CN109801320A - 一种基于面部分区的皮肤干燥状态智能识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于面部分区的皮肤干燥状态智能识别方法及系统。所述方法包括：(1)采集用户闭眼状态面部灰度图像，进行面部图像分区，获得各目标区域以及参考区域的图像；(2)对目标区域及参考区域的图像进行纹理分析，获得特征参数；(3)获取各目标区域相对于参考区域的相对特征参数；(4)根据支持向量回归拟合获得的相对特征参数与皮肤干燥状态之间的回归模型，定量分析获得皮肤干燥状态参数。所述系统包括：图像获取模块、图像分区模块、相对特征参数提取模块、以及分析模块。本发明判断皮肤相对的干燥程度，避免了不同个体之间皮肤条件之间的差异导致的纹理特征差异，对于检测皮肤状态具有参考意义。

Description

一种基于面部分区的皮肤干燥状态智能识别方法及系统

技术领域

本发明属于智能图像处理领域，更具体地，涉及一种基于面部分区的皮肤干燥状态智能识别方法与系统。

背景技术

目前针对皮肤干燥状态，即皮肤角质层含水量的测试方法，主要是依靠基于电容的皮肤含水量测试仪，例如Fingerprint sensor来测定，测定方法简单快捷，无创安全，且分析准确。然而这种测试方法需要依赖皮肤含水量测试仪。

而普通用户在日常生活中没有必要单独置购一台功能单一的含水量测试仪。因此目前，基于图像识别和分析技术的皮肤状态评价系统出现，其综合评价性能受到认可，例如Visia皮肤检测、魔镜皮肤检测仪等，而这类仪器基于其采集的皮肤图像纹理的分析，对皮肤干燥状态进行定性判断。然而，由于人种、面部条件、照片采集差异等问题，目前这类方法和装置基于大数据的皮肤干燥状态判断并不准确，同时也无法实时的准确的检测皮肤干燥状态，故不能有效的反映护肤手段的效果或者皮肤损伤的程度。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于面部分区的皮肤干燥状态智能识别方法与系统，其目的在于根据皮肤不同区域纹理特征的差异性程度来判断皮肤的干燥状态，由此解决现有技术由于人种、面部条件等问题引起的干燥状态判断不准的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于面部分区的皮肤干燥状态智能识别方法，包括以下步骤：

(1)采集预设光照条件下用户闭眼状态面部灰度图像，并进行面部图像分区，获得用户各目标区域以及参考区域的图像；

(2)分别对步骤(1)中获取的各目标区域及参考区域的图像进行纹理分析，获得各区域图像特征参数；

(3)对于步骤(2)中获得的各目标区域相对于参考区域的k个相对特征参数；相对特征参数为目标区域特征参数与参考区域相对特征参数之商，具体地：

其中，F_k为第k相对特征参数，为目标区域第k特征参数，为参考区域第k特征参数；

(4)对于步骤(3)中获得的相对特征参数根据支持向量回归拟合获得的k个相对特征参数与皮肤干燥状态之间的回归模型，定量分析获得皮肤干燥状态参数。

优选地，所述基于面部分区的皮肤干燥状态智能识别方法，其所述回归拟合获得的k个相对特征参数与皮肤干燥状态之间的回归模型优选按照以下方法获取：

(4-1)采集测试用户样本目标区域的n个时刻的皮肤干燥状态参数Dr_i,i＝1,2,…,n，具体方法如下：

采集用户干燥、不干燥以及n个测试时刻的皮肤含水量；并干燥状态参数的定义计算多个测试时刻的干燥状态参数：

(4-2)采集测试用户干燥、不干燥以及n个测试时刻相应的用户闭眼状态面部灰度图像，并获得目标区域相对于特征区域的相对特征参数；

(4-3)采用支持向量回归分析获得所述相对特征参数与所述皮肤干燥状态参数之间的回归模型。

优选地，所述基于面部分区的皮肤干燥状态智能识别方法，其以面部维持纯水高渗透压30分钟后擦干水分时的状态为不干燥,规定不干燥状态皮肤干燥状态参数为0；以面部无覆盖无直接水分摄入24小时的状态为干燥，规定干燥状态皮肤干燥状态参数为1；所述干燥状态参数Dr定义如下：

其中，Wt为测试时刻皮肤的含水量，Wt₀不干燥时皮肤的含水量，Wt₁为干燥时皮肤含水量。

优选地，所述基于面部分区的皮肤干燥状态智能识别方法，其步骤(1)所述进行面部图像分区，具体为：

(1-1)根据预设的人脸椭圆模型，将用户闭眼状态的面部图像进行迭代分割，获得人脸部分图像；

(1-2)对于步骤(1-1)中获取的人脸部分图像，采用dlib人脸定位库检测双眼、鼻子和嘴唇的定位；

(1-3)根据步骤(1-1)中获得的人脸部分图像和步骤(1-2)中获得的双眼、鼻子和嘴唇的定位，划分面部区域为目标区域和参考区域。

优选地，所述基于面部分区的皮肤干燥状态智能识别方法，其所述图像特征参数包括纹理深度、纹理平均长度、纹理平均宽度、图像熵。

优选地，所述基于面部分区的皮肤干燥状态智能识别方法，其步骤(2)计算纹理深度d具体如下：

对所述图像的灰度共生矩阵按照多个预设的纹理方向和步距，检测图灰度变换下的对比度特征量的平均值来表征纹理的深度，即对比度越高相对纹理越深。对比度定义如下：

其中，Contrast给定纹理方向上所述灰度共生矩阵的对比度值，p(i,j)为从图像(x,y)中灰度为i的像素出发，统计与步距δ、灰度为j的像素同时出现的概率。

优选地，所述基于面部分区的皮肤干燥状态智能识别方法，其步骤(2)计算纹理平均长度l具体如下：

对所述图像的灰度共生矩阵按照多个预设的纹理方向和步距，检测图灰度变换下的相关性特征量的平均值来表征纹理的长度，即相关性越高相对纹理越长。

其中，Cor为给定纹理方向上所述灰度共生矩阵的相关性值，p(i,j)为从图像(x,y)灰度为i的像素出发，统计与步距δ、灰度为j的像素同时出现的概率，μ_x为P_x(i)的均值，σ_x为P_x(i)的方差，μ_y为P_y(j)的均值，σ_y为P_y(j)的方差，P_x(i)和P_y(j)分别为矩阵每行元素之和与每列元素之和。

优选地，所述基于面部分区的皮肤干燥状态智能识别方法，其步骤(2)计算纹理平均宽度w具体如下：

对所述图像的灰度共生矩阵按照多个预设的纹理方向和步距，检测图灰度变换下的角二阶矩值(能量)特征量的平均值来表征纹理的宽度即粗细，即角二阶矩值越高相对纹理越宽。

其中，Asm为给定方向上所述灰度共生矩阵的角二阶矩值，p(i,j)从图像(x,y)灰度为i的像素出发，统计与步距δ、灰度为j的像素同时出现的概率。

优选地，所述基于面部分区的皮肤干燥状态智能识别方法，其步骤(2)计算图像熵e具体如下：

对所述图像的灰度共生矩阵按照多个预设的纹理方向和步距，检测图灰度变换下的熵值特征量的平均值来表征纹理的不均匀性，即熵值越高相对纹理越不均匀。

其中，Entropy为给定方向上所述灰度共生矩阵的的熵值，p(i,j)为从图像(x,y)灰度为i的像素出发，统计与步距δ、灰度为j的像素同时出现的概率。

按照本发明的另一个方面，提供了一种基于面部分区的皮肤干燥状态智能识别系统，包括：图像获取模块、图像分区模块、k个相对特征参数提取模块、以及分析模块；

所述图像获取模块，用于采集用户闭眼状态下面部图像，并提交给图像分区模块；

所述图像分区模块，用于将所述图像获取模块获取的用户闭眼状态下面部图像进行面部图像分析，获得用户各目标区域以及参考区域的图像并转换成灰度共生矩阵提交给k个特征参数提取模块；

所述k个相对特征参数提取模块用于获取k个相对特征参数，其中第k相对特征参数提取模块用于获取第k相对特征参数，并提交给分析模块；其包括特征参数提取子模块、控制子模块、以及运算子模块，所述控制子模块用于接收所述图像分区模块获取的目标区域以及参考区域灰度共生矩阵，并将灰度共生矩阵分别提交给特征参数提取子模块；所述特征参数提取子模块用于获取灰度共生矩阵的特征参数，并提交给运算子模块；所述运算子模块，用于根据控制模块的指令将特征参数提取子模块提取的目标区域及参考区域特征量，计算第k相对特征参数；

所述分析模块存储有k个相对特征参数与皮肤干燥状态之间的回归模型，用于根据k个相对特征参数以及回归模型，预测所述用户的皮肤干燥状态参数。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

本发明提供的基于面部分区的皮肤干燥状态智能识别方法及系统，以面部目标区域和参考区域的纹理特征差异为特征量，判断皮肤相对的干燥程度，避免了不同个体之间皮肤条件之间的差异导致的纹理特征差异，因此能较为准确的反应皮肤相对的干燥程度。采用相对图像纹理特征量，利用支持向量回归算法，从而实现干燥状态的定量分析，对于检测皮肤状态具有参考意义。

附图说明

图1是本发明提供的基于面部分区的皮肤干燥状态智能识别方法流程图；

图2是本发明实施例采集的用户闭眼状态面部灰度图像示意图。

在所有附图中，相同的附图标记用来表示相同的元件或结构，其中：1为目标区域，2为参考区域，3为目标区域图像，4为参考区域图像。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明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仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提供了的基于面部分区的皮肤干燥状态智能识别方法，如图1所示，包括以下步骤：

(1)采集预设光照条件下用户闭眼状态面部灰度图像，并进行面部图像分区，获得用户各目标区域以及参考区域的图像；所述目标区域例如额头、面颊；所述参考区域，例如上眼睑的区域图像；

参考区域优选失水最为明显的眼周皮肤，目标区域相对于参考区域的图像区别明显，智能识别算法的结果较为准确。目前的基于面部图像纹理判断皮肤干燥状态的方法，是直接分析皮肤图像的纹理特征与干燥状态的关系，然而由于面部皮肤个体差异性非常大，不仅仅受水分因素的影响，同时还受到性别、年龄、基因等众多因素的影响，因此不同个体之间采样的差异性太大，采用现有的算法，无法规避个体差异性，因此数据不具有可比性，判断结果不具备参考意义。如果对于同一个体进行采样和建模，没有可推广性，同时数据量过小，智能算法得出的预测结果并不可靠。

本发明巧妙的利用了同一个体的不同区域的皮肤差异性，观察发现在不同区域的皮肤在充分湿润时含水量差异较小，可能是由于皮肤角质层含水量都处于饱和状态下；同等条件下角质层本身的差异导致失水的速度不同，皮肤整体越干燥，不同部位的含水量差异越大，而这种差异与失水程度相关性强。采用图像处理的方法，利用不同区域纹理特征差异来定量分析干燥的导致的皮肤含水量差异，有效避免了皮肤图像由于人种、年龄、性别、基因等因素导致的皮肤表面纹理特征差异，从而较为准确的预测皮肤干燥状态。

进一步地，上眼睑区域皮肤被确定为面部皮肤中最薄、保水能力最差区域，是理想的参考区域的选择。

所述进行面部图像分区，具体为：

(1-1)根据预设的人脸椭圆模型，将用户闭眼状态的面部图像进行迭代分割，获得人脸部分图像；

(1-2)对于步骤(1-1)中获取的人脸部分图像，采用dlib人脸定位库检测双眼、鼻子和嘴唇的定位；

(1-3)根据步骤(1-1)中获得的人脸部分图像和步骤(1-2)中获得的双眼、鼻子和嘴唇的定位，划分面部区域为目标区域和参考区域。

(2)分别对步骤(1)中获取的各目标区域及参考区域的图像进行纹理分析，获得各区域图像特征参数；所述图像特征参数包括纹理深度、纹理平均长度、纹理平均宽度、图像熵；

具体地，将步骤(1-3)中获得的目标区域图像和参考区域图像，转换为灰度图像并对于每一图像建立灰度共生矩阵；对于每一图像所述特征参数按照以下方法获取：

(2-1)计算纹理深度d：

对所述图像的灰度共生矩阵按照多个预设的纹理方向和步距，检测图灰度变换下的对比度特征量的平均值来表征纹理的深度，即对比度越高相对纹理越深。对比度定义如下：

其中，Contrast给定纹理方向上所述灰度共生矩阵的对比度值，p(i,j)为从图像(x,y)中灰度为i的像素出发，统计与步距δ、灰度为j的像素同时出现的概率。

(2-2)计算纹理平均长度l：

对所述图像的灰度共生矩阵按照多个预设的纹理方向和步距，检测图灰度变换下的相关性特征量的平均值来表征纹理的长度，即相关性越高相对纹理越长。

其中，Cor为给定纹理方向上所述灰度共生矩阵的相关性值，p(i,j)为从图像(x,y)灰度为i的像素出发，统计与步距δ、灰度为j的像素同时出现的概率，μ_x为P_x(i)的均值，σ_x为P_x(i)的方差，μ_y为P_y(j)的均值，σ_y为P_y(j)的方差，P_x(i)和P_y(j)分别为矩阵每行元素之和与每列元素之和。

(2-3)计算纹理平均宽度w：

对所述图像的灰度共生矩阵按照多个预设的纹理方向和步距，检测图灰度变换下的角二阶矩值(能量)特征量的平均值来表征纹理的宽度即粗细，即角二阶矩值越高相对纹理越宽。

其中，Asm为给定方向上所述灰度共生矩阵的角二阶矩值，p(i,j)从图像(x,y)灰度为i的像素出发，统计与步距δ、灰度为j的像素同时出现的概率。

(2-4)计算图像熵e：

对所述图像的灰度共生矩阵按照多个预设的纹理方向和步距，检测图灰度变换下的熵值特征量的平均值来表征纹理的不均匀性，即熵值越高相对纹理越不均匀。

其中，Entropy为给定方向上所述灰度共生矩阵的的熵值，p(i,j)为从图像(x,y)灰度为i的像素出发，统计与步距δ、灰度为j的像素同时出现的概率。

(3)对于步骤(2)中获得的各目标区域相对于参考区域的k个相对特征参数，所述相对特征参数包括：相对纹理深度、相对纹理平均长度、相对纹理平均宽度、相对熵；按照如下方法获取：

相对特征参数为目标区域特征参数与参考区域相对特征参数之商，具体地：

其中，F_k为第k相对特征参数，为目标区域第k特征参数，为参考区域第k特征参数。具体而言，相对特征参数包括：相对纹理深度D、相对纹理平均长度L、相对纹理平均宽度W、相对熵E。

(4)对于步骤(3)中获得的相对特征参数根据支持向量回归拟合获得的k个相对特征参数与皮肤干燥状态之间的回归模型，定量分析获得皮肤干燥状态参数。

以面部维持纯水高渗透压30分钟后擦干水分时的状态为不干燥,规定不干燥状态皮肤干燥状态参数为0；以面部无覆盖无直接水分摄入24小时的状态为干燥，规定干燥状态皮肤干燥状态参数为1；所述干燥状态参数Dr定义如下：

其中，Wt为测试时刻皮肤的含水量，Wt₀不干燥时皮肤的含水量，Wt₁为干燥时皮肤含水量。

所述回归拟合获得的k个相对特征参数与皮肤干燥状态之间的回归模型优选按照以下方法获取：

(4-1)采集测试用户样本目标区域的n个时刻的皮肤干燥状态参数Dr_i,i＝1,2,…,n，具体方法如下：

采集用户干燥、不干燥以及n个测试时刻的皮肤含水量；并干燥状态参数的定义计算多个测试时刻的干燥状态参数：

(4-2)采集测试用户干燥、不干燥以及n个测试时刻相应的用户闭眼状态面部灰度图像，并获得目标区域相对于特征区域的相对特征参数；

所述相对特征参数按照如下方法获取：

(4-2-1)对于采集的面部状态图像进行面部图像分区，获得用户个目标区域以及参考区域的图像；所述目标区域如额头、面颊；所述参考区域，例如上眼睑的区域图像；

(4-2-2)分别对步骤(4-2-1)中获取的各目标区域及参考区域的图像进行纹理分析，获得各区域图像特征参数；所述图像特征参数包括纹理深度、纹理平均长度、纹理平均宽度、图像熵；

(4-2-3)对于步骤(4-2-2)中获得的各目标区域相对于参考区域的相对特征参数，所述相对特征参数包括：相对纹理深度、相对纹理平均长度、相对纹理平均宽度、相对熵；按照如下方法获取：

相对特征参数为目标区域特征参数与参考区域相对特征参数之商，具体地：

其中，F_k为第k相对特征参数，为目标区域第k特征参数，为参考区域第k特征参数。

(4-3)采用支持向量回归分析获得所述相对特征参数与所述皮肤干燥状态参数之间的回归模型。

本发明提供的基于面部分区的皮肤干燥状态只能识别系统，包括：图像获取模块、图像分区模块、k个相对特征参数提取模块、以及分析模块；

所述图像获取模块，用于采集用户闭眼状态下面部图像，并提交给图像分区模块；

所述图像分区模块，用于将所述图像获取模块获取的用户闭眼状态下面部图像进行面部图像分析，获得用户各目标区域以及参考区域的图像并转换成灰度共生矩阵提交给k个特征参数提取模块；

所述k个相对特征参数提取模块用于获取k个相对特征参数，其中第k相对特征参数提取模块用于获取第k相对特征参数，并提交给分析模块；其包括特征参数提取子模块、控制子模块、以及运算子模块，所述控制子模块用于接收所述图像分区模块获取的目标区域以及参考区域灰度共生矩阵，并将灰度共生矩阵分别提交给特征参数提取子模块；所述特征参数提取子模块用于获取灰度共生矩阵的特征参数，并提交给运算子模块；所述运算子模块，用于根据控制模块的指令将特征参数提取子模块提取的目标区域及参考区域特征量，计算第k相对特征参数；

所述分析模块存储有k个相对特征参数与皮肤干燥状态之间的回归模型，用于根据k个相对特征参数以及回归模型，预测所述用户的皮肤干燥状态参数。

以下为实施例：

模型建立：

本实施例收集了100名志愿者用户皮肤状态数据，具体如下：

志愿者洁面之后敷纯水浸泡的纸膜30分钟，期间保证纸膜含水量充分，擦干后，立即测量目标区域即脸颊区域皮肤含水量并采用皮肤测试仪收集闭眼状态下的照片，作为不干燥时皮肤的含水量Wt₀；然后不使用化妆品保湿剂，分别在半小时、1小时、2小时、4小时、8小时、16小时、24小时分别测试脸颊皮肤含水量获得量6个测试时刻的皮肤含水量Wt、以及干燥时脸颊皮肤含水量Wt₁，并采用皮肤测试仪收集闭眼状态下的照片。

按照干燥状态参数定义：

计算半小时、1小时、2小时、4小时、8小时、16小时测试时刻的干燥状态参数Dr_i,i＝1,2,…,6。

对于用户闭眼状态下的照片采用图像处理方法获取目标区域：脸颊区域以及参考区域：上眼睑区域的图像的，计算脸颊区域以及上眼睑区域纹理深度d、纹理平均长度l、纹理平均宽度w、以及图像熵e，目标区域4个特征参数以及参考区域4个特征参数取其商作为相对特征参数：

照片采用皮肤测试仪(嫦娥皮肤解码机器人HH6800)测试获得，分辨率5184×3456。

采用图像处理方法获取目标区域和参考区域具体如下：

首先设定好皮肤含量和阈值的皮肤椭圆模型，通过迭代分割出符合检测的椭圆形人脸部分；然后通过dlib人脸定位点库检测得到双眼、鼻子和嘴唇的粗定位，再与之前的椭圆模型相匹配，得到改善后的定位点信息；根据定位点信息从而划分目标区域和参考区域，目标区域为脸颊区域，参考区域为上眼睑区域，如图2所示。

对于一张图片目标区域或参考区域的图像(图2中1、2)，取其中300×300像素区域(图2中3、4)，16级灰度，方向取0°、45°、90°、135°，滑动窗口取3×3像素，步距δ取1，获得0°、45°、90°、135°的灰度共生矩阵。

对于每一个灰度共生矩阵，计算对比度Contrast、相关性Cor、角二阶矩值Asm、以及图像熵值Entropy，计算公式如下：

其中p(i,j)为从图像(x,y)灰度为i的像素出发，统计与步距δ、灰度为j的像素同时出现的概率，μ_x为P_x(i)的均值，σ_x为P_x(i)的方差，μ_y为P_y(j)的均值，σ_y为P_y(j)的方差，P_x(i)和P_y(j)分别为矩阵每行元素之和与每列元素之和。

对于一个图像区域，计算四个灰度共生矩阵对比度Contrast、相关性Cor、角二阶矩值Asm、以及图像熵值Entropy的均值作为纹理深度d、纹理平均长度l、纹理平均宽度w、图像熵e，对于目标区域脸颊即为目标区域特征参数对于参考区域上眼睑即为参考区域特征参数k＝1,2,3,4；具体如下：

每个测试时刻的相对特征参数F_kk＝1,2,3,4，计算如下：

对于一个志愿者，在6个时刻的相对特征参数F_k和干燥状态参数Dr_i作为训练样本的一个样本，共计600个样本作为样本集。

采用libsvm进行回归分析，SVM类型选择e-SVR，核函数选择RBF函数，损失函数p0.01，其他参数采用默认设置，采用5倍交叉验证搜索RBF函数参数nu及gamma，获得训练模型。5被交叉验证结果MAPE为18.9％。MAPE按照以下方法计算：

其中，observed_t为t第条训练样本的实测干燥状态参数，predicted_t为第t条训练样本的预测干燥状态参数。

MAPE值小于20％，可直接用于本发明提供的基于面部分区的皮肤干燥状态识别方法，步骤如下：

(1)使用皮肤测试仪(嫦娥皮肤解码机器人HH6800)测试获得用户闭眼状态面部灰度图像；进行面部图像分区，具体方法同模型建立部分，获得与建立模型完全相同的目标区域及参考区域图片(大小、像素完全相同)

(2)使用与模型建立完全相同的方法，计算目标区域和参考区域图像特征参数；

(3)对于步骤(2)中获得的各目标区域相对于参考区域的相对特征参数；

(4)对于步骤(3)中获得的相对特征参数根据本实施例建立的回归模型，定量分析获得皮肤干燥状态参数。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于面部分区的皮肤干燥状态智能识别方法，其特征在于，包括以下步骤：

(1)采集预设光照条件下用户闭眼状态面部灰度图像，并进行面部图像分区，获得用户各目标区域以及参考区域的图像；

(2)分别对步骤(1)中获取的各目标区域及参考区域的图像进行纹理分析，获得各区域图像特征参数；

(3)对于步骤(2)中获得的各目标区域相对于参考区域的k个相对特征参数；相对特征参数为目标区域特征参数与参考区域相对特征参数之商，具体地：

其中，F_k为第k相对特征参数，为目标区域第k特征参数，为参考区域第k特征参数；

(4)对于步骤(3)中获得的相对特征参数根据支持向量回归拟合获得的k个相对特征参数与皮肤干燥状态之间的回归模型，定量分析获得皮肤干燥状态参数。

2.如权利要求1所述的基于面部分区的皮肤干燥状态智能识别方法，其特征在于，所述回归拟合获得的k个相对特征参数与皮肤干燥状态之间的回归模型优选按照以下方法获取：

(4-1)采集测试用户样本目标区域的n个时刻的皮肤干燥状态参数Dr_i,i＝1,2,…,n，具体方法如下：

采集用户干燥、不干燥以及n个测试时刻的皮肤含水量；并干燥状态参数的定义计算多个测试时刻的干燥状态参数：

(4-2)采集测试用户干燥、不干燥以及n个测试时刻相应的用户闭眼状态面部灰度图像，并获得目标区域相对于特征区域的相对特征参数；

(4-3)采用支持向量回归分析获得所述相对特征参数与所述皮肤干燥状态参数之间的回归模型。

3.如权利要求1所述的基于面部分区的皮肤干燥状态智能识别方法，其特征在于，以面部维持纯水高渗透压30分钟后擦干水分时的状态为不干燥,规定不干燥状态皮肤干燥状态参数为0；以面部无覆盖无直接水分摄入24小时的状态为干燥，规定干燥状态皮肤干燥状态参数为1；所述干燥状态参数Dr定义如下：

其中，Wt为测试时刻皮肤的含水量，Wt₀不干燥时皮肤的含水量，Wt₁为干燥时皮肤含水量。

4.如权利要求1所述的基于面部分区的皮肤干燥状态智能识别方法，其特征在于，步骤(1)所述进行面部图像分区，具体为：

(1-1)根据预设的人脸椭圆模型，将用户闭眼状态的面部图像进行迭代分割，获得人脸部分图像；

(1-2)对于步骤(1-1)中获取的人脸部分图像，采用dlib人脸定位库检测双眼、鼻子和嘴唇的定位；

(1-3)根据步骤(1-1)中获得的人脸部分图像和步骤(1-2)中获得的双眼、鼻子和嘴唇的定位，划分面部区域为目标区域和参考区域。

5.如权利要求1所述的基于面部分区的皮肤干燥状态智能识别方法，其特征在于，所述图像特征参数包括纹理深度、纹理平均长度、纹理平均宽度、图像熵。

6.如权利要求5所述的基于面部分区的皮肤干燥状态智能识别方法，其特征在于，步骤(2)计算纹理深度d具体如下：

对所述图像的灰度共生矩阵按照多个预设的纹理方向和步距，检测图灰度变换下的对比度特征量的平均值来表征纹理的深度，即对比度越高相对纹理越深。对比度定义如下：

其中，Contrast给定纹理方向上所述灰度共生矩阵的对比度值，p(i,j)为从图像(x,y)中灰度为i的像素出发，统计与步距δ、灰度为j的像素同时出现的概率。

7.如权利要求5所述的基于面部分区的皮肤干燥状态智能识别方法，其特征在于，步骤(2)计算纹理平均长度l具体如下：

对所述图像的灰度共生矩阵按照多个预设的纹理方向和步距，检测图灰度变换下的相关性特征量的平均值来表征纹理的长度，即相关性越高相对纹理越长。

其中，Cor为给定纹理方向上所述灰度共生矩阵的相关性值，p(i,j)为从图像(x,y)灰度为i的像素出发，统计与步距δ、灰度为j的像素同时出现的概率，μ_x为P_x(i)的均值，σ_x为P_x(i)的方差，μ_y为P_y(j)的均值，σ_y为P_y(j)的方差，P_x(i)和P_y(j)分别为矩阵每行元素之和与每列元素之和。

8.如权利要求5所述的基于面部分区的皮肤干燥状态智能识别方法，其特征在于，步骤(2)计算纹理平均宽度w具体如下：

对所述图像的灰度共生矩阵按照多个预设的纹理方向和步距，检测图灰度变换下的角二阶矩值(能量)特征量的平均值来表征纹理的宽度即粗细，即角二阶矩值越高相对纹理越宽。

其中，Asm为给定方向上所述灰度共生矩阵的角二阶矩值，p(i,j)从图像(x,y)灰度为i的像素出发，统计与步距δ、灰度为j的像素同时出现的概率。

9.如权利要求5所述的基于面部分区的皮肤干燥状态智能识别方法，其特征在于，步骤(2)计算图像熵e具体如下：

对所述图像的灰度共生矩阵按照多个预设的纹理方向和步距，检测图灰度变换下的熵值特征量的平均值来表征纹理的不均匀性，即熵值越高相对纹理越不均匀。

其中，Entropy为给定方向上所述灰度共生矩阵的的熵值，p(i,j)为从图像(x,y)灰度为i的像素出发，统计与步距δ、灰度为j的像素同时出现的概率。

10.一种基于面部分区的皮肤干燥状态智能识别系统，其特征在于，包括：图像获取模块、图像分区模块、k个相对特征参数提取模块、以及分析模块；

所述图像获取模块，用于采集用户闭眼状态下面部图像，并提交给图像分区模块；

所述图像分区模块，用于将所述图像获取模块获取的用户闭眼状态下面部图像进行面部图像分析，获得用户各目标区域以及参考区域的图像并转换成灰度共生矩阵提交给k个特征参数提取模块；

所述k个相对特征参数提取模块用于获取k个相对特征参数，其中第k相对特征参数提取模块用于获取第k相对特征参数，并提交给分析模块；其包括特征参数提取子模块、控制子模块、以及运算子模块，所述控制子模块用于接收所述图像分区模块获取的目标区域以及参考区域灰度共生矩阵，并将灰度共生矩阵分别提交给特征参数提取子模块；所述特征参数提取子模块用于获取灰度共生矩阵的特征参数，并提交给运算子模块；所述运算子模块，用于根据控制模块的指令将特征参数提取子模块提取的目标区域及参考区域特征量，计算第k相对特征参数；

所述分析模块存储有k个相对特征参数与皮肤干燥状态之间的回归模型，用于根据k个相对特征参数以及回归模型，预测所述用户的皮肤干燥状态参数。