CN109919029A - 黑眼圈类型识别方法、装置、计算机设备和存储介质 - Google Patents
黑眼圈类型识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109919029A CN109919029A CN201910094935.3A CN201910094935A CN109919029A CN 109919029 A CN109919029 A CN 109919029A CN 201910094935 A CN201910094935 A CN 201910094935A CN 109919029 A CN109919029 A CN 109919029A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- network model
- periocular area
- neural network
- 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.)
- Pending
Links
Abstract
本申请涉及一种黑眼圈类型识别方法、装置、计算机设备和存储介质。该方法包括:获取待识别人脸图像;根据所述待识别人脸图像获取目标眼周区域图像;当所述目标眼周区域图像中有黑眼圈时,将所述目标眼周区域图像输入预设的目标神经网络模型进行处理,确定所述黑眼圈的类型;所述目标神经网络模型为根据多个人脸图像样本和预设的初始神经网络模型进行训练得到的神经网络模型。该方法可以准确识别目标眼周区域图像中的的黑眼圈类型,识别准确度较高。
Description
技术领域
本申请涉及图像处理领域,特别是涉及一种黑眼圈类型识别方法、装置、计算机设备和存储介质。
背景技术
随着生活水平的提高,人们对自身健康的关注度越来越高,黑眼圈作为一种亚健康的表现,引起了人们越来越多的关注。若要对有黑眼圈的患者做出相应的治疗和护理等,需要准确识别出该患者是否有黑眼圈,并准确判断黑眼圈的类型。
但是,传统技术中对于黑眼圈类型的判定还比较匮乏。
发明内容
基于此,有必要针对传统技术对于黑眼圈类型的判定还比较匮乏的问题,提供一种黑眼圈类型识别方法、装置、计算机设备和存储介质。
第一方面,本申请实施例提供一种黑眼圈类型识别方法,所述法包括:
获取待识别人脸图像;
根据所述待识别人脸图像获取目标眼周区域图像;
当所述目标眼周区域图像中有黑眼圈时,将所述目标眼周区域图像输入预设的目标神经网络模型进行处理,确定所述黑眼圈的类型;所述目标神经网络模型为根据多个人脸图像样本和预设的初始神经网络模型进行训练得到的神经网络模型。
在其中一个实施例中,在所述根据待识别人脸图像获取目标眼周区域图像之后,所述方法还包括:
将所述目标眼周区域图像输入预设的阈值分割模型进行处理,得到分割后的分割眼周区域图像;所述分割眼周区域图像包括白色像素点和黑色像素点;
计算所述白色像素点与所述分割眼周区域图像的比例;
根据所述比例与预设的比例阈值的比较结果,确定所述目标眼周区域图像中是否有黑眼圈。
在其中一个实施例中,所述根据所述比例与预设的比例阈值的比较结果,确定所述目标眼周区域图像中是否有黑眼圈,包括:
当所述比例大于或等于所述比例阈值时,确定所述目标眼周区域图像中有黑眼圈;
当所述比例小于所述比例阈值时,确定所述目标眼周区域图像中没有黑眼圈。
在其中一个实施例中,所述根据所述待识别人脸图像获取目标眼周区域图像,包括:
对所述待识别人脸图像进行人脸关键点检测,得到多个人脸关键点;
从所述多个人脸关键点中选取部分人脸关键点作为目标人脸关键点,并基于所述目标人脸关键点确定所述目标眼周区域图像。
在其中一个实施例中,在所述将所述目标眼周区域图像输入预设的目标神经网络模型进行处理,确定所述黑眼圈的类型之前,所述方法还包括:
获取所述多个人脸图像样本分别对应的训练眼周区域;
执行训练处理操作,所述训练处理操作包括:将所述训练眼周区域输入所述初始神经网络模型中进行处理,得到所述初始神经网络模型的输出数据,并根据预设的损失函数计算所述输出数据与预设的期望输出标签之间的误差;
当所述误差小于预设阈值时,将所述初始神经网络模型作为所述目标神经网络模型。
在其中一个实施例中,当所述误差不小于所述预设阈值时,所述方法还包括:
调整所述初始神经网络模型中的网络参数,得到调整后的神经网络模型;
将所述调整后的神经网络模型作为新的初始神经网络模型,并返回执行所述训练处理操作,直到训练次数达到预设迭代次数为止,并将所述调整后的神经网络模型作为所述目标神经网络模型。
第二方面,本申请实施例提供一种黑眼圈类型识别装置,该装置包括:
人脸图像获取模块,用于获取待识别人脸图像;
目标眼周区域图像获取模块,用于根据所述待识别人脸图像获取目标眼周区域图像;
黑眼圈类型确定模块,用于当所述目标眼周区域图像中有黑眼圈时,将所述目标眼周区域图像输入预设的目标神经网络模型进行处理,确定所述黑眼圈的类型;所述神经网络模型为根据多个人脸图像样本和预设的初始神经网络模型进行训练得到的能够识别所述黑眼圈的类型的神经网络模型。
第三方面,本申请实施例提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如下步骤:
人脸图像获取模块,用于获取待识别人脸图像;
目标眼周区域图像获取模块,用于根据所述待识别人脸图像获取目标眼周区域图像;
黑眼圈类型确定模块,用于当所述目标眼周区域图像中有黑眼圈时,将所述目标眼周区域图像输入预设的目标神经网络模型进行处理,确定所述黑眼圈的类型;所述神经网络模型为根据多个人脸图像样本和预设的初始神经网络模型进行训练得到的能够识别所述黑眼圈的类型的神经网络模型。
第四方面,本申请实施例提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如下步骤:
人脸图像获取模块,用于获取待识别人脸图像;
目标眼周区域图像获取模块,用于根据所述待识别人脸图像获取目标眼周区域图像;
黑眼圈类型确定模块,用于当所述目标眼周区域图像中有黑眼圈时,将所述目标眼周区域图像输入预设的目标神经网络模型进行处理,确定所述黑眼圈的类型;所述神经网络模型为根据多个人脸图像样本和预设的初始神经网络模型进行训练得到的能够识别所述黑眼圈的类型的神经网络模型。
本实施例提供的黑眼圈类型识别方法、装置、计算机设备和存储介质,计算机设备可以获取待识别人脸图像,并根据待识别人脸图像获取目标眼周区域图像;当目标眼周区域图像中有黑眼圈时,将目标眼周区域图像输入预设的目标神经网络模型进行处理,可以输出黑眼圈的类型。由于目标神经网络模型为根据多个人脸图像样本和预设的初始神经网络模型进行训练得到的神经网络模型,因此其可以准确识别目标眼周区域图像中的黑眼圈类型,识别准确度较高。
附图说明
图1为一个实施例提供的计算机设备结构示意图;
图2为一个实施例提供的黑眼圈类型识别方法流程示意图;
图3A为另一个实施例提供的黑眼圈类型识别方法流程示意图;
图3B为一个实施例提供的包括白像素点和黑像素点的图像示意图;
图4为另一个实施例提供的黑眼圈类型识别方法流程示意图;
图5为一个实施例提供的包括目标眼周区域图像的示意图;
图6为又一个实施例提供的黑眼圈类型识别方法流程示意图;
图7为又一个实施例提供的黑眼圈类型识别方法流程示意图;
图8为一个实施例提供的黑眼圈类型识别装置的结构示意图;
图9为另一个实施例提供的黑眼圈类型识别装置的结构示意图;
图10为又一个实施例提供的黑眼圈类型识别装置的结构示意图。
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,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本实施例提供的黑眼圈类型识别方法,可以应用于如图1所示的计算机设备,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的,该计算机设备可以为手机、平板电脑、个人数字助理等,本实施例对计算机设备的具体形式并不做限定。
需要说明的是,本申请实施例提供的黑眼圈类型识别方法,其执行主体可以是黑眼圈类型识别装置,该黑眼圈类型识别装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例中,均以执行主体是计算机设备为例来进行说明。
图2为一个实施例提供的黑眼圈类型识别方法流程示意图。本实施例涉及的是计算机设备根据从待识别人脸图像中获取的目标眼周区域图像输入预设的目标神经网络模型,以确定黑眼圈的类型的过程。如图2所示,该方法可以包括:
S202,获取待识别人脸图像。
具体的,上述待识别人脸图像可以为RGB颜色空间下的图像,RGB颜色空间包括红色(Red)、绿色(Green)和蓝色(Blue)三基色,利用该三基色可以产生丰富而广泛的颜色。可选的,待识别人脸图像可以为利用手机、照相机等拍摄后直接生成的图像,也可以为计算机设备的图像库中的人脸图像,本实施例对待识别人脸图像的来源不做限定。
S204,根据所述待识别人脸图像获取目标眼周区域图像。
具体的,目标眼周区域图像也为RGB空间下的图像,计算机设备可以根据模板匹配的方法确定出目标眼周区域图像,也可以利用如图4所示实施例的中基于人脸关键点检测的方法获取目标眼周区域图像,本实施例对此不做限定。
S206,当所述目标眼周区域图像中有黑眼圈时,将所述目标眼周区域图像输入预设的目标神经网络模型进行处理,确定所述黑眼圈的类型;所述目标神经网络模型为根据多个人脸图像样本和预设的初始神经网络模型进行训练得到的神经网络模型。
具体的,上述目标神经网络模型为根据多个人脸图像样本和预设的初始神经网络模型进行训练得到的神经网络模型。进行训练后的目标神经网络模型可以准确识别黑眼圈的类型,将目标眼周区域图像输入预设的目标神经网络模型进行处理后,计算机设备可以准确的确定黑眼圈的类型。可选的,将目标眼周区域图像输入预设的目标神经网络模型进行处理后,输出数据可以为目标眼周区域图像中包括血管型黑眼圈或色素型黑眼圈,也可以为目标眼周区域图像中包括血管型黑眼圈或色素型黑眼圈的概率,本实施例对此并不做限定。
本实施例提供的黑眼圈类型识别方法中,计算机设备可以获取待识别人脸图像,并根据待识别人脸图像获取目标眼周区域图像;当目标眼周区域图像中有黑眼圈时,将目标眼周区域图像输入预设的目标神经网络模型进行处理,可以输出黑眼圈的类型。由于目标神经网络模型为根据多个人脸图像样本和预设的初始神经网络模型进行训练得到的神经网络模型,因此其可以准确识别目标眼周区域图像中的黑眼圈类型,识别准确度较高。
图3A为另一个实施例提供的黑眼圈类型识别方法流程示意图。本实施例涉及的是计算机设备对目标眼周区域图像进行图像分割获得包括白色像素点和黑色像素点的二值图像,并根据白色像素点的占比确定目标眼周区域图像中是否有黑眼圈的实现过程。在图2所示实施例的基础上,可选的,在上述S204之后,上述方法还可以包括:
S302,将所述目标眼周区域图像输入预设的阈值分割模型进行处理,得到分割后的分割眼周区域图像;所述分割眼周区域图像包括白色像素点和黑色像素点。
具体的,上述阈值分割模型可以为基于最大类间方差法对应的算法模型,也可以为自适应阈值分割模型、最大熵阈值分割模型等。对目标眼周区域图像利用预设的阈值分割模型进行图像分割后,可以得到分割后的分割眼周区域图像,此时,如图3B所示,分割眼周区域图像包括白色像素点和黑色像素点,即计算机设备将原图像分割成了二值图像,白色像素点对应的区域的灰度值可以为1,黑色像素点对应的区域的灰度值可以为0。
S304,计算所述白色像素点与所述分割眼周区域图像的比例。
本步骤中,计算机设备可以利用获取的白色像素点的数目与分割眼周区域图像中所有像素点的数目的比值作为白色像素点与分割眼周区域图像的比例。
S306,根据所述比例与预设的比例阈值的比较结果,确定所述目标眼周区域图像中是否有黑眼圈。
具体的,计算机设备可以根据上述比例是否在预设的比例阈值的范围内,确定目标眼周区域图像中是否有黑眼圈,也可以如下方案确定目标眼周区域图像中是否有黑眼圈:当上述比例大于或等于比例阈值时,确定目标眼周区域图像中有黑眼圈;当上述比例小于比例阈值时,确定目标眼周区域图像中没有黑眼圈,确定方式较为简单。
本实施例提供的黑眼圈类型识别方法中,计算机设备可以将目标眼周区域图像输入预设的阈值分割模型进行处理,得到分割后的包括白色像素点和黑色像素点的分割眼周区域图像;并计算白色像素点与分割眼周区域图像的比例,从而根据比例与预设的比例阈值的比较结果,确定目标眼周区域图像中是否有黑眼圈,黑眼圈主要出现在下眼睑下,当目标眼周区域图像中有黑眼圈时,其颜色会与其它区域的皮肤颜色有明显区别,黑眼圈区域的像素占比与没有黑眼圈时的黑眼圈区域的占比也是明显不同的,因此,可以根据黑眼圈区域在目标眼周区域图像中占的比例,准确的确定出目标眼周区域图像中是否有黑眼圈。
图4为又一个实施例提供的黑眼圈类型识别方法流程示意图。本实施例涉及的是计算机设备对待识别人脸图像进行人脸关键点检测得到多个人脸关键点,并基于该多个人脸关键点确定目标眼周区域图像的实现过程。在上述实施例的基础上,可选的,上述S204可以包括:
S402,对所述待识别人脸图像进行人脸关键点检测,得到多个人脸关键点。
具体的,计算机设备可以利用预设的人脸关键点检测模型对上述待识别人脸图像进行人脸关键点检测,以得到多个人脸关键点。其中,预设的人脸关键点检测模型可以为基于活动形状模型(Active Shape Models,ASM)的模型、基于主动外观模型(ActiveAppearance Model,AAM)的模型、基于级联姿势回归(Cascaded Pose Regression,CPR)的模型或基于深度学习的模型等任意一种人脸关键点检测模型。
S404,从所述多个人脸关键点中选取部分人脸关键点作为目标人脸关键点,并基于所述目标人脸关键点确定所述目标眼周区域图像。
具体的,检测出的人脸关键点有多个,遍布全脸,以右脸为例,如图5所示,计算机设备可以根据用户输入的多个关键点(以图5为例,包括关键点31、32、33、34和35)作为目标人脸关键点,即选取右眼周下的四个关键点(以图5为例,包括关键点31、32、33和34)和右边鼻翼处的一个关键点(图5中的关键点35)作为目标人脸关键点。每个关键点对应各自的横坐标和纵坐标,在确定上述目标眼周区域图像时,计算机设备可以根据选取的目标人脸关键点确定目标眼周区域图像的横坐标范围和纵坐标范围。可选的,上述目标眼周区域图像可以为矩形框,计算机设备可以将从目标人脸关键点中的右眼周下的四个关键点中外眼角处的关键点31的横坐标作为矩形框的第一横坐标,将内眼角处的关键点34的横坐标作为矩形框的第二横坐标,将眼角区域的关键点31、32、33和34中的纵坐标最大的关键点33(也即最靠下的关键点)的纵坐标作为矩形框的第一纵坐标,将鼻翼处的关键点35的纵坐标作为矩形框的第二纵坐标,综上,计算机设备根据第一横坐标和第二横坐标可以确定矩形框的宽,根据第一纵坐标和第二纵坐标可以确定矩形框的高,并将确定出的矩形框作为目标眼周区域图像。需要说明的是,上述目标人脸关键点不限定是上述选择的五个,也可以为其它数目或其它位置的关键点,只要能确定出包括黑眼圈区域的区域即可。上述目标眼周区域图像也只可以为其它形状,如三角形框、梯形框等,本实施例对目标眼周区域图像的形状不做限定。进一步的,左脸目标眼周区域图像的选取方式与右脸目标眼周区域图像的选取方式相同。可选的,上述目标眼周区域图像可以为根据上述选取方式选取的右脸的矩形框,也可以为根据上述选取方式选取的左脸的矩形框,还可以包括根据上述选取方式选取的右脸的矩形框和左脸的矩形框。
本实施例提供的黑眼圈类型识别方法中,计算机设备可以对目标眼周区域图像待识别人脸图像进行人脸关键点检测,得到多个人脸关键点;然后从目标眼周区域图像多个人脸关键点中选取部分人脸关键点作为目标人脸关键点,并基于目标眼周区域图像目标人脸关键点确定目标眼周区域图像目标眼周区域图像,这样可以缩小识别黑眼圈的图像范围,降低待识别人脸图像中斑点、痘痘等对识别黑眼圈的影响,提高黑眼圈类型识别的准确度。
图6为又一个实施例提供的黑眼圈类型识别方法流程示意图。本实施例涉及的是计算机设备根据多个人脸图像样本对初始神经网络模型进行训练的过程。在上述实施例的基础上,可选的,在上述S206之前,上述方法还可以包括:
S602,获取所述多个人脸图像样本分别对应的训练眼周区域。
具体的,多个人脸图像样本可以从预设的图像库中获取,也可以为用户拍摄并存储的多个人脸图像样本,本实施例对人脸图像样本的获取来源不做限定。可选的,训练眼周区域与上述目标眼周区域图像的方式相同。可选的,由于左右脸基本是水平镜像的,可以只对右脸的训练眼周区域对应的图像进行标注,将标注的右脸的训练眼周区域对应的图像进行水平翻转,即可得到标注的左脸的训练眼周区域的图像。
S604,执行训练处理操作,所述训练处理操作包括:将所述训练眼周区域输入所述初始神经网络模型中进行处理,得到所述初始神经网络模型的输出数据,并根据预设的损失函数计算所述输出数据与预设的期望输出标签之间的误差。
具体的,上述初始神经网络模型可以为LetNet-5、AlexNet、VGGNet、InceptionNet、ResNet中的其中一种,由于本实施例提供的黑眼圈的类型较少,为减少计算量,可以选择LetNet-5模型作为初始神经网络模型。可选的,该初始神经网络模型可以包括输入层、多个卷积层、多个下采样层、多个上采样层、多个全连接层。
在进行图像训练时,可以只将一幅人脸图像样本的左脸的训练眼周区域对应的图像输入预设的初始神经网络模型,也可以只将一幅人脸图像样本的右脸的训练眼周区域对应的图像输入预设的初始神经网络模型,还可以将一幅人脸图像样本的左脸的训练眼周区域对应的图像和右脸的训练眼周区域对应的图像均输入预设的初始神经网络模型。
可选的,黑眼圈类型可以包括血管型黑眼圈和色素型黑眼圈。血管型黑眼圈主要在下眼睑出现,可能是红色、紫红色,眼周皮肤厚度只有正常皮肤的1/10,缺乏脂肪和汗腺,因此皮下血管一旦稍稍发生淤滞,就会很明显。当用手撑开黑眼圈处的皮肤时血管型黑眼圈会变得更明显。遮掉下眼眶后仍存在红色三角形区域,且伴随浮肿现象。色素型黑眼圈颜色包括浅蓝色、青色、浅褐、深褐,出现在上下眼睑,以下睑更常见,环绕眼周(即上下眼睑都有黑眼圈),用手撑开黑眼圈处的皮肤,茶棕色黑眼圈不会发生任何颜色上的变化。
期望输出标签可以为0或1,比如,血管型黑眼圈对应的期望输出标签可以为0,则色素型黑眼圈的期望输出标签可以为1。将S216得到的训练眼周区域输入初始神经网络模型后,可以得到输出数据,计算机设备可以根据预设的损失函数计算输出数据与预设的期望输出标签之间的误差。可选的,预设的损失函数可以为叉熵损失函数获得、最大距离损失函数等。
S606,当所述误差小于预设阈值时,将所述初始神经网络模型作为所述目标神经网络模型。
本实施例中,计算机设备判断上述误差小于预设阈值时,可以直接将上述初始神经网络模型作为目标神经网络模型。
S608,调整所述初始神经网络模型中的网络参数,得到调整后的神经网络模型。
本实施例中,当误差不小于预设阈值时,说明计算机设备不能利用上述初始神经网络模型输出正确的输出数据,需要对该初始神经网络模型进行调整。计算机设备可以利用随机梯度下降法调整初始神经网络模型的网络参数,得到新的网络参数,并将新的网络参数反向传输给初始神经网络模型的第一个任务处理层即输入层,得到调整后的神经网络模型。其中,上述网络参数可以为预设的卷积核的权重。可选的,计算机设备也可以利用批量梯度下降法或小批量梯度下降法等调整初始神经网络模型的网络参数,本实施例对调整初始神经网络模型的方式不做限定。
S610,将所述调整后的神经网络模型作为新的初始神经网络模型,并返回执行所述训练处理操作,直到训练次数达到预设迭代次数为止,并将所述调整后的神经网络模型作为所述目标神经网络模型。
具体的,计算机设备可以将调整后的神经网络模型作为新的初始神经网络模型,返回执行上述训练处理操作,直到训练次数达到预设迭代次数为止,并最终将调整后的神经网络模型作为目标神经网络模型。
可选的,计算机设备还可以利用已知黑眼圈类型的测试人脸图像,对训练后的目标神经网络模型进行测试,以验证训练好的目标神经网络模型的识别黑眼圈类型的正确率,进一步保证上述训练后的目标神经网络模型的识别准确率。
本实施例提供的黑眼圈类型识别方法中,计算机设备可以获取多个人脸图像样本分别对应的训练眼周区域;然后执行训练处理操作,训练处理操作包括:将训练眼周区域输入初始神经网络模型中进行处理,得到初始神经网络模型的输出数据,并根据预设的损失函数计算输出数据与预设的期望输出标签之间的误差;当误差小于预设阈值时,将初始神经网络模型作为目标神经网络模型;当误差不小于预设阈值时,调整初始神经网络模型中的网络参数,得到调整后的神经网络模型;然后将调整后的神经网络模型作为新的初始神经网络模型,并返回执行训练处理操作,直到训练次数达到预设迭代次数为止,并将调整后的神经网络模型作为目标神经网络模型。本实施例中,计算机设备可以根据输出数据与预设的期望输出标签的误差,调整初始神经网络的网络参数,直至初始神经网络的数据与预设的期望输出标签的误差小于预设阈值为止,即初始神经网络可以输出正确的输出数据为止,这样可以保证利用上述训练好的神经网络对目标眼周区域图像进行识别时可以输出较准确的黑眼圈类型,提高黑眼圈类型识别的准确度。
为了便于本领域技术人员的理解,以下对本申请提供的黑眼圈类型识别的方法进行详细介绍,具体可以参见图7所示:
S702,计算机设备获取所述待识别人脸图像。
S704,计算机设备对所述待识别人脸图像进行人脸关键点检测,得到多个人脸关键点,并基于所述目标人脸关键点确定所述目标眼周区域图像。
S706,计算机设备将所述目标眼周区域图像输入预设的阈值分割模型进行处理,得到分割后的分割眼周区域图像;所述分割眼周区域图像包括白色像素点和黑色像素点。
S708,计算机设备计算所述白色像素点与所述分割眼周区域图像的比例。
S710,计算机设备判断所述比例是否小于预设的比例阈值。若是,执行S712,若否,执行S714。
S712,计算机设备确定所述目标眼周区域图像中有黑眼圈。
S714,计算机设备确定所述目标眼周区域图像中没有黑眼圈。
S716,计算机设备获取所述多个人脸图像样本分别对应的训练眼周区域。
S718,计算机设备执行训练处理操作,所述训练处理操作包括:将所述训练眼周区域输入所述初始神经网络模型中进行处理,得到所述初始神经网络模型的输出数据,并根据预设的损失函数计算所述输出数据与预设的期望输出标签之间的误差。
S720,计算机设备判断所述误差是否小于预设阈值。若是,执行S722,若否,执行S724至S726。
S722,计算机设备将所述初始神经网络模型作为所述目标神经网络模型。
S724,计算机设备调整所述初始神经网络模型中的网络参数,得到调整后的神经网络模型。
S726,计算机设备将所述调整后的神经网络模型作为新的初始神经网络模型,并返回执行所述训练处理操作,直到训练次数达到预设迭代次数为止,并将所述调整后的神经网络模型作为所述目标神经网络模型。
本实施例提供的黑眼圈类型识别方法的工作原理和技术效果如上述实施例所述,在此不再赘述。
应该理解的是,虽然图2至图7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2至图7中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图8为一个实施例提供的黑眼圈类型识别装置结构示意图。如图8所示,该装置可以包括人脸图像获取模块802、目标眼周区域图像获取模块804和黑眼圈类型确定模块806。
具体的,人脸图像获取模块802,用于获取待识别人脸图像;
目标眼周区域图像获取模块804,用于根据所述待识别人脸图像获取目标眼周区域图像;
黑眼圈类型确定模块806,用于当所述目标眼周区域图像中有黑眼圈时,将所述目标眼周区域图像输入预设的目标神经网络模型进行处理,确定所述黑眼圈的类型;所述神经网络模型为根据多个人脸图像样本和预设的初始神经网络模型进行训练得到的能够识别所述黑眼圈的类型的神经网络模型。
本实施例提供的黑眼圈类型识别装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
图9为另一个实施例提供的黑眼圈类型识别装置结构示意图。在上述图8所示实施例的基础上,可选的,上述装置还可以包括:分割眼周区域图像确定模块808、处理模块810和黑眼圈确定模块812。
具体的,分割眼周区域图像确定模块808,用于对所述目标眼周区域图像进行图像分割,得到分割后的分割眼周区域图像;所述分割眼周区域图像包括白色像素点和黑色像素点;
处理模块810,用于计算所述白色像素点与所述分割眼周区域图像的比例;
黑眼圈确定模块812,用于根据所述比例与预设的比例阈值的比较结果,确定所述目标眼周区域图像中是否有黑眼圈。
在又一个实施例提供的黑眼圈类型识别装置中,在上述实施例的基础上,可选的,上述黑眼圈确定模块812可以包括第一确定单元和第二确定单元。
具体的,第一确定单元,用于当所述比例大于或等于所述比例阈值时,确定所述目标眼周区域图像中有黑眼圈。
第一确定单元,用于当所述比例小于所述比例阈值时,确定所述目标眼周区域图像中没有黑眼圈。
本实施例提供的黑眼圈类型识别装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在又一个实施例提供的黑眼圈类型识别装置中,在上述实施例的基础上,可选的,上述目标眼周区域图像获取模块804可以包括:关键点获取单元和目标眼周区域图像获取单元。
具体的,关键点获取单元,用于对所述待识别人脸图像进行人脸关键点检测,得到多个人脸关键点;
目标眼周区域图像获取单元,用于从所述多个人脸关键点中选取部分人脸关键点作为目标人脸关键点,并基于所述目标人脸关键点确定所述目标眼周区域图像。
本实施例提供的黑眼圈类型识别装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
图10为又一个实施例提供的黑眼圈类型识别装置,在上述实施例的基础上,可选的,上述装置还可以包括训练眼周区域获取模块814、误差计算模块816、神经网络模型确定模块818和调整模块820。
具体的,训练眼周区域获取模块814,用于获取所述多个人脸图像样本分别对应的训练眼周区域;
误差计算模块816,用于执行训练处理操作,所述训练处理操作包括:将所述训练眼周区域输入所述初始神经网络模型中进行处理,得到所述初始神经网络模型的输出数据,并根据预设的损失函数计算所述输出数据与预设的期望输出标签之间的误差;
神经网络模型确定模块818,用于当所述误差小于预设阈值时,将所述初始神经网络模型作为所述目标神经网络模型。
调整模块820,用于调整所述初始神经网络模型中的网络参数,得到调整后的神经网络模型;并将所述调整后的神经网络模型作为新的初始神经网络模型指示神经网络模型确定模块818执行所述训练处理操作,直到训练次数达到预设迭代次数为止,并将所述调整后的神经网络模型作为所述目标神经网络模型。
本实施例提供的黑眼圈类型识别装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种黑眼圈类型识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待识别人脸图像;
根据所述待识别人脸图像获取目标眼周区域图像;
当所述目标眼周区域图像中有黑眼圈时,将所述目标眼周区域图像输入预设的目标神经网络模型进行处理,确定所述黑眼圈的类型;所述目标神经网络模型为根据多个人脸图像样本和预设的初始神经网络模型进行训练得到的神经网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将所述目标眼周区域图像输入预设的阈值分割模型进行处理,得到分割后的分割眼周区域图像;所述分割眼周区域图像包括白色像素点和黑色像素点;计算所述白色像素点与所述分割眼周区域图像的比例;根据所述比例与预设的比例阈值的比较结果,确定所述目标眼周区域图像中是否有黑眼圈。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:当所述比例大于或等于所述比例阈值时,确定所述目标眼周区域图像中有黑眼圈;当所述比例小于所述比例阈值时,确定所述目标眼周区域图像中没有黑眼圈。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对所述待识别人脸图像进行人脸关键点检测,得到多个人脸关键点;从所述多个人脸关键点中选取部分人脸关键点作为目标人脸关键点,并基于所述目标人脸关键点确定所述目标眼周区域图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取所述多个人脸图像样本分别对应的训练眼周区域;执行训练处理操作,所述训练处理操作包括:将所述训练眼周区域输入所述初始神经网络模型中进行处理,得到所述初始神经网络模型的输出数据,并根据预设的损失函数计算所述输出数据与预设的期望输出标签之间的误差;当所述误差小于预设阈值时,将所述初始神经网络模型作为所述目标神经网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:调整所述初始神经网络模型中的网络参数,得到调整后的神经网络模型;将所述调整后的神经网络模型作为新的初始神经网络模型,并返回执行所述训练处理操作,直到训练次数达到预设迭代次数为止,并将所述调整后的神经网络模型作为所述目标神经网络模型。
上述实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待识别人脸图像;
根据所述待识别人脸图像获取目标眼周区域图像;
当所述目标眼周区域图像中有黑眼圈时,将所述目标眼周区域图像输入预设的目标神经网络模型进行处理,确定所述黑眼圈的类型;所述目标神经网络模型为根据多个人脸图像样本和预设的初始神经网络模型进行训练得到的神经网络模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将所述目标眼周区域图像输入预设的阈值分割模型进行处理,得到分割后的分割眼周区域图像;所述分割眼周区域图像包括白色像素点和黑色像素点;计算所述白色像素点与所述分割眼周区域图像的比例;根据所述比例与预设的比例阈值的比较结果,确定所述目标眼周区域图像中是否有黑眼圈。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:当所述比例大于或等于所述比例阈值时,确定所述目标眼周区域图像中有黑眼圈;当所述比例小于所述比例阈值时,确定所述目标眼周区域图像中没有黑眼圈。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对所述待识别人脸图像进行人脸关键点检测,得到多个人脸关键点;从所述多个人脸关键点中选取部分人脸关键点作为目标人脸关键点,并基于所述目标人脸关键点确定所述目标眼周区域图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取所述多个人脸图像样本分别对应的训练眼周区域;执行训练处理操作,所述训练处理操作包括:将所述训练眼周区域输入所述初始神经网络模型中进行处理,得到所述初始神经网络模型的输出数据,并根据预设的损失函数计算所述输出数据与预设的期望输出标签之间的误差;当所述误差小于预设阈值时,将所述初始神经网络模型作为所述目标神经网络模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:调整所述初始神经网络模型中的网络参数,得到调整后的神经网络模型;将所述调整后的神经网络模型作为新的初始神经网络模型,并返回执行所述训练处理操作,直到训练次数达到预设迭代次数为止,并将所述调整后的神经网络模型作为所述目标神经网络模型。
上述实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种黑眼圈类型识别方法,其特征在于,所述方法包括:
获取待识别人脸图像;
根据所述待识别人脸图像获取目标眼周区域图像;
当所述目标眼周区域图像中有黑眼圈时,将所述目标眼周区域图像输入预设的目标神经网络模型进行处理,确定所述黑眼圈的类型;所述目标神经网络模型为根据多个人脸图像样本和预设的初始神经网络模型进行训练得到的神经网络模型。
2.根据权利要求1所述的方法,其特征在于,在所述根据待识别人脸图像获取目标眼周区域图像之后,所述方法还包括:
将所述目标眼周区域图像输入预设的阈值分割模型进行处理,得到分割后的分割眼周区域图像;所述分割眼周区域图像包括白色像素点和黑色像素点;
计算所述白色像素点与所述分割眼周区域图像的比例;
根据所述比例与预设的比例阈值的比较结果,确定所述目标眼周区域图像中是否有黑眼圈。
3.根据权利要求2所述的方法,其特征在于,所述根据所述比例与预设的比例阈值的比较结果,确定所述目标眼周区域图像中是否有黑眼圈,包括:
当所述比例大于或等于所述比例阈值时,确定所述目标眼周区域图像中有黑眼圈;
当所述比例小于所述比例阈值时,确定所述目标眼周区域图像中没有黑眼圈。
4.根据权利要求1所述的方法,其特征在于,所述根据所述待识别人脸图像获取目标眼周区域图像,包括:
对所述待识别人脸图像进行人脸关键点检测,得到多个人脸关键点;
从所述多个人脸关键点中选取部分人脸关键点作为目标人脸关键点,并基于所述目标人脸关键点确定所述目标眼周区域图像。
5.根据权利要求1所述的方法,其特征在于,在所述将所述目标眼周区域图像输入预设的目标神经网络模型进行处理,确定所述黑眼圈的类型之前,所述方法还包括:
获取所述多个人脸图像样本分别对应的训练眼周区域;
执行训练处理操作,所述训练处理操作包括:将所述训练眼周区域输入所述初始神经网络模型中进行处理,得到所述初始神经网络模型的输出数据,并根据预设的损失函数计算所述输出数据与预设的期望输出标签之间的误差;
当所述误差小于预设阈值时,将所述初始神经网络模型作为所述目标神经网络模型。
6.根据权利要求5所述的方法,其特征在于,当所述误差不小于所述预设阈值时,所述方法还包括:
调整所述初始神经网络模型中的网络参数,得到调整后的神经网络模型;
将所述调整后的神经网络模型作为新的初始神经网络模型,并返回执行所述训练处理操作,直到训练次数达到预设迭代次数为止,并将所述调整后的神经网络模型作为所述目标神经网络模型。
7.一种黑眼圈类型识别装置,其特征在于,所述装置包括:
人脸图像获取模块,用于获取待识别人脸图像;
目标眼周区域图像获取模块,用于根据所述待识别人脸图像获取目标眼周区域图像;
黑眼圈类型确定模块,用于当所述目标眼周区域图像中有黑眼圈时,将所述目标眼周区域图像输入预设的目标神经网络模型进行处理,确定所述黑眼圈的类型;所述神经网络模型为根据多个人脸图像样本和预设的初始神经网络模型进行训练得到的能够识别所述黑眼圈的类型的神经网络模型。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
分割眼周区域图像确定模块,用于对所述目标眼周区域图像进行图像分割,得到分割后的分割眼周区域图像;所述分割眼周区域图像包括白色像素点和黑色像素点;
处理模块,用于计算所述白色像素点与所述分割眼周区域图像的比例;
黑眼圈确定模块,用于根据所述比例与预设的比例阈值的比较结果,确定所述目标眼周区域图像中是否有黑眼圈。
9.一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910094935.3A CN109919029A (zh) | 2019-01-31 | 2019-01-31 | 黑眼圈类型识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910094935.3A CN109919029A (zh) | 2019-01-31 | 2019-01-31 | 黑眼圈类型识别方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919029A true CN109919029A (zh) | 2019-06-21 |
Family
ID=66961114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910094935.3A Pending CN109919029A (zh) | 2019-01-31 | 2019-01-31 | 黑眼圈类型识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919029A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310624A (zh) * | 2020-02-05 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 遮挡识别方法、装置、计算机设备及存储介质 |
CN111428553A (zh) * | 2019-12-31 | 2020-07-17 | 深圳数联天下智能科技有限公司 | 人脸色素斑识别方法、装置、计算机设备和存储介质 |
CN111428552A (zh) * | 2019-12-31 | 2020-07-17 | 深圳数联天下智能科技有限公司 | 黑眼圈识别方法、装置、计算机设备和存储介质 |
CN112307989A (zh) * | 2020-11-03 | 2021-02-02 | 广州海格通信集团股份有限公司 | 路面物体识别方法、装置、计算机设备和存储介质 |
CN112364693A (zh) * | 2020-10-12 | 2021-02-12 | 星火科技技术(深圳)有限责任公司 | 基于双目视觉的障碍识别方法、装置、设备及存储介质 |
CN112541394A (zh) * | 2020-11-11 | 2021-03-23 | 上海诺斯清生物科技有限公司 | 黑眼圈及鼻炎识别方法、系统及计算机介质 |
CN113128377A (zh) * | 2021-04-02 | 2021-07-16 | 西安融智芙科技有限责任公司 | 基于图像处理的黑眼圈识别方法、黑眼圈识别装置及终端 |
CN113128377B (zh) * | 2021-04-02 | 2024-05-17 | 西安融智芙科技有限责任公司 | 基于图像处理的黑眼圈识别方法、黑眼圈识别装置及终端 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679168A (zh) * | 2012-08-30 | 2014-03-26 | 北京百度网讯科技有限公司 | 文字区域检测方法及装置 |
CN107231470A (zh) * | 2017-05-15 | 2017-10-03 | 努比亚技术有限公司 | 图像处理方法、移动终端及计算机可读存储介质 |
CN107437073A (zh) * | 2017-07-19 | 2017-12-05 | 竹间智能科技(上海)有限公司 | 基于深度学习与生成对抗网路的人脸肤质分析方法及系统 |
CN107993209A (zh) * | 2017-11-30 | 2018-05-04 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
CN108171208A (zh) * | 2018-01-17 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 信息获取方法和装置 |
WO2018108129A1 (zh) * | 2016-12-16 | 2018-06-21 | 北京市商汤科技开发有限公司 | 用于识别物体类别的方法及装置、电子设备 |
CN108665498A (zh) * | 2018-05-15 | 2018-10-16 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN108780497A (zh) * | 2017-11-14 | 2018-11-09 | 深圳和而泰智能控制股份有限公司 | 一种皮肤瑕疵点分类方法及电子设备 |
CN108830184A (zh) * | 2018-05-28 | 2018-11-16 | 厦门美图之家科技有限公司 | 黑眼圈识别方法及装置 |
CN108985159A (zh) * | 2018-06-08 | 2018-12-11 | 平安科技(深圳)有限公司 | 人眼模型训练方法、人眼识别方法、装置、设备及介质 |
-
2019
- 2019-01-31 CN CN201910094935.3A patent/CN109919029A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679168A (zh) * | 2012-08-30 | 2014-03-26 | 北京百度网讯科技有限公司 | 文字区域检测方法及装置 |
WO2018108129A1 (zh) * | 2016-12-16 | 2018-06-21 | 北京市商汤科技开发有限公司 | 用于识别物体类别的方法及装置、电子设备 |
CN107231470A (zh) * | 2017-05-15 | 2017-10-03 | 努比亚技术有限公司 | 图像处理方法、移动终端及计算机可读存储介质 |
CN107437073A (zh) * | 2017-07-19 | 2017-12-05 | 竹间智能科技(上海)有限公司 | 基于深度学习与生成对抗网路的人脸肤质分析方法及系统 |
CN108780497A (zh) * | 2017-11-14 | 2018-11-09 | 深圳和而泰智能控制股份有限公司 | 一种皮肤瑕疵点分类方法及电子设备 |
CN107993209A (zh) * | 2017-11-30 | 2018-05-04 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
CN108171208A (zh) * | 2018-01-17 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 信息获取方法和装置 |
CN108665498A (zh) * | 2018-05-15 | 2018-10-16 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN108830184A (zh) * | 2018-05-28 | 2018-11-16 | 厦门美图之家科技有限公司 | 黑眼圈识别方法及装置 |
CN108985159A (zh) * | 2018-06-08 | 2018-12-11 | 平安科技(深圳)有限公司 | 人眼模型训练方法、人眼识别方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
陈根方: "《智能音乐学与中国音乐数字媒体论 国家社科基金后期资助项目》", 31 May 2018 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428553A (zh) * | 2019-12-31 | 2020-07-17 | 深圳数联天下智能科技有限公司 | 人脸色素斑识别方法、装置、计算机设备和存储介质 |
CN111428552A (zh) * | 2019-12-31 | 2020-07-17 | 深圳数联天下智能科技有限公司 | 黑眼圈识别方法、装置、计算机设备和存储介质 |
CN111310624A (zh) * | 2020-02-05 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 遮挡识别方法、装置、计算机设备及存储介质 |
CN111310624B (zh) * | 2020-02-05 | 2023-11-21 | 腾讯科技(深圳)有限公司 | 遮挡识别方法、装置、计算机设备及存储介质 |
CN112364693A (zh) * | 2020-10-12 | 2021-02-12 | 星火科技技术(深圳)有限责任公司 | 基于双目视觉的障碍识别方法、装置、设备及存储介质 |
CN112364693B (zh) * | 2020-10-12 | 2024-04-16 | 星火科技技术(深圳)有限责任公司 | 基于双目视觉的障碍识别方法、装置、设备及存储介质 |
CN112307989A (zh) * | 2020-11-03 | 2021-02-02 | 广州海格通信集团股份有限公司 | 路面物体识别方法、装置、计算机设备和存储介质 |
CN112307989B (zh) * | 2020-11-03 | 2024-05-03 | 广州海格通信集团股份有限公司 | 路面物体识别方法、装置、计算机设备和存储介质 |
CN112541394A (zh) * | 2020-11-11 | 2021-03-23 | 上海诺斯清生物科技有限公司 | 黑眼圈及鼻炎识别方法、系统及计算机介质 |
CN113128377A (zh) * | 2021-04-02 | 2021-07-16 | 西安融智芙科技有限责任公司 | 基于图像处理的黑眼圈识别方法、黑眼圈识别装置及终端 |
CN113128377B (zh) * | 2021-04-02 | 2024-05-17 | 西安融智芙科技有限责任公司 | 基于图像处理的黑眼圈识别方法、黑眼圈识别装置及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919029A (zh) | 黑眼圈类型识别方法、装置、计算机设备和存储介质 | |
CN106778928B (zh) | 图像处理方法及装置 | |
CN109829930B (zh) | 人脸图像处理方法、装置、计算机设备及可读存储介质 | |
Ying et al. | A new low-light image enhancement algorithm using camera response model | |
CN107944379B (zh) | 基于深度学习的眼白图像超分辨率重建与图像增强方法 | |
WO2022179215A1 (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110047053A (zh) | 人像图片生成方法、装置和计算机设备 | |
CN110135406A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN109508638A (zh) | 人脸情绪识别方法、装置、计算机设备及存储介质 | |
WO2021051519A1 (zh) | 识别模型训练、眼底特征的识别方法、装置、设备及介质 | |
CN108968991A (zh) | 手骨x光片骨龄评估方法、装置、计算机设备和存储介质 | |
CN110378372A (zh) | 图数据识别方法、装置、计算机设备和存储介质 | |
CN109657583A (zh) | 脸部关键点检测方法、装置、计算机设备和存储介质 | |
CN109063742A (zh) | 蝴蝶识别网络构建方法、装置、计算机设备及存储介质 | |
CN111833237B (zh) | 基于卷积神经网络和局部单应性变换的图像配准方法 | |
CN109919030A (zh) | 黑眼圈类型识别方法、装置、计算机设备和存储介质 | |
CN111445410A (zh) | 基于纹理图像的纹理增强方法、装置、设备和存储介质 | |
CN108463823A (zh) | 一种用户头发模型的重建方法、装置及终端 | |
CN110493527A (zh) | 主体对焦方法、装置、电子设备和存储介质 | |
CN110363086A (zh) | 图数据识别方法、装置、计算机设备和存储介质 | |
CN107680053A (zh) | 一种基于深度学习分类的模糊核优化迭代初始值估计方法 | |
CN109472269A (zh) | 图像特征配置及校验方法、装置、计算机设备及介质 | |
CN109871845A (zh) | 证件图像提取方法及终端设备 | |
CN110232326A (zh) | 一种三维物体识别方法、装置及存储介质 | |
US20230306685A1 (en) | Image processing method, model training method, related apparatuses, and program product |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |
|
RJ01 | Rejection of invention patent application after publication |