CN110874572B - 一种信息检测方法及装置、存储介质 - Google Patents

一种信息检测方法及装置、存储介质 Download PDF

Info

Publication number
CN110874572B
CN110874572B CN201911036503.3A CN201911036503A CN110874572B CN 110874572 B CN110874572 B CN 110874572B CN 201911036503 A CN201911036503 A CN 201911036503A CN 110874572 B CN110874572 B CN 110874572B
Authority
CN
China
Prior art keywords
image
information
skin
visible light
detection model
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
Application number
CN201911036503.3A
Other languages
English (en)
Other versions
CN110874572A (zh
Inventor
龚顺强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jingdong Technology Information Technology Co Ltd
Original Assignee
Beijing Haiyi Tongzhan Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Haiyi Tongzhan Information Technology Co Ltd filed Critical Beijing Haiyi Tongzhan Information Technology Co Ltd
Priority to CN201911036503.3A priority Critical patent/CN110874572B/zh
Publication of CN110874572A publication Critical patent/CN110874572A/zh
Application granted granted Critical
Publication of CN110874572B publication Critical patent/CN110874572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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

Abstract

本发明实施例公开了一种信息检测方法及装置、存储介质，该方法包括：采集目标对象的初始深度图像和可见光图像；对初始深度图像进行背景去除处理，得到目标深度图像；对可见光图像进行对象标记，得到对象定位图像；对可见光图像进行面部识别，得到面部图像；利用预设检测模型，对目标深度图像、对象定位图像和面部图像进行检测，得到目标对象的综合体检信息；预设检测模型表征图像和各项体检信息的对应关系；综合体检信息表征对象体型信息、对象属性信息和对象肤质信息。

Description

一种信息检测方法及装置、存储介质
技术领域
本发明涉及人工智能领域，尤其涉及一种信息检测方法及装置、存储介质。
背景技术
目前，用户在检查自己的身体健康状况时，往往需要通过多项身体指标来判断身体健康状况，例如，身高、体重和肤质等，这就需要借助不同的仪器来分别测量各项身体指标，有的身体指标还需要人工检查，如此，各项身体指标的检查过于繁琐复杂，进而不能快速生成表示各项身体指标的综合体检信息。
发明内容
本发明的主要目的在于提出一种信息检测方法及装置、存储介质，能够提高综合体检信息的生成速度。
本发明的技术方案是这样实现的：
本发明实施例提供了一种信息检测方法，所述方法包括：
采集目标对象的初始深度图像和可见光图像；
对所述初始深度图像进行背景去除处理，得到目标深度图像；
对所述可见光图像进行对象标记，得到对象定位图像；
对所述可见光图像进行面部识别，得到面部图像；
利用预设检测模型，对所述目标深度图像、所述对象定位图像和所述面部图像进行检测，得到所述目标对象的综合体检信息；所述预设检测模型表征图像和各项体检信息的对应关系；所述综合体检信息表征对象体型信息、对象属性信息和对象肤质信息。
上述方案中，所述预设检测模型包括：体型检测模型、属性检测模型和肤质检测模型；所述利用预设检测模型，对所述目标深度图像、所述对象定位图像和所述面部图像进行检测，得到所述目标对象的综合体检信息，包括：
利用所述体型检测模型，对所述目标深度图像进行体型检测，得到所述目标对象的体型信息；
利用所述属性检测模型，对所述对象定位图像进行属性检测，得到所述目标对象的属性信息；
利用所述肤质检测模型，对所述面部图像进行肤质检测，得到所述目标对象的肤质信息；
将所述体型信息、所述属性信息和所述肤质信息，作为所述综合体检信息。
上述方案中，在所述将所述体型信息、所述属性信息和所述肤质信息，作为所述综合体检信息之后，所述方法还包括：
当接收到所述目标对象的查询指令时，对所述体型信息、所述属性信息和所述肤质信息进行分析，生成健康提示信息；所述健康提示信息为提高所述目标对象的身体素质的注意事项；
显示所述体型信息、所述属性信息、所述肤质信息和所述健康提示信息。
上述方案中，所述对所述可见光图像进行对象标记，得到对象定位图像，包括：
对所述可见光图像进行对象识别，得到所述目标对象的位置信息；
利用所述位置信息，对所述可见光图像进行位置标记，得到所述对象定位图像。
上述方案中，所述对所述可见光图像进行面部识别，得到面部图像，包括：
从所述可见光图像中，确定人脸关键点和所述人脸关键点对应的亮度值；所述人脸关键点为能够表征图像的像素亮度的点；
根据所述人脸关键点和所述亮度值，统计亮度值大于或等于预设亮度阈值的亮点个数；
当所述亮点个数大于或等于预设个数阈值时，利用预设肤色模型，对所述可见光图像进行肤色识别和分割，得到肤色分割图像；所述预设肤色模型为按肤色对图像进行划分的模型；
对所述肤色分割图像进行面部区域检测，得到所述面部图像。
上述方案中，在所述根据所述人脸关键点和所述亮度值，统计亮度值大于或等于预设亮度阈值的亮点个数之后，所述方法还包括：
当所述亮点个数小于所述预设个数阈值时，对所述可见光图像进行光线补偿，得到补偿后的图像；
对所述补偿后的图像进行色彩空间转换，得到单通道图像；
对所述单通道图像计算像素差值，得到肤色概率图；
对所述肤色概率图依次进行二值化和形态学处理，得到局部处理图像；
利用所述局部处理图像，对所述可见光图像进行肤色分割，得到肤色分割图像；
对所述肤色分割图像进行面部区域检测，得到所述面部图像。
上述方案中，在所述采集目标对象的初始深度图像和可见光图像之前，所述方法还包括：
获取图像信息集合；所述图像信息集合表征一一对应的图像和各项体检信息；
获取由至少一层卷积层组成的深度学习模型；
利用所述图像信息集合，对所述深度学习模型进行训练，得到所述预设检测模型。
上述方案中，所述利用所述图像信息集合，对所述深度学习模型进行训练，得到所述预设检测模型，包括：
对所述图像信息集合中的图像进行尺寸缩放和裁剪，得到裁剪后的图像信息集合；
利用所述裁剪后的图像信息集合，对所述深度学习模型进行训练，得到所述预设检测模型。
上述方案中，所述利用所述裁剪后的图像信息集合，对所述深度学习模型进行训练，得到所述预设检测模型，包括：
从所述裁剪后的图像信息中，获取样本可见光图像、样本肤质信息、样本属性信息、样本深度图像和样本体型信息；
利用所述样本可见光图像和所述样本属性信息，对所述深度学习模型进行训练，得到属性检测模型；
利用所述样本可见光图像和所述样本肤质信息，对所述深度学习模型进行训练，得到肤质检测模型；
利用所述样本深度图像和所述样本体型信息，对所述深度学习模型进行训练，得到体型检测模型；
将所述肤质检测模型、所述属性检测模型和所述体型检测模型，作为所述预设检测模型。
本发明实施例提供了一种信息检测装置，所述装置包括：
采集模块，用于采集目标对象的初始深度图像和可见光图像；
图像处理模块，用于对所述初始深度图像进行背景去除处理，得到目标深度图像；及对所述可见光图像进行对象标记，得到对象定位图像；以及对所述可见光图像进行面部识别，得到面部图像；
检测模块，用于利用预设检测模型，对所述目标深度图像、所述对象定位图像和所述面部图像进行检测，得到所述目标对象的综合体检信息；所述预设检测模型表征图像和各项体检信息的对应关系；所述综合体检信息表征对象体型信息、对象属性信息和对象肤质信息。
上述方案中，所述预设检测模型包括：体型检测模型、属性检测模型和肤质检测模型；所述检测模块，具体用于利用所述体型检测模型，对所述目标深度图像进行体型检测，得到所述目标对象的体型信息；及利用所述属性检测模型，对所述对象定位图像进行属性检测，得到所述目标对象的属性信息；及利用所述肤质检测模型，对所述面部图像进行肤质检测，得到所述目标对象的肤质信息；以及将所述体型信息、所述属性信息和所述肤质信息，作为所述综合体检信息。
上述方案中，所述装置还包括：
分析显示模块，用于在所述将所述体型信息、所述属性信息和所述肤质信息，作为所述综合体检信息之后，当接收到所述目标对象的查询指令时，对所述体型信息、所述属性信息和所述肤质信息进行分析，生成健康提示信息；所述健康提示信息为提高所述目标对象的身体素质的注意事项；以及显示所述体型信息、所述属性信息、所述肤质信息和所述健康提示信息。
上述方案中，所述图像处理模块，具体用于对所述可见光图像进行对象识别，得到所述目标对象的位置信息；以及利用所述位置信息，对所述可见光图像进行位置标记，得到所述对象定位图像。
上述方案中，所述图像处理模块，具体用于从所述可见光图像中，确定人脸关键点和所述人脸关键点对应的亮度值；所述人脸关键点为能够表征图像的像素亮度的点；及根据所述人脸关键点和所述亮度值，统计亮度值大于或等于预设亮度阈值的亮点个数；及当所述亮点个数大于或等于预设个数阈值时，利用预设肤色模型，对所述可见光图像进行肤色识别和分割，得到肤色分割图像；所述预设肤色模型为按肤色对图像进行划分的模型；以及对所述肤色分割图像进行面部区域检测，得到所述面部图像。
上述方案中，所述图像处理模块，具体用于在所述根据所述人脸关键点和所述亮度值，统计亮度值大于或等于预设亮度阈值的亮点个数之后，当所述亮点个数小于所述预设个数阈值时，对所述可见光图像进行光线补偿，得到补偿后的图像；及对所述补偿后的图像进行色彩空间转换，得到单通道图像；及对所述单通道图像计算像素差值，得到肤色概率图；及对所述肤色概率图依次进行二值化和形态学处理，得到局部处理图像；及利用所述局部处理图像，对所述可见光图像进行肤色分割，得到肤色分割图像；以及对所述肤色分割图像进行面部区域检测，得到所述面部图像。
上述方案中，所述装置还包括：
模型生成模块，用于在所述采集目标对象的初始深度图像和可见光图像之前，获取图像信息集合；所述图像信息集合表征一一对应的图像和各项体检信息；及获取由至少一层卷积层组成的深度学习模型；以及利用所述图像信息集合，对所述深度学习模型进行训练，得到所述预设检测模型。
上述方案中，所述模型生成模块，具体用于对所述图像信息集合中的图像进行尺寸缩放和裁剪，得到裁剪后的图像信息集合；以及利用所述裁剪后的图像信息集合，对所述深度学习模型进行训练，得到所述预设检测模型。
上述方案中，所述模型生成模块，具体用于从所述裁剪后的图像信息中，获取样本可见光图像、样本肤质信息、样本属性信息、样本深度图像和样本体型信息；及利用所述样本可见光图像和所述样本属性信息，对所述深度学习模型进行训练，得到属性检测模型；及利用所述样本可见光图像和所述样本肤质信息，对所述深度学习模型进行训练，得到肤质检测模型；及利用所述样本深度图像和所述样本体型信息，对所述深度学习模型进行训练，得到体型检测模型；以及将所述肤质检测模型、所述属性检测模型和所述体型检测模型，作为所述预设检测模型。
本发明实施例还提供了一种信息检测装置，所述装置包括：处理器、存储器和通信总线，所述存储器通过所述通信总线与所述处理器进行通信，所述存储器存储所述处理器可执行的一个或者多个信息检测程序，当所述一个或者多个信息检测程序被执行时，通过所述处理器执行上述任一项信息检测方法的步骤。
本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有信息检测程序，当所述信息检测程序被处理器执行时，实现所述处理器执行上述任一项信息检测方法的步骤。
本发明实施例提供一种信息检测方法及装置、存储介质，采用上述技术实现方案，采集目标对象的初始深度信息和可见光图像，并对初始深度信息和可见光图像进行不同的处理，得到目标深度图像、对象定位信息和面部图像，进而利用预设检测模型，对目标深度图像、对象定位图像和面部图像进行检测，得到目标对象的综合体检信息，由于目标深度图像、对象定位图像和面部图像表征了目标对象的不同方面的信息，进而利用预设检测模型检测出目标对象的对象体型信息、对象属性信息和对象肤质信息等多方面的信息，避免了目标对象对多方面的信息一一进行检测的过程，提高了综合体检信息的生成速度。
附图说明
图1为本发明实施例提供的一种信息检测方法的流程图一；
图2为本发明实施例提供的一种面部识别方法的流程图；
图3为本发明实施例提供的一种信息检测方法的流程图二；
图4为本发明实施例提供的一种信息检测方法的流程图三；
图5为本发明实施例提供的一种信息采集训练的示意图；
图6为本发明实施例提供的一种信息检测的示意图；
图7为本发明实施例提供的一种体检设备的使用示意图一；
图8为本发明实施例提供的一种体检设备的使用示意图二；
图9为本发明实施例提供的一种人脸检测界面的示意图；
图10为本发明实施例提供的一种检测报告界面的示意图；
图11为本发明实施例提供的一种信息检测装置的结构示意图一；
图12为本发明实施例提供的一种信息检测装置的结构示意图二。
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。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
实施例一
本发明实施例提供一种信息检测方法，如图1所示，该方法包括：
S101、采集目标对象的初始深度图像和可见光图像；
信息检测装置中的摄像头包括深度摄像头和彩色摄像头，彩色摄像头包括红绿蓝(RGB，Red Green Blue)摄像头；通过深度摄像头，采集目标对象的初始深度图像，并通过RGB摄像头，采集目标对象的可见光图像(RGB图像)；其中，目标对象包括人。
在一些实施例中，信息检测装置检测到目标对象到达指定位置时，或者检测到目标对象输入的体检检测指令时，开始采集初始深度图像和可见光图像。
示例性地，信息检测装置通过距离传感器，检测到目标对象到达指定位置时，连续采集多帧原始深度图像和多帧原始可见光图像，从多帧原始深度图像中选择清晰度高和姿态端正的一帧图像，作为初始深度图像，从多帧原始可见光图像中选择清晰度高和姿态端正的一帧图像，作为可见光图像；其中，指定位置为与摄像头所在位置的距离为预设距离阈值的位置。
示例性地，信息检测装置采集深度视频和可见光视频，并判断深度视频中每张原始深度图像是否符合预设标准，当符合预设标准时，将符合预设标准的一张原始深度图像作为初始深度图像；同理，从可见光视频中获取可见光图像；其中，预设标准表征图像的清晰度高和图像中人物的姿态端正。
在一些实施例中，深度摄像头包括双RGB摄像头，还可以包括照明系统，双RGB摄像头基于双目匹配的三角测量原理，采集到目标对象的深度信息，对深度信息进行恢复，得到原始深度图像；其中，三角测量原理是指同一个目标点在左右两幅视点图像中成像的横坐标之间存在差异，即视差(Disparity)，左右两幅视点图像为双RGB摄像头对同一目标对象拍摄得到的，视差与该目标点到成像平面的距离成反比例，视差和距离的关系如下式(1)所示：
Z＝ft/d (1)
其中，Z为深度信息，ft为目标点到成像平面的距离，d为视差；目标点为目标对象中的一点。
进一步地，双RGB摄像头基于图像处理技术，针对每个目标点，从左右两幅视点图像中各自确定出一个匹配点，利用立体匹配算法对左右两幅视点图像中的每两个对应的匹配点计算视差，得到视差图，再根据公式(1)和视差图，得到深度图或深度信息；其中，计算视差的过程包括：对两个匹配点进行匹配代价计算和匹配代价叠加，获取初始视差，再对初始视差进行细化，得到视差，例如，细化得到亚像素级的视差。
在一些实施例中，信息检测装置中的深度摄像头采集到原始深度图像，对原始深度图像进行加密后，得到原始加密图像，将原始加密图像传输至信息检测装置中的服务器，服务器对原始加密图像进行解密后，得到初始深度图像。
S102、对初始深度图像进行背景去除处理，得到目标深度图像；
信息检测装置得到的初始深度图像为包含杂乱背景的图像，对初始深度图像中的与目标对象(例如，人体)无关的背景信息进行去除，得到表征目标对象的目标深度图像。
在一些实施例中，信息检测装置对初始深度图像进行降噪处理，得到去噪深度图像，再对去噪深度图像进行背景去除处理，得到目标深度图像；其中，可以对初始深度图像进行多次降噪处理，本发明实施例不做限制。
需要说明的是，摄像头可以安装在一定高度上，如此，初始深度图像为从目标对象的俯视角度采集的图像。
在一些实施例中，信息检测装置对初始深度图像进行背景去除处理，得到中间深度图像；按照预设图像大小，对中间深度图像进行尺寸缩放和裁剪，得到目标深度图像；其中，预设图像大小为深度学习模型采用的标准图像尺寸，例如，227*227，并且，可视化数据库ImageNet等公开数据集中的图像大小也是预设图像大小。
示例性地，信息检测装置将中间深度图像缩放到，大小为256*256的深度图像；再对大小为256*256的深度图像进行随机裁剪，得到大小为227*227的深度图像，或者，在深度图像中心不变的前提下，对大小为256*256的深度图像的四个边进行裁剪，得到大小为227*227的深度图像。
S103、对可见光图像进行对象标记，得到对象定位图像；
信息检测装置对可见光图像中的目标对象进行打标，得到标记了目标对象位置的对象定位图像。
在一些实施例中，信息检测装置对可见光图像进行对象识别，得到目标对象的位置信息；利用位置信息，对可见光图像进行位置标记，得到对象定位图像。
信息检测装置对可见光图像中的目标对象进行识别，并在可见光图像中标记目标对象相关的人脸关键点，得到对象定位图像。
在一些实施例中，信息检测装置对可见光图像进行对象标记，得到中间对象定位图像；按照预设图像大小，对中间深度图像进行尺寸缩放和裁剪，得到对象定位图像。
需要说明的是，信息检测装置对中间深度图像进行尺寸缩放和裁剪的过程，与对中间深度图像进行尺寸缩放和裁剪的过程同理，这里不再赘述。
S104、对可见光图像进行面部识别，得到面部图像；
信息检测装置对可见光图像中的面部进行识别和筛选，得到面部图像；其中，面部包括人脸。
在一些实施例中，信息检测装置从可见光图像中，确定人脸关键点和人脸关键点对应的亮度值；人脸关键点为能够表征图像的像素亮度的点；根据所述人脸关键点和所述亮度值，统计亮度值大于或等于预设亮度阈值的亮点个数；当亮点个数大于或等于预设个数阈值时，利用预设肤色模型，对可见光图像进行肤色识别和分割，得到肤色分割图像；预设肤色模型为按肤色对图像进行划分的模型；对肤色分割图像进行面部区域检测，得到面部图像。
信息检测装置从可见光图像中确定人脸关键点，并计算人脸关键点的亮度值(RGB值)，比较人脸关键点中每个点的亮度值是否不小于预设亮度阈值，将人脸关键点中的亮度值不小于预设亮度阈值的点作为亮点，统计亮点的个数，即亮点个数；当亮点个数大于或等于预设个数阈值时，表征可见光图像不需要光照补偿，则利用预设肤色模型，对可见光图像进行肤色识别，得到肤色识别信息，肤色识别信息表征可见光图像中不同肤色对应的各个区域；根据肤色识别信息，对可见光图像进行分割，得到肤色分割图像；对肤色分割图像检测面部区域并标记，得到面部图像。
需要说明的是，肤色作为人脸的基本特征，作为人脸检测的依据是最简单直观的；并且在目标对象的RGB图像中，目标对象的肤色是图像中相对集中和稳定的区域，当然，对于不同种族、不同年龄或不同性别的人在肤色上存在亮度的差异，除去亮度这一因素，所有人的肤色在一定肤色空间内具有一定的聚类性，因此，基于肤色的聚类性，对肤色进行检测和分割，从而进一步检测到面部区域或人脸区域，完成面部识别或人脸检测。
具体地，信息检测装置在得到肤色分割图像后，通过连通区域分析肤色分割图像中的最小外接矩形，再判断最小外接矩形的高度和宽度是否都大于预设边长阈值，以及判断最小外接矩形的高度和宽度之间的比率是否在预设比率范围内；当高度和宽度都大于预设边长阈值、且高度和宽度之间的比率在预设比率范围内时，确定该最小外接矩形为面部区域。
示例性地，预设边长阈值为20，预设比率范围为0.6～2。
在一些实施例中，信息检测装置在根据所述人脸关键点和所述亮度值，统计亮度值大于或等于预设亮度阈值的亮点个数之后，当亮点个数小于预设个数阈值时，对可见光图像进行光线补偿，得到补偿后的图像；对补偿后的图像进行色彩空间转换，得到单通道图像；对单通道图像计算像素差值，得到肤色概率图；对肤色概率图依次进行二值化和形态学处理，得到局部处理图像；利用局部处理图像，对可见光图像进行肤色分割，得到肤色分割图像；对肤色分割图像进行面部区域检测，得到面部图像。
信息检测装置在亮点个数小于预设个数阈值时，表征可见光图像需要光照补偿；采用参考白的算法，对可见光图像进行光线补偿，生成补偿后的图像，针对补偿后的图像，构建肤色概率图；对肤色概率图进行二值化和形态学处理，得到局部处理图像，进而得到面部图像。
在一些实施例中，信息检测装置将补偿后的图像，从RGB颜色空间转换到YCbCr色彩空间，得到单通道图像；利用预设高斯模型计算单通道图像中每个像素属于皮肤的概率，构造肤色概率图；预设高斯模型表征图像和肤色概率图的对应关系；利用自适应阈值算法，对肤色概率图计算二值化阈值，利用二值化阈值对肤色概率图进行二值化分割，以区分面部区域和非面部区域，得到二值化图像；再利用形态学处理中的腐蚀操作和膨化操作，对二值化图像的像素点进行滤波去噪，得到消除物体边界后的、更加平滑的局部处理图像。
示例性地，二值化算法包括大津法(Otsu)。
进一步地，信息检测装置在YCbCr色彩空间构建预设高斯模型，包括：收集大量的面部图片样本，该面部图片样本是多样化的，由不同性别、不同年龄和不同种族的面部图像组成的；对面部图片样本剪切出面部肤色区域，得到统计样本；将统计样本转换到YCbCr色彩空间，再统计YCbCr色彩空间下的图像中所有像素的Cb数量和Cr数量；利用所有像素的Cb数量和Cr数量，计算所有像素属于皮肤的概率；对概率计算均值、方差和协方差，根据均值、方差和协方差，构建预设高斯模型。
示例性地，如图2所示的面部识别方法的流程图，面部识别方法包括：
S104-1、获取可见光图像；
S104-2、对可见光图像，计算参照点个数；
S104-3、判断参照点个数是否小于预设亮点个数；
S104-4、当参照点个数小于预设亮点个数时，利用预设肤色模型，对可见光图像进行肤色识别，得到肤色识别信息；
S104-5、根据肤色识别信息或局部处理图像，对可见光图像进行分割，得到肤色分割图像；
S104-6、对肤色分割图像进行面部区域检测，得到面部图像；
S104-7、当参照点个数不小于预设亮点个数时，采用参考白的算法，对可见光图像进行光线补偿，生成补偿后的图像；
S104-8、对补偿后的图像进行色彩空间转换，得到单通道图像；
S104-9、利用预设高斯模型，计算单通道图像中每个像素属于皮肤的概率，构造肤色概率图；预设高斯模型表征图像和肤色概率图的对应关系；
S104-10、利用自适应阈值算法，对肤色概率图计算二值化阈值，利用二值化阈值对肤色概率图进行二值化分割，得到二值化图像；
S104-11、对二值化图像进行形态学处理，得到局部处理图像。
在一些实施例中，信息检测装置对可见光图像进行面部识别，得到中间面部图像；按照预设图像大小，对中间面部图像进行尺寸缩放和裁剪，得到面部图像。
需要说明的是，信息检测装置对中间面部图像进行尺寸缩放和裁剪的过程，与对中间深度图像进行尺寸缩放和裁剪的过程同理，这里不再赘述。
S105、利用预设检测模型，对目标深度图像、对象定位图像和面部图像进行检测，得到目标对象的综合体检信息；预设检测模型表征图像和各项体检信息的对应关系；综合体检信息表征对象体型信息、对象属性信息和对象肤质信息。
信息检测装置向预设检测模型输入目标深度图像、对象定位图像和面部图像，得到表征对象体型信息、对象属性信息和对象肤质信息的综合体检信息；进而可以将综合体检信息进行存储，还可以直接向目标对象显示自身的综合体检信息。
在一些实施例中，对象体型信息为目标对象的体型信息，包括以下至少一项：身高、体重、胸围和臂围等；对象属性信息为目标对象的属性信息，包括以下至少一项：性别和年龄等；对象肤质信息为目标对象的肤质信息，包括以下至少一项：皮肤干燥、黑眼圈较深、皮肤暗沉和痘痘肌等。
在一些实施例中，预设检测模型包括：体型检测模型、属性检测模型和肤质检测模型；信息检测装置利用体型检测模型，对目标深度图像进行体型检测，得到目标对象的体型信息；利用属性检测模型，对对象定位图像进行属性检测，得到目标对象的属性信息；利用肤质检测模型，对面部图像进行肤质检测，得到目标对象的肤质信息；将体型信息、属性信息和肤质信息，作为综合体检信息。
信息检测装置依次将目标深度图像、对象定位图像和面部图像，作为预设检测模型的输入，依次得到体型信息、属性信息和肤质信息；由体型信息、属性信息和肤质信息，组成综合体检信息。
具体地，预设检测模型包括属性检测模型、肤质检测模型和体型检测模型；属性检测模型表征图像和属性信息的对应关系，肤质检测模型表征图像和肤质信息的对应关系，体型检测模型表征图像和体型信息的对应关系；信息检测装置利用体型检测模型，对目标深度图像进行体型检测，得到的体型信息；利用属性检测模型，对对象定位图像进行属性检测，得到属性信息；利用肤质检测模型，对面部图像进行肤质检测，得到肤质信息。
示例性地，属性信息包括性别和年龄，属性检测模型表征图像、性别和年龄的对应关系，属性检测模型输出的年龄分为8个年龄段、输出的性别分为男女两个，也就是说，属性检测模型对年龄检测属于8分类，对性别检测属于二分类。
在一些实施例中，信息检测装置在将体型信息、属性信息和肤质信息，作为综合体检信息之后，或者，在利用预设检测模型，对目标深度图像、对象定位图像和面部图像进行检测，得到目标对象的综合体检信息之后，当接收到目标对象的查询指令时，响应于查询指令，对体型信息、属性信息和肤质信息进行分析，生成健康提示信息；健康提示信息为提高目标对象的身体素质的注意事项；显示体型信息、属性信息、肤质信息和健康提示信息。
信息检测装置可以接收到目标对象发出的查询指令时，根据预设体检信息和提示信息的对应关系，对体型信息、属性信息和肤质信息进行分析，生成健康提示信息，并显示给目标用户。
在一些实施例中，预设体检信息和提示信息的对应关系包括：标准体型范围、非标准体型范围对应的减重提示信息、正常肤质特点信息、非正常肤质特点信息对应的保养提示信息。
示例性地，标准体型范围包括各个身高范围一一对应的标准体重范围；非正常肤质特点信息对应的保养提示信息包括：痘痘肌对应的清淡饮食的提示信息、黑眼圈较深对应的早睡早起的提示信息。
在一些实施例中，如图3所示的信息检测方法的流程图，在步骤S101之前，信息检测方法还包括：
S201、获取图像信息集合；图像信息集合表征一一对应的图像和各项体检信息；
信息检测装置针对大量的样本对象，采集样本深度图像和样本可见光图像，并对大量的样本对象中每个用户，采集样本属性信息、样本肤质信息和样本体型信息；将每个用户的样本深度图像、样本可见光图像、样本属性信息、样本肤质信息和样本体型信息对应保存，得到图像信息集合。
需要说明的是，信息检测装置采集样本深度图像和样本可见光图像的过程，与采集初始深度图像和可见光图像的过程同理，这里不再赘述。
S202、获取由至少一层卷积层组成的深度学习模型；
信息检测装置为了缩短训练时间，可以获取预先训练好的深度学习模型，进而，只需要对预先训练好的深度学习模型进行微调(fine-tuning)。
S203、利用图像信息集合，对深度学习模型进行训练，得到预设检测模型。
信息检测装置获取图像信息集合，图像信息集合包括一一对应的图像和综合体检信息；利用图像信息集合，对深度学习模型进行训练，得到预设检测模型。
在一些实施例中，信息检测装置对图像信息集合中的图像进行尺寸缩放和裁剪，得到裁剪后的图像信息集合；利用裁剪后的图像信息集合，对深度学习模型进行训练，得到预设检测模型。
信息检测模型按照预设图像大小，对图像信息集合中的图像进行尺寸缩放和裁剪，得到裁剪后的图像信息集合，用其对深度学习模型进行训练，得到预设检测模型；其中，深度学习模型的输入图像采用预设图像大小。
需要说明的是，信息检测装置对图像信息集合中的图像进行尺寸缩放和裁剪的过程，与对中间深度图像进行尺寸缩放和裁剪的过程同理，这里不再赘述。
在一些实施例中，信息检测模型将图像信息集合分为训练集、验证集和测试集；对训练集中的图像进行随机裁剪，得到裁剪后的训练集；在图像中心不变的前提下，对验证集和测试集中的图像的四个边进行裁剪，得到裁剪后的验证集和裁剪后的测试集；利用裁剪后的训练集、裁剪后的验证集和裁剪后的测试集，对深度学习模型进行训练，得到预设检测模型。
在一些实施例中，信息检测装置利用裁剪后的图像信息集合，对预先训练好的深度学习模型进行微调，得到预设检测模型。
需要说明的是，预先训练好的深度学习模型可以用一些效果较优的模型，而这些效果较优的模型通过采用的预设图像大小的图像进行训练得到的，如此，先对图像信息集合中的图像裁剪成预设图像大小的图像，就能够适用于这些效果较优的模型。
进一步地，信息检测装置设置较小的学习率，采用随机失活(Dropout)方法，对预先训练好的深度学习模型进行微调，得到准确度更高的预设检测模型。
在一些实施例中，深度学习模型包括第一层卷积层、第二层卷积层和第三层卷积层，第一层卷积层和第二层卷积层都是由卷积核、激活函数和池化层组成的卷积层，第三层卷积层是由滤波器和两个全连接层组成的卷积层。
示例性地，深度学习模型或预先训练好的深度学习模型使用的网络分为3个卷积层；第一层的网络结构采用96个卷积核，每个卷积核的参数大小为3*7*7，就相当于3个7*7大小的卷积核在每个通道进行卷积；采用的激活函数为线性整流函数(ReLU，RectifiedLinear Unit)，采用最大重叠池化，池化的大小为3*3、池化的步长为2；第二层的网络结构和第一层的网络结构相同；第三层的网络结构采用384个滤波器，卷积核大小为3*3，还有2个全连接层，第一个全连接层采用512个神经元，第二个全连接层也采用512神经元个数，这样可以避免过拟合；其中，第一层的输入为227*227的3通道彩色图像，第一层把三通道合在一起进行卷积，输出96*28*28的单通道图片；第二层的输入就是96*28*28的单通道图片。
在一些实施例中，信息检测装置从裁剪后的图像信息中，获取样本可见光图像、样本肤质信息、样本属性信息、样本深度图像和样本体型信息；利用样本可见光图像和样本属性信息，对深度学习模型进行训练，得到属性检测模型；利用样本可见光图像和样本肤质信息，对深度学习模型进行训练，得到肤质检测模型；利用样本深度图像和样本体型信息，对深度学习模型进行训练，得到体型检测模型；将肤质检测模型、属性检测模型和体型检测模型，作为预设检测模型。
信息检测装置利用样本可见光图像和样本属性信息，对预先训练好的深度学习模型进行微调，得到属性检测模型；利用样本可见光图像和样本肤质信息，对预先训练好的深度学习模型进行微调，得到肤质检测模型；利用样本深度图像和样本体型信息，对预先训练好的深度学习模型进行微调，得到体型检测模型。
具体地，信息检测装置从裁剪后的图像信息中，获取样本可见光图像和样本可见光图像对应的样本属性信息；对样本可见光图像进行对象标记，得到样本对象定位图像；利用样本对象定位图像和样本属性信息，对预先训练好的深度学习模型进行微调，得到属性检测模型；其中，信息检测装置对样本可见光图像进行对象标记的过程，与对可见光图像进行对象标记的过程同理，此处不再赘述。
具体地，信息检测装置从裁剪后的图像信息中，获取样本可见光图像和样本可见光图像对应的样本肤质信息；对样本可见光图像进行面部识别，得到样本面部图像；利用样本面部图像和样本肤质信息，对预先训练好的深度学习模型进行微调，得到肤质检测模型；其中，信息检测装置对样本可见光图像进行面部识别的过程，与对可见光图像进行面部识别的过程同理，此处不再赘述。
具体地，信息检测装置从裁剪后的图像信息中，获取样本深度图像和样本深度图像对应的样本体型信息；利用样本深度图像和样本体型信息，对预先训练好的深度学习模型进行微调，得到体型检测模型。
在一些实施例中，如图4所示的应用于体检设备中的信息检测方法的流程图，该体检设备包括信息检测装置、第二摄像头和显示模块，信息检测装置中的摄像头被安装在该体检设备外，第二摄像头被安装在该体检设备中；信息检测方法包括：
S301、当样本对象到达指定位置时，采集样本对象的样本初始深度图像和样本可见光图像，并采集样本对象的样本综合体检信息；
体检设备中的信息检测装置开启训练过程，检测到样本对象到达指定位置时，通过摄像头采集样本初始深度图像和样本可见光图像，体检设备提供输入接口，来接收样本综合体检信息，样本综合体检信息包括样本属性信息、样本肤质信息和样本体型信息；其中，样本对象包括很多的对象。
S302、利用样本初始深度图像、样本可见光图像、样本属性信息、样本肤质信息和样本体型信息，对深度学习模型进行训练，得到预设检测模型，并保存预设检测模型；
体检设备中的信息检测装置获得大量样本信息后，对深度学习模型进行训练，得到预设检测模型，并将预设检测模型保存至数据库中，训练过程结束。
示例性地，如图5所示的信息采集训练的示意图，信息检测装置中的摄像头51被安装在体检设备外的一定高度位置处，指定位置为距离线，当样本对象到达距离线时，表征样本对象进入位于一定高度的摄像头51的采集范围内，位于一定高度的摄像头51采集样本初始深度图像和样本可见光图像，并采集样本综合体检信息，例如，身高、体重、肤质、年龄和性别，将其用于训练预设检测模型。
S303、当目标对象到达指定位置时，采集目标对象的初始深度图像和可见光图像；
体检设备中的信息检测装置在训练过程结束后，检测到目标对象到达指定位置时，通过摄像头采集初始深度图像和可见光图像。
S304、利用预设检测模型，对初始深度图像和可见光图像进行处理，得到目标对象的综合体检信息，并将综合体检信息保存至数据库中；
步骤S304的具体过程，与步骤S102至S105的过程相同，不再赘述。
示例性地，如图6所示的信息检测的示意图，信息检测装置中的摄像头51被安装在体检设备外的一定高度位置处，指定位置为距离线，当目标对象到达距离线时，表征目标对象进入位于一定高度的摄像头51的采集范围内，位于一定高度的摄像头51采集初始深度图像和可见光图像；调用存储有预设检测模型的接口，利用预设检测模型获取目标对象的综合体检信息。
S305、当检测到查询指令时，根据预设体检信息和提示信息的对应关系，对体型信息、属性信息和肤质信息进行分析，生成健康提示信息，并显示综合体检信息和健康提示信息。
体检设备中的第二摄像头检测到目标对象的人脸图像时，生成查询指令，信息检测装置响应于查询指令，生成健康提示信息，并通过显示装置显示综合体检信息和健康提示信息，除此之外，还可以语音播报健康提示信息。
示例性地，如图7所示的体检设备使用示意图，体检设备70用于商场中，体检设备70中的摄像头71-1被安装在商场大门入口处，当目标对象进入商场、且到达指定位置时，通过摄像头71-1采集初始深度图像和可见光图像，调用存储有预设检测模型的接口，利用预设检测模型获取目标对象的综合体检信息(身高、体重、肤质、年龄和性别)，并将综合体检信息保存至数据库中；当检测到目标对象的人脸图像时，显示综合体检信息和健康提示信息，以及语音播报健康提示信息。
示例性地，如图8所示的体检设备使用示意图，体检设备为用于公司中的打卡机80，打卡机80中的摄像头81-1被安装在公司大门入口处，当目标对象进入公司、且到达指定位置时，通过摄像头81-1采集初始深度图像和可见光图像，调用存储有预设检测模型的接口，利用预设检测模型获取目标对象的综合体检信息(身高、体重、肤质、年龄和性别)，并将综合体检信息保存至数据库中；当检测到目标对象的人脸图像时，完成目标对象的打卡操作，显示综合体检信息和健康提示信息，以及语音播报健康提示信息。
示例性地，打卡机得到综合体检信息后，进入人脸检测界面，当检测到目标对象的人脸图像时，在人脸检测界面上显示人脸图像和当前时间，如图9所示的人脸检测界面，当前时间为“10:08:17”，完成目标对象的打卡操作，从人脸检测界面跳转至检测报告界面，在检测报告界面上显示人脸图像、综合体检信息和健康提示信息，以及语音播报健康提示信息，如图10所示的检测报告界面，综合体检信息包括：性别为男性，年龄为23，身高为178cm，体重为58kg，肤质为干燥有黑头；健康提示信息包括：建议的内容是“您的身高和体重不相符。体重偏瘦，应该适量补充肉类和蛋白质类食物，同时应该多喝水，防止皮肤干燥，不要经常熬夜，减少黑头持续增长。”
可以理解的是，信息采集装置采集目标对象的初始深度信息和可见光图像，并对初始深度信息和可见光图像进行不同的处理，得到目标深度图像、对象定位信息和面部图像，由于目标深度图像、对象定位图像和面部图像表征了目标对象的不同方面的信息，进而利用预设检测模型对目标深度图像、对象定位图像和面部图像进行检测，得到目标对象的对象体型信息、对象属性信息和对象肤质信息等多方面的信息，避免了目标对象对多方面的信息一一进行检测的过程，提高了综合体检信息的生成速度，并且，利用预设检测模型得到的对象肤质信息，相较于人工判断的方式，更简单准确；其次，基于综合体检信息再生成健康提示信息，使得目标对象快速获知健康提示信息。
实施例二
基于本发明实施例一的同一发明构思，进行进一步的说明。
本发明实施例提供一种信息检测装置11，如图11所示，该装置11包括：
采集模块111，用于采集目标对象的初始深度图像和可见光图像；
图像处理模块112，用于对初始深度图像进行背景去除处理，得到目标深度图像；及对可见光图像进行对象标记，得到对象定位图像；以及对可见光图像进行面部识别，得到面部图像；
检测模块113，用于利用预设检测模型，对目标深度图像、对象定位图像和面部图像进行检测，得到目标对象的综合体检信息；预设检测模型表征图像和各项体检信息的对应关系；综合体检信息表征对象体型信息、对象属性信息和对象肤质信息。
在一些实施例中，预设检测模型包括：体型检测模型、属性检测模型和肤质检测模型；检测模块113，具体用于利用体型检测模型，对目标深度图像进行体型检测，得到目标对象的体型信息；及利用属性检测模型，对对象定位图像进行属性检测，得到目标对象的属性信息；及利用肤质检测模型，对面部图像进行肤质检测，得到目标对象的肤质信息；以及将体型信息、属性信息和肤质信息，作为综合体检信息。
在一些实施例中，装置11还包括：分析显示模块114，用于在将体型信息、属性信息和肤质信息，作为综合体检信息之后，当接收到目标对象的查询指令时，对体型信息、属性信息和肤质信息进行分析，生成健康提示信息；健康提示信息为提高目标对象的身体素质的注意事项；以及显示体型信息、属性信息、肤质信息和健康提示信息。
在一些实施例中，图像处理模块112，具体用于对可见光图像进行对象识别，得到目标对象的位置信息；以及利用位置信息，对可见光图像进行位置标记，得到对象定位图像。
在一些实施例中，图像处理模块112，具体用于从可见光图像中，确定人脸关键点和人脸关键点对应的亮度值；人脸关键点为能够表征图像的像素亮度的点；及根据所述人脸关键点和所述亮度值，统计亮度值大于或等于预设亮度阈值的亮点个数；及当亮点个数大于或等于预设个数阈值时，利用预设肤色模型，对可见光图像进行肤色识别和分割，得到肤色分割图像；预设肤色模型为按肤色对图像进行划分的模型；以及对肤色分割图像进行面部区域检测，得到面部图像。
在一些实施例中，图像处理模块112，具体用于在根据所述人脸关键点和所述亮度值，统计亮度值大于或等于预设亮度阈值的亮点个数之后，当亮点个数小于预设个数阈值时，对可见光图像进行光线补偿，得到补偿后的图像；及对补偿后的图像进行色彩空间转换，得到单通道图像；及对单通道图像计算像素差值，得到肤色概率图；及对肤色概率图依次进行二值化和形态学处理，得到局部处理图像；及利用局部处理图像，对可见光图像进行肤色分割，得到肤色分割图像；以及对肤色分割图像进行面部区域检测，得到面部图像。
在一些实施例中，装置11还包括：模型生成模块115，用于在采集目标对象的初始深度图像和可见光图像之前，获取图像信息集合；图像信息集合表征一一对应的图像和各项体检信息；及获取由至少一层卷积层组成的深度学习模型；以及利用图像信息集合，对深度学习模型进行训练，得到预设检测模型。
在一些实施例中，模型生成模块115，具体用于对图像信息集合中的图像进行尺寸缩放和裁剪，得到裁剪后的图像信息集合；以及利用裁剪后的图像信息集合，对深度学习模型进行训练，得到预设检测模型。
在一些实施例中，模型生成模块115，具体用于从裁剪后的图像信息中，获取样本可见光图像、样本肤质信息、样本属性信息、样本深度图像和样本体型信息；及利用样本可见光图像和样本属性信息，对深度学习模型进行训练，得到属性检测模型；及利用样本可见光图像和样本肤质信息，对深度学习模型进行训练，得到肤质检测模型；及利用样本深度图像和样本体型信息，对深度学习模型进行训练，得到体型检测模型；以及将肤质检测模型、属性检测模型和体型检测模型，作为预设检测模型。
需要说明的是，在实际应用中，上述采集模块111、图像处理模块112、检测模块113、分析显示模块114和模型生成模块115可由位于信息检测装置11上的处理器116或服务器实现，具体为CPU(Central Processing Unit，中央处理器)、MPU(Microprocessor Unit，微处理器)、DSP(Digital Signal Processing，数字信号处理器)或现场可编程门阵列(FPGA，Field Programmable Gate Array)等实现。
本发明实施例还提供了一种信息检测装置，如图12所示，该装置11包括：处理器116、存储器117和通信总线118，存储器117通过通信总线118与处理器116进行通信，存储器117存储处理器116可执行的一个或者多个信息检测程序，当一个或者多个信息检测程序被执行时，通过处理器116执行如前述实施例所述的任意一种信息检测方法。
在实际应用中，存储器117可以是易失性第一存储器(volatile memory)，例如随机存取第一存储器(Random-Access Memory，RAM)；或者非易失性第一存储器(non-volatile memory)，例如只读第一存储器(Read-Only Memory，ROM)，快闪第一存储器(flash memory)，硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)；或者上述种类的第一存储器的组合，并向处理器116提供程序和数据。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (18)

1.一种信息检测方法，其特征在于，所述方法包括：
采集目标对象的初始深度图像和可见光图像；
对所述初始深度图像进行背景去除处理，得到目标深度图像；
对所述可见光图像进行对象标记，得到对象定位图像；
对所述可见光图像进行面部识别，得到面部图像；
利用预设检测模型，对所述目标深度图像、所述对象定位图像和所述面部图像进行检测，得到所述目标对象的综合体检信息；所述预设检测模型表征图像和各项体检信息的对应关系；所述综合体检信息表征对象体型信息、对象属性信息和对象肤质信息；
所述对所述可见光图像进行面部识别，得到面部图像，包括：
从所述可见光图像中，确定人脸关键点和所述人脸关键点对应的亮度值；所述人脸关键点为能够表征图像的像素亮度的点；
根据所述人脸关键点和所述亮度值，统计亮度值大于或等于预设亮度阈值的亮点个数；
当所述亮点个数大于或等于预设个数阈值时，利用预设肤色模型，对所述可见光图像进行肤色识别，得到肤色识别信息，所述肤色识别信息表征所述可见光图像中不同肤色对应的各个区域；所述预设肤色模型为按肤色对图像进行划分的模型；
根据所述肤色识别信息，对所述可见光图像进行分割，得到肤色分割图像；
对所述肤色分割图像进行面部区域检测，得到所述面部图像。
2.根据权利要求1所述的方法，其特征在于，所述预设检测模型包括：体型检测模型、属性检测模型和肤质检测模型；所述利用预设检测模型，对所述目标深度图像、所述对象定位图像和所述面部图像进行检测，得到所述目标对象的综合体检信息，包括：
利用所述体型检测模型，对所述目标深度图像进行体型检测，得到所述目标对象的体型信息；
利用所述属性检测模型，对所述对象定位图像进行属性检测，得到所述目标对象的属性信息；
利用所述肤质检测模型，对所述面部图像进行肤质检测，得到所述目标对象的肤质信息；
将所述体型信息、所述属性信息和所述肤质信息，作为所述综合体检信息。
3.根据权利要求2所述的方法，其特征在于，在所述将所述体型信息、所述属性信息和所述肤质信息，作为所述综合体检信息之后，所述方法还包括：
当接收到所述目标对象的查询指令时，对所述体型信息、所述属性信息和所述肤质信息进行分析，生成健康提示信息；所述健康提示信息为提高所述目标对象的身体素质的注意事项；
显示所述体型信息、所述属性信息、所述肤质信息和所述健康提示信息。
4.根据权利要求1所述的方法，其特征在于，所述对所述可见光图像进行对象标记，得到对象定位图像，包括：
对所述可见光图像进行对象识别，得到所述目标对象的位置信息；
利用所述位置信息，对所述可见光图像进行位置标记，得到所述对象定位图像。
5.根据权利要求1所述的方法，其特征在于，在所述根据所述人脸关键点和所述亮度值，统计亮度值大于或等于预设亮度阈值的亮点个数之后，所述方法还包括：
当所述亮点个数小于所述预设个数阈值时，对所述可见光图像进行光线补偿，得到补偿后的图像；
对所述补偿后的图像进行色彩空间转换，得到单通道图像；
对所述单通道图像计算像素差值，得到肤色概率图；
对所述肤色概率图依次进行二值化和形态学处理，得到局部处理图像；
利用所述局部处理图像，对所述可见光图像进行肤色分割，得到肤色分割图像；
对所述肤色分割图像进行面部区域检测，得到所述面部图像。
6.根据权利要求1所述的方法，其特征在于，在所述采集目标对象的初始深度图像和可见光图像之前，所述方法还包括：
获取图像信息集合；所述图像信息集合表征一一对应的图像和各项体检信息；
获取由至少一层卷积层组成的深度学习模型；
利用所述图像信息集合，对所述深度学习模型进行训练，得到所述预设检测模型。
7.根据权利要求6所述的方法，其特征在于，所述利用所述图像信息集合，对所述深度学习模型进行训练，得到所述预设检测模型，包括：
对所述图像信息集合中的图像进行尺寸缩放和裁剪，得到裁剪后的图像信息集合；
利用所述裁剪后的图像信息集合，对所述深度学习模型进行训练，得到所述预设检测模型。
8.根据权利要求7所述的方法，其特征在于，所述利用所述裁剪后的图像信息集合，对所述深度学习模型进行训练，得到所述预设检测模型，包括：
从所述裁剪后的图像信息中，获取样本可见光图像、样本肤质信息、样本属性信息、样本深度图像和样本体型信息；
利用所述样本可见光图像和所述样本属性信息，对所述深度学习模型进行训练，得到属性检测模型；
利用所述样本可见光图像和所述样本肤质信息，对所述深度学习模型进行训练，得到肤质检测模型；
利用所述样本深度图像和所述样本体型信息，对所述深度学习模型进行训练，得到体型检测模型；
将所述肤质检测模型、所述属性检测模型和所述体型检测模型，作为所述预设检测模型。
9.一种信息检测装置，其特征在于，所述装置包括：
采集模块，用于采集目标对象的初始深度图像和可见光图像；
图像处理模块，用于对所述初始深度图像进行背景去除处理，得到目标深度图像；及对所述可见光图像进行对象标记，得到对象定位图像；以及对所述可见光图像进行面部识别，得到面部图像；
检测模块，用于利用预设检测模型，对所述目标深度图像、所述对象定位图像和所述面部图像进行检测，得到所述目标对象的综合体检信息；所述预设检测模型表征图像和各项体检信息的对应关系；所述综合体检信息表征对象体型信息、对象属性信息和对象肤质信息；
所述图像处理模块，具体用于从所述可见光图像中，确定人脸关键点和所述人脸关键点对应的亮度值；所述人脸关键点为能够表征图像的像素亮度的点；及根据所述人脸关键点和所述亮度值，统计亮度值大于或等于预设亮度阈值的亮点个数；及当所述亮点个数大于或等于预设个数阈值时，利用预设肤色模型，对所述可见光图像进行肤色识别，得到肤色识别信息，所述肤色识别信息表征所述可见光图像中不同肤色对应的各个区域；所述预设肤色模型为按肤色对图像进行划分的模型；根据所述肤色识别信息，对所述可见光图像进行分割，得到肤色分割图像；以及对所述肤色分割图像进行面部区域检测，得到所述面部图像。
10.根据权利要求9所述的装置，其特征在于，所述预设检测模型包括：体型检测模型、属性检测模型和肤质检测模型；
所述检测模块，具体用于利用所述体型检测模型，对所述目标深度图像进行体型检测，得到所述目标对象的体型信息；及利用所述属性检测模型，对所述对象定位图像进行属性检测，得到所述目标对象的属性信息；及利用所述肤质检测模型，对所述面部图像进行肤质检测，得到所述目标对象的肤质信息；以及将所述体型信息、所述属性信息和所述肤质信息，作为所述综合体检信息。
11.根据权利要求10所述的装置，其特征在于，所述装置还包括：
分析显示模块，用于在所述将所述体型信息、所述属性信息和所述肤质信息，作为所述综合体检信息之后，当接收到所述目标对象的查询指令时，对所述体型信息、所述属性信息和所述肤质信息进行分析，生成健康提示信息；所述健康提示信息为提高所述目标对象的身体素质的注意事项；以及显示所述体型信息、所述属性信息、所述肤质信息和所述健康提示信息。
12.根据权利要求9所述的装置，其特征在于，
所述图像处理模块，具体用于对所述可见光图像进行对象识别，得到所述目标对象的位置信息；以及利用所述位置信息，对所述可见光图像进行位置标记，得到所述对象定位图像。
13.根据权利要求9所述的装置，其特征在于，
所述图像处理模块，具体用于在所述根据所述人脸关键点和所述亮度值，统计亮度值大于或等于预设亮度阈值的亮点个数之后，当所述亮点个数小于所述预设个数阈值时，对所述可见光图像进行光线补偿，得到补偿后的图像；及对所述补偿后的图像进行色彩空间转换，得到单通道图像；及对所述单通道图像计算像素差值，得到肤色概率图；及对所述肤色概率图依次进行二值化和形态学处理，得到局部处理图像；及利用所述局部处理图像，对所述可见光图像进行肤色分割，得到肤色分割图像；以及对所述肤色分割图像进行面部区域检测，得到所述面部图像。
14.根据权利要求9所述的装置，其特征在于，所述装置还包括：
模型生成模块，用于在所述采集目标对象的初始深度图像和可见光图像之前，获取图像信息集合；所述图像信息集合表征一一对应的图像和各项体检信息；及获取由至少一层卷积层组成的深度学习模型；以及利用所述图像信息集合，对所述深度学习模型进行训练，得到所述预设检测模型。
15.根据权利要求14所述的装置，其特征在于，
所述模型生成模块，具体用于对所述图像信息集合中的图像进行尺寸缩放和裁剪，得到裁剪后的图像信息集合；以及利用所述裁剪后的图像信息集合，对所述深度学习模型进行训练，得到所述预设检测模型。
16.根据权利要求15所述的装置，其特征在于，
所述模型生成模块，具体用于从所述裁剪后的图像信息中，获取样本可见光图像、样本肤质信息、样本属性信息、样本深度图像和样本体型信息；及利用所述样本可见光图像和所述样本属性信息，对所述深度学习模型进行训练，得到属性检测模型；及利用所述样本可见光图像和所述样本肤质信息，对所述深度学习模型进行训练，得到肤质检测模型；及利用所述样本深度图像和所述样本体型信息，对所述深度学习模型进行训练，得到体型检测模型；以及将所述肤质检测模型、所述属性检测模型和所述体型检测模型，作为所述预设检测模型。
17.一种信息检测装置，其特征在于，所述装置包括：处理器、存储器和通信总线，所述存储器通过所述通信总线与所述处理器进行通信，所述存储器存储所述处理器可执行的一个或者多个信息检测程序，当所述一个或者多个信息检测程序被执行时，通过所述处理器执行权利要求1至8任一项所述方法的步骤。
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有信息检测程序，当所述信息检测程序被处理器执行时，实现所述处理器执行权利要求1至8任一项所述方法的步骤。
CN201911036503.3A 2019-10-29 2019-10-29 一种信息检测方法及装置、存储介质 Active CN110874572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911036503.3A CN110874572B (zh) 2019-10-29 2019-10-29 一种信息检测方法及装置、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911036503.3A CN110874572B (zh) 2019-10-29 2019-10-29 一种信息检测方法及装置、存储介质

Publications (2)

Publication Number Publication Date
CN110874572A CN110874572A (zh) 2020-03-10
CN110874572B true CN110874572B (zh) 2021-01-26

Family

ID=69717941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911036503.3A Active CN110874572B (zh) 2019-10-29 2019-10-29 一种信息检测方法及装置、存储介质

Country Status (1)

Country Link
CN (1) CN110874572B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642358B (zh) * 2020-04-27 2023-10-10 华为技术有限公司 肤色检测方法、装置、终端和存储介质
CN111982911B (zh) * 2020-07-10 2023-08-25 深圳先进技术研究院 一种电路板缺陷的检测方法、装置、终端设备及存储介质
CN113487679B (zh) * 2021-06-29 2023-01-03 哈尔滨工程大学 激光打标机自动调焦系统视觉测距信号处理方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103678984A (zh) * 2013-12-20 2014-03-26 湖北微模式科技发展有限公司 一种利用摄像头实现用户身份验证的方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8675981B2 (en) * 2010-06-11 2014-03-18 Microsoft Corporation Multi-modal gender recognition including depth data
CN102657532B (zh) * 2012-05-04 2014-09-17 深圳泰山在线科技有限公司 基于人体姿态识别的身高测量方法及装置
CN104299011A (zh) * 2014-10-13 2015-01-21 吴亮 一种基于人脸图像识别的肤质与皮肤问题识别检测方法
CN104484658A (zh) * 2014-12-30 2015-04-01 中科创达软件股份有限公司 一种基于多通道卷积神经网络的人脸性别识别方法及装置
CN110097034B (zh) * 2019-05-15 2022-10-11 广州纳丽生物科技有限公司 一种智能人脸健康程度的识别与评估方法
CN110175595B (zh) * 2019-05-31 2021-03-02 北京金山云网络技术有限公司 人体属性识别方法、识别模型训练方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103678984A (zh) * 2013-12-20 2014-03-26 湖北微模式科技发展有限公司 一种利用摄像头实现用户身份验证的方法

Also Published As

Publication number Publication date
CN110874572A (zh) 2020-03-10

Similar Documents

Publication Publication Date Title
CN105938564B (zh) 基于主成分分析和神经网络的水稻病害识别方法及系统
CN110874572B (zh) 一种信息检测方法及装置、存储介质
WO2020207423A1 (zh) 肤质检测方法、肤质等级分类方法及肤质检测装置
US9286537B2 (en) System and method for classifying a skin infection
CN109961426B (zh) 一种人脸皮肤肤质的检测方法
EP1229493B1 (en) Multi-mode digital image processing method for detecting eyes
CN111225611B (zh) 用于帮助分析目标对象中的伤口的系统和方法
CN109684981B (zh) 青光眼图像识别方法、设备和筛查系统
CN109948476B (zh) 一种基于计算机视觉的人脸皮肤检测系统及其实现方法
CN106372629A (zh) 一种活体检测方法和装置
CN110363803B (zh) 一种结合深度图切片和神经网络的目标检测方法和系统
CN112396573A (zh) 基于图像识别的面部皮肤分析方法及系统
CN109697716B (zh) 青光眼图像识别方法、设备和筛查系统
CN111639629A (zh) 一种基于图像处理的猪只体重测量方法、装置及存储介质
CN106778704A (zh) 一种人脸识别匹配方法及半自动化人脸匹配系统
CN107506713A (zh) 活体人脸检测方法及存储设备
CN110648336B (zh) 一种舌质和舌苔的分割方法及装置
CN111754485A (zh) 一种用于肝脏的人工智能超声辅助系统
CN111753642B (zh) 一种确定关键帧的方法及装置
CN102609710A (zh) 针对火灾图像视频中烟雾笼罩场景的烟火目标分割方法
CN108154142B (zh) 一种基于语音识别的皮肤皱纹评估方法及系统
CN111179226B (zh) 视野图的识别方法、装置及计算机存储介质
CN111914632B (zh) 一种人脸识别方法、装置及存储介质
CN114241645B (zh) 一种无障碍通行信息校验方法及装置
CN115830517B (zh) 基于视频的考场异常帧提取方法及系统

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
CP01 Change in the name or title of a patent holder

Address after: 100176 601, 6th floor, building 2, No. 18, Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing

Patentee after: Jingdong Technology Information Technology Co.,Ltd.

Address before: 100176 601, 6th floor, building 2, No. 18, Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing

Patentee before: BEIJING HAIYI TONGZHAN INFORMATION TECHNOLOGY Co.,Ltd.