CN110472605B - 一种基于深度学习人脸分区的皮肤问题分类方法 - Google Patents
一种基于深度学习人脸分区的皮肤问题分类方法 Download PDFInfo
- Publication number
- CN110472605B CN110472605B CN201910772081.XA CN201910772081A CN110472605B CN 110472605 B CN110472605 B CN 110472605B CN 201910772081 A CN201910772081 A CN 201910772081A CN 110472605 B CN110472605 B CN 110472605B
- Authority
- CN
- China
- Prior art keywords
- face
- area
- partition
- region
- classification
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于深度学习人脸分区的皮肤问题分类方法,所述方法包括:采集多张人脸图像,按照额头区AH、左眶区AEL、右眶区AER、鼻梁区AN、左脸颊区ACL、右脸颊区ACR、下巴区AJ等7个分区标注人脸,形成人脸分区标注数据集;在人脸分区标注数据集上训练深度学习实例分割模型,使分区分类交叉熵LCrossEntropy、分区外框定位准确函数LDetect、分区像素分类准确率LMask三个偏差函数具有最小值;使用训练完成的实例分割模型分割人脸区域,并确认各分区中存在皮肤问题;根据区域先验知识分类皮肤问题,给出对应的方案。该方法实现了用于人脸分区的皮肤问题分类,适用性好,在保证实时性的前提下,提供了智能皮肤问题分区分类及方案。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于深度学习人脸分区的皮肤问题分类的图像处理方法。
背景技术
随着美容美肤行业的不断发展,人们对健康美的追求逐渐提升,人脸皮肤各区域的皮肤问题对应着不同的健康问题,所以如何针对不同人脸分区来提供皮肤问题分类成为一些关键的技术。目前国内的人脸皮肤分区分类技术并不成熟,主要依靠医师的主观评判,分区没有统一标准,不能很好地准确定位人脸分区位置。鉴于上述困扰,十分有必要设计一种人脸分区的皮肤问题分类方法。
现有的专利并未涉及关于具体人脸分区及皮肤分区分类的方法,如CN101162500A提出了分区式人脸识别方法,但涉及领域为人脸识别,且并未详细描述分区标准;如CN107239671A提出了一种皮肤状态的管理方法、装置和系统,涉及的皮肤管理标准分区则为皮肤检测数值对的取值区间而非人脸分区。
1)、“分区式人脸识别方法”,专利号CN101162500A。该发明公开了一种分区式人脸识别方法,首先预建包含一个或多个人脸各区域特征数据的人脸特征数据库,然后对待识别的人脸进行分区,并提取经分区后的人脸各区域的特征数据,再设定需进行比对的区域,接着根据所设定的需要进行比对的区域将相应的区域特征数据与所述人脸特征数据库内的对应数据进行比对并计算出待识别的人脸与所述人脸特征数据库的人脸的相似度,以识别人脸。该方法提及了一种人脸分区方法,但主要用于人脸识别,且并未详细描述分区标准。
2)、“一种皮肤状态的管理方法、装置和系统”,专利号CN107239671A。该发明提供一种皮肤状态的管理方法、装置和系统,该方法包括:获取用户的皮肤管理项的检测值,然后从预先配置的数据库中,获取皮肤管理项的检测值所属的皮肤管理项的标准分区对应的皮肤改善方案,其中在数据库中皮肤管理项的取值区间划分为多个标准分区,最后输出皮肤改善方案。该方法通过检测皮肤表面含水量、脂肪含量、蛋白质含量及抗氧化数值提供皮肤管理选项,所述标准分区为所述皮肤检测数值的取值区间而非人脸分区。
发明内容
为解决上述技术问题,本发明的目的是提供一种基于深度学习人脸分区的皮肤问题分类方法,以提供了智能皮肤问题分区分类及方案,提高人脸皮肤问题分类的效率和适用性。
本发明的目的通过以下的技术方案来实现:
一种基于深度学习人脸分区的皮肤问题分类方法,包括:
人脸分区及标注、训练深度学习实例分割模型、分割人脸区域、根据区域先验知识分类皮肤问题;具体方法如下:
A采集多张人脸图像,按照额头区AH、左眶区AEL、右眶区AER、鼻梁区AN、左脸颊区ACL、右脸颊区ACR与下巴区AJ7个分区标注人脸,形成人脸分区标注数据集;
B在人脸分区标注数据集上训练深度学习实例分割模型,使分区分类交叉熵LCrossEntropy、分区外框定位准确函数LDetect、分区像素分类准确率LMask三个偏差函数具有最小值;
C使用训练完成的实例分割模型分割人脸区域,并确认各分区中存在皮肤问题;
D根据区域先验知识分类皮肤问题,给出对应的方案。
与现有技术相比,本发明的一个或多个实施例可以具有如下优点:该方法实现了用于人脸分区的皮肤问题分类,适用性好,在保证实时性的前提下,提供了智能皮肤问题分区分类及方案。
附图说明
图1是基于深度学习人脸分区的皮肤问题分类方法工作流程图;
图2是人脸分区示意图;
图3是人脸皮肤问题分类示意图;
图4是基于深度学习人脸分区的皮肤问题分类方法程序框架。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合实施例及附图对本发明作进一步详细的描述。
如图1所示,为基于深度学习人脸分区的皮肤问题分类方法工作流程,包括如下步骤:
步骤10采集多张人脸图像,按照额头区AH、左眶区AEL、右眶区AER、鼻梁区AN、左脸颊区ACL、右脸颊区ACR、下巴区AJ7个分区标注人脸,形成人脸分区标注数据集;
步骤20在人脸分区标注数据集上训练深度学习实例分割模型,使分区分类交叉熵LCrossEntropy、分区外框定位准确函数LDetect、分区像素分类准确率LMask三个偏差函数具有最小值;
步骤30使用训练完成的实例分割模型分割人脸区域,并确认各分区中存在皮肤问题;
步骤40根据区域先验知识分类皮肤问题,给出对应的方案。
如图2所示为人脸分区示意图,各分区包括:额头区AH、左眶区AEL、右眶区AER、鼻梁区AN、左脸颊区ACL、右脸颊区ACR、下巴区AJ
额头区AH与左眶区AEL分界线lHCL为左侧眉毛外点PeyebrowOL延长线,其中lHCL与人脸中轴线Lface垂直,并以左侧眉毛外点PeyebrowOL为起点,有:
lHCL⊥Lface,PeyebrowOL∈lHCL
额头区AH与右眶区AER分界线lHCR为右侧眉毛外点PeyebrowOR沿延长线,其中lHCR与人脸中轴线Lface垂直,并以右侧眉毛外点PeyebrowOR为起点。有:
lHCR⊥Lface,PeyebrowOR∈lHCR
额头区AH与左眶区AEL分界线lHEL为左侧眉毛上边缘LeyebrowL;
额头区AH与右眶区AER分界线lHER为左侧眉毛上边缘LeyebrowR;
左眶区AEL与左脸颊区ACL分界线lHAL为左侧眼角外点PcanthusL延长线,其中lHAL与人脸中轴线Lface垂直,并以左侧眉毛外点PcanthusL为起点,有:
lHAL⊥Lface,PcanthusL∈lHAL
右眶区AER与右脸颊区ACR分界线lHAR为右侧眼角外点PcanthusR延长线,其中lHAR与人脸中轴线Lface垂直,并以右侧眉毛外点PcanthusR为起点。有:
lHAR⊥Lface,PcanthusR∈lHAR
下巴区AJ与左脸颊区ACL分界线lCJL为嘴左侧点PmouthL延长线,其中lCJL与人脸中轴线Lface垂直,并以嘴左侧点PmouthL为起点,有:
lCJL⊥Lface,PmouthL∈lCJL
下巴区AJ与右脸颊区ACR分界线lCJR为嘴右侧点PmouthR延长线,其中lCJR与人脸中轴线Lface垂直,并以嘴右侧点PmouthR为起点,有:
lCJR⊥Lface,PmouthR∈lCJR
如图3所示为人脸皮肤问题分类示意图,经过识别皮肤问题所在的区域,根据区域先验知识分类皮肤问题,给出对应的皮肤问题分析结果及方案。
如图4基于深度学习人脸分区的皮肤问题分类方法程序框架所示,上述步骤10具体包括:
采集多张人脸图像,并按照额头区AH、左眶区AEL、右眶区AER、鼻梁区AN、左脸颊区ACL、右脸颊区ACR、下巴区AJ等7个分区标注人脸,标注完成后,通过程序将标注结果转化为二值图像,形成人脸分区标注数据集。
如图4基于深度学习人脸分区的皮肤问题分类方法程序框架所示,上述步骤20具体包括:
将标注的数据集输入,通过区域生成网络逐层处理,生成目标区域的候选框,将生成的目标框分类筛选,处理检测目标,并迭代训练深度学习实例分割模型,使分区分类交叉熵LCrossEntropy、分区外框定位准确函数LDetect、分区像素分类准确率LMask三个偏差函数具有最小值,生成训练好的网络模型。
所述分区分类交叉熵LCls、分区外框定位准确函数LDetect、分区像素分类准确率LMask三个偏差函数分别为:
设标注后图像区域的响应概率类别u,各类别预测的框格tu、各类别实际范围v,各类别的区域编码km×n。多任务损失函数L、及分区分类交叉熵LCls、分区外框定位准确函数LDetect、分区像素分类准确率LMask可以由方程组计算得到:
如图4基于深度学习人脸分区的皮肤问题分类方法程序框架所示,上述步骤30具体包括:
调用训练好的网络模型,输入人脸图像,调用训练好的网络模型,处理、生成并分类概率图像,分割人脸区域得到额头区AH、左眶区AEL、右眶区AER、鼻梁区AN、左脸颊区ACL、右脸颊区ACR、下巴区AJ等7个分区,并记为{Aface_1,Aface_2,Aface_3,Aface_4,Aface_5,Aface_6,Aface_7};对于检测到的Na个痤疮问题区域记为{Aacne_1,Aacne_2,Aacne_3...Aacne_Na}Ns、个色斑问题区域记为{Astain_1,Astain_2,Astain_3...,Astain_Ns}。
通过判断交集迭代计算得到这些皮肤问题处于人脸分区中。
如图4基于深度学习人脸分区的皮肤问题分类方法程序框架所示,上述步骤40具体包括:
识别出区域皮肤问题后,通过调用皮肤问题知识库,根据区域先验知识分类皮肤问题,并根据不同分区的皮肤问题提供对应的方案,具体如表1皮肤问题所在区域原因分类及方案推荐表所示:
表1
虽然本发明所揭露的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (6)
1.一种基于深度学习人脸分区的皮肤问题分类方法,其特征在于,所述方法包括:人脸分区及标注、训练深度学习实例分割模型、分割人脸区域、根据区域先验知识分类皮肤问题;具体方法如下:
A采集多张人脸图像,按照额头区AH、左眶区AEL、右眶区AER、鼻梁区AN、左脸颊区ACL、右脸颊区ACR与下巴区AJ7个分区标注人脸,形成人脸分区标注数据集;
B在人脸分区标注数据集上训练深度学习实例分割模型,使分区分类交叉熵LCrossEntropy、分区外框定位准确函数LDetect、分区像素分类准确率LMask三个偏差函数具有最小值;
C使用训练完成的实例分割模型分割人脸区域,并确认各分区中存在皮肤问题;
D根据区域先验知识分类皮肤问题,给出对应的分类方案;
所述B中分区分类交叉熵LCls、分区外框定位准确函数LDetect、分区像素分类准确率LMask三个偏差函数分别为:
设标注后图像区域的响应概率类别u,各类别预测的框格tu、各类别实际范围v,各类别的区域编码km×n,多任务损失函数L、及分区分类交叉熵LCls、分区外框定位准确函数LDetect、分区像素分类准确率LMask可以由方程组计算得到:
2.如权利要求1所述的基于深度学习人脸分区的皮肤问题分类方法,其特征在于,所述步骤A中额头区与左眶区分界线lHCL、额头区与右眶区分界线lHCR分别为:
额头区与左眶区分界线lHCL为左侧眉毛外点PeyebrowOL延长线,其中lHCL与人脸中轴线Lface垂直,并以左侧眉毛外点PeyebrowOL为起点,有:
lHCL⊥Lface,PeyebrowOL∈lHCL
额头区与右眶区分界线lHCR为右侧眉毛外点PeyebrowOR沿延长线,其中lHCR与人脸中轴线Lface垂直,并以右侧眉毛外点PeyebrowOR为起点,有:
lHCR⊥Lface,PeyebrowOR∈lHCR。
3.如权利要求1所述的基于深度学习人脸分区的皮肤问题分类方法,其特征在于,所述步骤A中额头区与左眶区分界线lHEL、额头区与右眶区分界线lHER分别为:
额头区与左眶区分界线lHEL为左侧眉毛上边缘LeyebrowL;
额头区与右眶区分界线lHER为左侧眉毛上边缘LeyebrowR。
4.如权利要求1所述的基于深度学习人脸分区的皮肤问题分类方法,其特征在于,所述步骤A中左眶区与左脸颊区分界线lHAL、右眶区与右脸颊区分界线lHAR分别为:
左眶区与左脸颊区分界线lHAL为左侧眼角外点PcanthusL延长线,其中lHAL与人脸中轴线Lface垂直,并以左侧眉毛外点PcanthusL为起点,有:
lHAL⊥Lface,PcanthusL∈lHAL
右眶区与右脸颊区分界线lHAR为右侧眼角外点PcanthusR延长线,其中lHAR与人脸中轴线Lface垂直,并以右侧眉毛外点PcanthusR为起点,有:
lHAR⊥Lface,PcanthusR∈lHAR。
5.如权利要求1所述的基于深度学习人脸分区的皮肤问题分类方法,其特征在于,所述步骤A中下巴区与左脸颊区分界线lCJL、下巴区与右脸颊区lCJR分界线分别为:
下巴区与左脸颊区分界线lCJL为嘴左侧点PmouthL延长线,其中lCJL与人脸中轴线Lface垂直,并以嘴左侧点PmouthL为起点,有:
lCJL⊥Lface,PmouthL∈lCJL
下巴区与右脸颊区分界线lCJR为嘴右侧点PmouthR延长线,其中lCJR与人脸中轴线Lface垂直,并以嘴右侧点PmouthR为起点,有:
lCJR⊥Lface,PmouthR∈lCJR。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910772081.XA CN110472605B (zh) | 2019-08-21 | 2019-08-21 | 一种基于深度学习人脸分区的皮肤问题分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910772081.XA CN110472605B (zh) | 2019-08-21 | 2019-08-21 | 一种基于深度学习人脸分区的皮肤问题分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472605A CN110472605A (zh) | 2019-11-19 |
CN110472605B true CN110472605B (zh) | 2022-10-14 |
Family
ID=68513217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910772081.XA Active CN110472605B (zh) | 2019-08-21 | 2019-08-21 | 一种基于深度学习人脸分区的皮肤问题分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472605B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027474B (zh) * | 2019-12-09 | 2024-03-15 | Oppo广东移动通信有限公司 | 人脸区域获取方法、装置、终端设备和存储介质 |
CN111571611B (zh) * | 2020-05-26 | 2021-09-21 | 广州纳丽生物科技有限公司 | 一种基于面部及皮肤特征的面部作业机器人轨迹规划方法 |
CN111860169B (zh) * | 2020-06-18 | 2024-04-30 | 北京旷视科技有限公司 | 皮肤分析方法、装置、存储介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958444A (zh) * | 2017-12-28 | 2018-04-24 | 江西高创保安服务技术有限公司 | 一种基于深度学习的人脸超分辨率重建方法 |
CN108985181A (zh) * | 2018-06-22 | 2018-12-11 | 华中科技大学 | 一种基于检测分割的端对端人脸标注方法 |
CN109508620A (zh) * | 2018-08-01 | 2019-03-22 | 上海晨鱼网络科技有限公司 | 基于增强现实的化妆方法、系统、电子终端及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103606186B (zh) * | 2013-02-02 | 2016-03-30 | 浙江大学 | 一种图像与视频的虚拟发型建模方法 |
-
2019
- 2019-08-21 CN CN201910772081.XA patent/CN110472605B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958444A (zh) * | 2017-12-28 | 2018-04-24 | 江西高创保安服务技术有限公司 | 一种基于深度学习的人脸超分辨率重建方法 |
CN108985181A (zh) * | 2018-06-22 | 2018-12-11 | 华中科技大学 | 一种基于检测分割的端对端人脸标注方法 |
CN109508620A (zh) * | 2018-08-01 | 2019-03-22 | 上海晨鱼网络科技有限公司 | 基于增强现实的化妆方法、系统、电子终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110472605A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472605B (zh) | 一种基于深度学习人脸分区的皮肤问题分类方法 | |
WO2019238063A1 (zh) | 文本检测分析方法、装置及设备 | |
WO2018108129A1 (zh) | 用于识别物体类别的方法及装置、电子设备 | |
WO2018028230A1 (zh) | 一种基于深度学习的车牌字符分割方法、装置及存储介质 | |
US20210312166A1 (en) | System and method for face recognition based on dynamic updating of facial features | |
WO2022012110A1 (zh) | 胚胎光镜图像中细胞的识别方法及系统、设备及存储介质 | |
CN110163114A (zh) | 一种人脸角度及人脸模糊度分析方法、系统和计算机设备 | |
CN101493887B (zh) | 基于半监督学习和哈希索引的眉毛图像分割方法 | |
CN109919106B (zh) | 渐进式目标精细识别与描述方法 | |
JP7270013B2 (ja) | 情報処理方法、情報処理装置、電子機器及び記憶媒体 | |
CN110059697A (zh) | 一种基于深度学习的肺结节自动分割方法 | |
CN103488415B (zh) | 基于纸介质的手书文字和图形识别系统及识别方法 | |
CN104794714B (zh) | 基于ROC Graph的图像分割质量评价方法 | |
WO2021082168A1 (zh) | 一种场景图像中特定目标对象的匹配方法 | |
CN109740537B (zh) | 人群视频图像中行人图像属性的精确标注方法及系统 | |
CN112991269A (zh) | 一种肺部ct图像的识别分类方法 | |
CN110826408B (zh) | 一种分区域特征提取人脸识别方法 | |
US11817215B2 (en) | Artificial intelligence cloud diagnosis platform | |
Mayer et al. | Adjusted pixel features for robust facial component classification | |
CN110097603B (zh) | 一种时尚图像主色调解析方法 | |
CN103500323A (zh) | 基于自适应灰度图像滤波的模板匹配方法 | |
CN112686872B (zh) | 基于深度学习的木材计数方法 | |
CN108416304B (zh) | 一种利用上下文信息的三分类人脸检测方法 | |
WO2020232697A1 (zh) | 一种在线人脸聚类的方法及系统 | |
CN113780040A (zh) | 唇部关键点的定位方法及装置、存储介质、电子设备 |
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 |