CN109948551A - 一种皮肤黑头检测的有序分类方法 - Google Patents
一种皮肤黑头检测的有序分类方法 Download PDFInfo
- Publication number
- CN109948551A CN109948551A CN201910213611.7A CN201910213611A CN109948551A CN 109948551 A CN109948551 A CN 109948551A CN 201910213611 A CN201910213611 A CN 201910213611A CN 109948551 A CN109948551 A CN 109948551A
- Authority
- CN
- China
- Prior art keywords
- picture
- blackhead
- skin
- ordered categorization
- characteristic 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.)
- Withdrawn
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种皮肤黑头检测的有序分类方法,涉及人工智能领域。本发明包括如下步骤:使用高分辨率相机拍摄待检测脸部正面图像;使用人脸识别技术提取人脸特征点;计算人脸特征点中两眼的间距,对图片进行缩放使两眼间距为512个像素点;提取人脸特征点图片中鼻子、左右脸和额头区域的图片;使用设计的卷积神经网络配合固定阈值有序分类模型判断各区域图片中黑头的严重程度;合成简要的文本报告提供给被检测者。本发明通过固定阈值有序分类模型,将有序多分类问题转换成回归问题,使用全卷积神经网络,处理任意大小的待检测图片,并提供文本报告给被检测者,方便人工智能对黑头级别进行预测,提高了黑头严重程度辨别效率、降低了辨别成本。
Description
技术领域
本发明属于人工智能领域,特别是涉及一种皮肤黑头检测的有序分类方法。
背景技术
黑头又称黑头粉刺,为开放性粉刺(堵塞毛孔的皮脂的表层直接暴露在外面,与空气、空气中的尘埃接触),是皮肤油脂在空气中的氧化而造成,发臭发黑。黑头粉刺常见于青春发育期的青少年,好发于面部、前胸和后背,尤其是鼻子的小黑头最多,其特征为明显扩大的毛孔中的黑点,挤出后形如小虫,顶端发黑。
为了治疗皮肤黑头,首先需要判断皮肤上黑头的严重程度,传统的方法一般是交由专业人员进行判断。因为受黑头困扰的人数量较多,完全依赖专业人员进行判断的成本较高,所以引入人工智能技术进行初步筛选可以有效降低专业人员的工作量。
为了判断皮肤上黑头的严重程度,我们并不需要精确的计算皮肤上黑头的数量或密度,而只需要估计皮肤上黑头的严重程度:没有黑头,有少量黑头,有大量黑头。对黑头严重程度的估计属于有序分类问题,通过设计用于皮肤黑头检测的有序分类方法,可以实现对皮肤上黑头的严重程度的智能估计。
发明内容
本发明的目的在于提供一种皮肤黑头检测的有序分类方法,通过固定阈值有序分类模型,将有序多分类问题转换成回归问题,使用全卷积神经网络,处理任意大小的待检测图片,并提供文本报告给被检测者,最终实现智能化的皮肤黑头检测方法,解决了现有黑头严重程度需要人工判断、判断成本较高的问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为一种皮肤黑头检测的有序分类方法,包括如下步骤:
步骤S1:根据原始样本序信息和类关系,输入指定的分类阈值,对样本类别进行有序数值编码;
步骤S2:将有序分类问题转化为回归问题,使用L1损失函数训练卷积神经网络;
步骤S3:对测试集进行预测,根据人指定的分类阈值将预测得到的回归值识别为有序类别,实现原始样本类别的判定。
优选地,所述步骤S2中,训练完成的卷积神经网络通过如下步骤实现对图片中黑头的检测方法:
步骤P1:使用高分辨率相机拍摄待检测脸部正面图像;
步骤P2:使用人脸识别技术提取人脸特征点;
步骤P3:计算人脸特征点中两眼的间距,对图片进行缩放使两眼间距为512个像素点;
步骤P4:提取人脸特征点图片中鼻子、左右脸和额头区域的图片;
步骤P5:使用设计的卷积神经网络配合固定阈值有序分类模型判断各区域图片中黑头的严重程度;
步骤P6:根据模型判断结果,合成简要的文本报告,提供给被检测者。
优选地,所述步骤P2中,若无法提取人脸特征点或提取出的人脸长宽比大于2.5,则认为图片采集异常,系统将自动过滤,并要求重新拍摄。
优选地,所述步骤P5中,输入卷积神经网络的图片大小小于指定值时,则对图片进行复制拼接,直至图片大小大于指定值;在卷积神经网络处理图片的过程中,先使用大的平均池化层判断图片中一个区域的黑头严重程度,再使用全局极大池化层获得整张图片的黑头严重程度。
优选地,所述步骤P6中,合成的简要报告中提供相对应的皮肤护理知识。
本发明具有以下有益效果:
本发明通过固定阈值有序分类模型,将有序多分类问题转换成回归问题,使用全卷积神经网络,处理任意大小的待检测图片,并提供文本报告给被检测者,最终实现智能化的皮肤黑头检测方法,方便人工智能对黑头级别进行预测,提高了黑头严重程度辨别效率、降低了辨别成本。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明的一种皮肤黑头检测的流程示意图;
图2为本发明的卷积神经网络分类器结构示意图。
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,所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1-2所示,本发明为一种皮肤黑头检测的有序分类方法,包括如下步骤:
步骤S1:根据原始样本序信息和类关系,输入指定的分类阈值,对样本类别进行有序数值编码,便于后续处理,使用正整数编码是一种最常用的编码方式;
步骤S2:将有序分类问题转化为回归问题,使用L1损失函数训练卷积神经网络用以处理有序分类问题;
步骤S3:对测试集进行预测,根据人指定的分类阈值将预测得到的回归值识别为有序类别,实现原始样本类别的判定。
优选地,所述步骤S2中,训练完成的卷积神经网络通过如下步骤实现对图片中黑头的检测方法:
步骤P1:使用高分辨率相机拍摄待检测脸部正面图像,高分辨率提升了预测的正确率,而要求拍摄面部正面便于后续提取人脸特征点;
采集人脸正面图像时要求隔绝强烈的光照干扰,以提高识别准确率。要求采集高分辨率的图像,以提高识别准确率。在采集时要求使用闪光灯,以使得获取的图像细节可辨认,且光照均匀无阴影。要求被拍摄者闭眼,以提升被拍摄者的体验,降低面对闪光灯时的不适感;
步骤P2:使用人脸识别技术提取人脸特征点,便于后续提取特定位置的脸部皮肤图像,在提取特征点时也根据脸部长宽比过滤未按要求拍摄的图像;
步骤P3:计算人脸特征点中两眼的间距,对图片进行缩放使两眼间距为512个像素点,这样可以统一图片的比例,提升黑头识别的正确率;
步骤P4:提取人脸特征点图片中鼻子、左右脸和额头区域的图片,这些区域是黑头的高发区域;
步骤P5:使用设计的卷积神经网络配合固定阈值有序分类模型判断各区域图片中黑头的严重程度;
步骤P6:根据模型判断结果,合成简要的文本报告,提供给被检测者。
优选地,所述步骤P2中,若无法提取人脸特征点或提取出的人脸长宽比大于2.5,则认为图片采集异常,系统将自动过滤,并要求重新拍摄。
优选地,所述步骤P5中,输入卷积神经网络的图片大小小于指定值时,则对图片进行复制拼接,直至图片大小大于指定值;在卷积神经网络处理图片的过程中,先使用大的平均池化层判断图片中一个区域的黑头严重程度,再使用全局极大池化层获得整张图片的黑头严重程度。
优选地,所述步骤P6中,合成的简要报告中提供相对应的皮肤护理知识,提升被检测者的使用体验,具体合成方法为:
若用户脸上未检出黑头,则告知用户“您的皮肤很健康。”;
若用户脸上有区域检出黑头,则会告知用户相应区域的检测结果,并提供护理小知识,例如“您的鼻子上有少量黑头。清淡饮食有助于您减少黑头。”。
本实施例的一个具体应用为:
本发明中本发明实施例有序分类方法属于一种基于固定阈值模型的新方法;固定阈值,即对于原始的有序分类问题,先按序关系将有序类别进行数值编码,常用的编码值为1,2,…,有序类的数量,然后取相邻有序类别编码值的中点为阈值。然后将有序分类问题转换为回归问题,每个类的回归值为前述的编码。为了在平均绝对误差指标MAE下获得最优的模型,通常使用L1损失函数训练模型,也可以根据评价指标的不同,选择多样的损失函数。当模型训练完成后,根据模型给出的回归值预测,判断回归值落在哪段阈值范围中,将样本分类为该段阈值范围对应的类。例如预测的回归值为1.4,使用的编码值为1,2,3,则阈值为1.5,2.5,此时应当分类为第1类;又如预测的回归值为3.9,则此时应当分类为第3类。
本发明实施例有序多分类方法,对类标签编码设计方式做了概述性总结:一个m类有序分类问题,可以将这m个有序类别依次编码为c1,c2,c3,...,cm,并满足c1<c2<...<cm;已经证明,可以任意选择满足上述条件的c1,c2,c3,...,cm而不会影响模型的性能;为了确保模型性能不下降,需要对传统的网络结构做微小的调整。调整方法为在网络结构的末端添加一个输入维度为1,输出维度为1,中间层有m个ReLU激活函数单元的浅层神经网络。在添加该浅层神经网络后,即可确保任意选择编码数值而不会降低模型性能,整体流程在图2中可见。
该有序分类方法已经在Python软件上成功验证,并在同种环境下与OR-CNN,DEX,Mean-variance CNN等被认可的有序分类方法进行比较,该方法相比已有方法的分类效果有显著提升,如下表所示:
(a)在AdienceFaces数据集上的实验结果
(b)在Image Aesthetics数据集上的实验结果
(c)在Historical Color数据集上的实验结果
表1固定阈值的有序多分类方法实验结果对比表
表1为各对比不同数据集上的MAE评价指标和准确率等指标;其中,(a)为在人脸年龄有序分类数据集AdienceFaces上的实验结果;(b)为在图像美学有序分类数据集ImageAesthetics上的实验结果;(c)为在图像年代有序分类数据集Historical Color上的实验结果;本发明中实施例提供的基于成对比较的有序分类方法在MAE有序度量指标上都有较好的表现,综合上述实验结果进行比较,本发明中实施例提供的有序分类方法在实验的各个数据集上均优于其他算法。
本发明通过如下步骤实现皮肤黑头检测的有序分类方法:
步骤1、使用高分辨率相机拍摄待检测脸部正面图像,高分辨率提升了预测的正确率,而要求拍摄脸部正面便于后续提取人脸特征点;
步骤2、使用人脸识别技术提取人脸特征点,便于后续提取特定位置的脸部皮肤图像,在提取特征点时也根据脸部长宽比过滤未按要求拍摄的图像;
步骤3、利用步骤2中提取的人脸特征点,计算图片中两眼间距,然后放缩图片使得两眼间距为512个像素点,这样可以统一图片的比例,提升黑头识别的正确率;
步骤4、利用步骤2中提取的人脸特征点,提取图片中鼻子,左右脸和额头区域的图片,这些区域是黑头的高发区域;
步骤5、使用特别设计的卷积神经网络配合固定阈值有序分类模型判断步骤4中提取出的图片中的黑头严重程度;
步骤6、根据步骤5中模型的判断结果,合成简要的文本报告,提供给被检测者;
根据步骤得到的本发明皮肤黑头检测方法如下表2:
件本数重 | 预测没有黑头 | 预测有少量黑头 | 预测有严重黑头 | 召回率 |
实际没有黑头 | 4986 | 534 | 0 | 90.33% |
实际有少量黑头 | 269 | 1986 | 45 | 86.35% |
实际有严重黑头 | 1 | 309 | 530 | 63.10% |
准确率 | 94.86% | 70.20% | 92.17% | 86.63% |
表2皮肤黑头检测方法的实验结果表。
值得注意的是,上述系统实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例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,相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (5)
1.一种皮肤黑头检测的有序分类方法,其特征在于,包括如下步骤:
步骤S1:根据原始样本序信息和类关系,输入指定的分类阈值,对样本类别进行有序数值编码;
步骤S2:将有序分类问题转化为回归问题,使用L1损失函数训练卷积神经网络;
步骤S3:对测试集进行预测,根据人指定的分类阈值将预测得到的回归值识别为有序类别,实现原始样本类别的判定。
2.根据权利要求1所述的一种皮肤黑头检测的有序分类方法,其特征在于,所述步骤S2中,训练完成的卷积神经网络通过如下步骤实现对图片中黑头的检测方法:
步骤P1:使用高分辨率相机拍摄待检测脸部正面图像;
步骤P2:使用人脸识别技术提取人脸特征点;
步骤P3:计算人脸特征点中两眼的间距,对图片进行缩放使两眼间距为512个像素点;
步骤P4:提取人脸特征点图片中鼻子、左右脸和额头区域的图片;
步骤P5:使用设计的卷积神经网络配合固定阈值有序分类模型判断各区域图片中黑头的严重程度;
步骤P6:根据模型判断结果,合成简要的文本报告,提供给被检测者。
3.根据权利要求2所述的一种皮肤黑头检测的有序分类方法,其特征在于,所述步骤P2中,若无法提取人脸特征点或提取出的人脸长宽比大于2.5,则认为图片采集异常,系统将自动过滤,并要求重新拍摄。
4.根据权利要求2所述的一种皮肤黑头检测的有序分类方法,其特征在于,所述步骤P5中,输入卷积神经网络的图片大小小于指定值时,则对图片进行复制拼接,直至图片大小大于指定值;在卷积神经网络处理图片的过程中,先使用大的平均池化层判断图片中一个区域的黑头严重程度,再使用全局极大池化层获得整张图片的黑头严重程度。
5.根据权利要求2所述的一种皮肤黑头检测的有序分类方法,其特征在于,所述步骤P6中,合成的简要报告中提供相对应的皮肤护理知识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910213611.7A CN109948551A (zh) | 2019-03-20 | 2019-03-20 | 一种皮肤黑头检测的有序分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910213611.7A CN109948551A (zh) | 2019-03-20 | 2019-03-20 | 一种皮肤黑头检测的有序分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109948551A true CN109948551A (zh) | 2019-06-28 |
Family
ID=67010380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910213611.7A Withdrawn CN109948551A (zh) | 2019-03-20 | 2019-03-20 | 一种皮肤黑头检测的有序分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948551A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570479A (zh) * | 2019-09-03 | 2019-12-13 | 云南白药集团健康产品有限公司 | 一种图像处理方法、装置及系统 |
CN110796115A (zh) * | 2019-11-08 | 2020-02-14 | 厦门美图之家科技有限公司 | 图像检测方法、装置、电子设备及可读存储介质 |
-
2019
- 2019-03-20 CN CN201910213611.7A patent/CN109948551A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570479A (zh) * | 2019-09-03 | 2019-12-13 | 云南白药集团健康产品有限公司 | 一种图像处理方法、装置及系统 |
CN110570479B (zh) * | 2019-09-03 | 2022-03-18 | 云南白药集团健康产品有限公司 | 一种图像处理方法、装置及系统 |
CN110796115A (zh) * | 2019-11-08 | 2020-02-14 | 厦门美图之家科技有限公司 | 图像检测方法、装置、电子设备及可读存储介质 |
CN110796115B (zh) * | 2019-11-08 | 2022-12-23 | 厦门美图宜肤科技有限公司 | 图像检测方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Afifi | 11K Hands: Gender recognition and biometric identification using a large dataset of hand images | |
CN111860533B (zh) | 图像的识别方法及装置、存储介质和电子装置 | |
Ramlakhan et al. | A mobile automated skin lesion classification system | |
CN107665324B (zh) | 一种图像识别方法及终端 | |
KR101870689B1 (ko) | 영상 기반의 두피 진단 정보 제공 방법 | |
Herodotou et al. | Automatic location and tracking of the facial region in color video sequences | |
NO329897B1 (no) | Fremgangsmate for raskere ansiktsdeteksjon | |
CN106778517A (zh) | 一种监控视频序列图像车辆再识别的方法 | |
Zhao et al. | Image super-resolution via adaptive sparse representation | |
Johnson et al. | Sparse codes as alpha matte | |
CN112308156B (zh) | 一种基于对抗学习的两阶段图像变化检测方法 | |
CN101996308A (zh) | 人脸认证方法及系统、人脸模型训练方法及系统 | |
CN104574285A (zh) | 一种自动祛除图像黑圆圈的方法 | |
CN105956570B (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
CN111476319B (zh) | 商品推荐方法、装置、存储介质和计算设备 | |
CN109948551A (zh) | 一种皮肤黑头检测的有序分类方法 | |
CN112396587A (zh) | 一种基于协同训练和密度图的公交车厢内拥挤度检测方法 | |
CN100409248C (zh) | 用于检测彩色图像中的脸部的方法和设备 | |
CN110381392A (zh) | 一种视频摘要提取方法及其系统、装置、存储介质 | |
Linda et al. | Color-mapped contour gait image for cross-view gait recognition using deep convolutional neural network | |
CN115082776A (zh) | 一种基于图像识别的电能表自动检测系统及方法 | |
WO2022156214A1 (zh) | 一种活体检测方法及装置 | |
KR101174103B1 (ko) | 근골격 구조에 기초한 수학적 패턴 분석의 얼굴인식 방법 | |
CN113450369A (zh) | 一种基于人脸识别技术的课堂分析系统及方法 | |
Conci et al. | Comparing Color and Texture-Based Algorithms for Human Skin Detection. |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190628 |