, 1004, 10 Patentee after: Shenzhen Hetai intelligent home appliance controller Co.,Ltd. Address before: 518000 Guangdong science and technology innovation and Research Institute, Shenzhen, Shenzhen, Nanshan District No. 6, science and technology innovation and Research Institute, Shenzhen, D 10, 1004, 10 Patentee before: SHENZHEN H&T DATA RESOURCES AND CLOUD TECHNOLOGY Ltd. |
|
| CP01 | Change in the name or title of a patent holder |