CN111325173A - 毛发类型识别方法、装置、电子设备及存储介质 - Google Patents

毛发类型识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111325173A
CN111325173A CN202010130200.4A CN202010130200A CN111325173A CN 111325173 A CN111325173 A CN 111325173A CN 202010130200 A CN202010130200 A CN 202010130200A CN 111325173 A CN111325173 A CN 111325173A
Authority
CN
China
Prior art keywords
hair
user
type
image
attributes
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
Application number
CN202010130200.4A
Other languages
English (en)
Inventor
冷欣航
孙冲
李琛
戴宇荣
杨文欢
钟伽文
杨晓琪
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010130200.4A priority Critical patent/CN111325173A/zh
Publication of CN111325173A publication Critical patent/CN111325173A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种毛发类型识别方法、装置、电子设备及存储介质，所述方法包括：获取用户的毛发图像；获取所述用户的目标性别类型；基于预训练的与所述目标性别类型对应的神经网络，对所述毛发图像分别在预设的各毛发属性上的类别进行分类，获取所述各毛发属性分别对应的分类结果，所述各毛发属性相互独立；基于所述各毛发属性分别对应的分类结果，确定所述用户的毛发类型。本公开实施例能够提高毛发类型识别的精准度。

Description

毛发类型识别方法、装置、电子设备及存储介质
技术领域
本公开涉及人工智能领域，具体涉及一种毛发类型识别方法、装置、电子设备及存储介质。
背景技术
随着信息技术的高速发展，在生活的许多场景中都会存在毛发类型识别的需求，例如：如果在虚拟形象生成场景中，能够准确识别并还原用户的头发类型，生成的虚拟形象将为用户带来更好的体验。现有技术中，对于毛发类型的识别，常常无法足够清晰地区分不同类型毛发之间的区别，从而导致对毛发类型的识别精准度低。
发明内容
本公开的一个目的在于提出一种毛发类型识别方法、装置、电子设备及存储介质，能够提高毛发类型识别的精准度。
根据本公开实施例的一方面，公开了一种毛发类型识别方法，所述方法包括：
获取用户的毛发图像；
获取所述用户的目标性别类型；
基于预训练的与所述目标性别类型对应的神经网络，对所述毛发图像分别在预设的各毛发属性上的类别进行分类，获取所述各毛发属性分别对应的分类结果，所述各毛发属性相互独立；
基于所述各毛发属性分别对应的分类结果，确定所述用户的毛发类型。
根据本公开实施例的一方面，公开了一种毛发类型识别装置，所述装置包括：
第一获取模块，配置为获取用户的毛发图像；
第二获取模块，配置为获取所述用户的目标性别类型；
第三获取模块，配置为基于预训练的与所述目标性别类型对应的神经网络，对所述毛发图像分别在预设的各毛发属性上的类别进行分类，获取所述各毛发属性分别对应的分类结果，所述各毛发属性相互独立；
确定模块，配置为基于所述各毛发属性分别对应的分类结果，确定所述用户的毛发类型。
根据本公开实施例的一方面，公开了一种毛发类型识别电子设备，包括：存储器，存储有计算机可读指令；处理器，读取存储器存储的计算机可读指令，以执行以上权利要求中的任一个所述的方法。
根据本公开实施例的一方面，公开了一种计算机程序介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行以上权利要求中的任一个所述的方法。
本公开实施例中，进行毛发类型识别时，是在各个相互独立的毛发属性上分别进行分类，进而基于得到的相互独立的各个分类结果，确定毛发类型。通过这种先分别在各个相互独立的属性上精细分类，再根据精细分类后的各个分类结果，确定整体的毛发类型的方法，提高了毛发类型识别的精准度。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
通过参考附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。
图1示出了根据本公开一个实施例的基本体系构架组成。
图2示出了根据本公开一个实施例的毛发类型识别方法的流程图。
图3示出了根据本公开一个实施例的各子神经网络共享浅层特征的神经网络。
图4示出了根据本公开一个实施例的男性发型在各发型属性上的具体分类。
图5示出了根据本公开一个实施例的女性发型在各发型属性上的具体分类。
图6示出了根据本公开一个实施例的发型识别的完整过程。
图7示出了根据本公开一个实施例的毛发类型识别装置的框图。
图8示出了根据本公开一个实施例的毛发类型识别电子设备的硬件图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些示例实施方式使得本公开的描述将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多示例实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的示例实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、步骤等。在其它情况下，不详细示出或描述公知结构、方法、实现或者操作以避免喧宾夺主而使得本公开的各方面变得模糊。
附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本公开实施例涉及到人工智能领域。人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音技术、自然语言处理技术以及机器学习/深度学习等几大方向。具体的，本公开实施例所涉及到的人工智能领域主要为人工智能领域中的计算机视觉技术与机器学习。
计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
下面参考图1对本公开实施例的体系构架进行描述。
图1示出了本公开一实施例的体系构架组成：云端服务器10、用户端20。其中，云端服务器10作为该实施例的执行主体，主要用于对用户的毛发类型进行识别。
具体的，用户可以通过对应的用户端20(例如：用户的手机、个人电脑)将毛发图像上传至云端服务器10；云端服务器10获取该用户的目标性别类型，进而基于预训练的与该目标性别类型对应的神经网络，对该毛发图像分别在预设的各毛发属性上的类别进行分类(例如：当该毛发图像为头发图像时，该头发图像在“刘海”这一毛发属性上的类别，该头发图像在“侧发”这一毛发属性上的类别，该头发图像在“直卷”这一毛发属性上的类别)，进而基于获取到的各毛发属性分别对应的分类结果，确定用户的毛发类型。
进一步的，该实施例所示的体系构架组成可以作为特定应用场景的一部分，从而在该特定应用场景中实现毛发类型识别的功能。
例如：该实施例所示的体系构架组成可以作为虚拟形象生成这一应用场景的一部分。在虚拟形象的生成中，毛发类型识别只是云端服务器10的功能中的一部分。
具体的，用户通过对应的用户端20将自己的人脸图像发送给云端服务器10；云端服务器10根据该人脸图像，建立该用户头部的头部三维模型。一般情况下，该头部三维模型通常只能模拟还原该用户的五官，无法还原出该用户的发型。这种情况下，云端服务器10可以根据该实施例所展示的毛发类型识别的实施过程，对该用户的发型进行识别。进而根据发型识别结果，建立对应的发型三维模型，与头部三维模型相结合，从而得到更加逼真、更加贴近用户真实形象的虚拟形象。
需要说明的是，该实施例只是示例性的说明，不应对本公开的功能和使用范围造成限制。可以理解的，本公开实施例的执行主体除了该实施例示出的云端服务器，还可以为任一具有足够计算能力的终端；毛发类型识别除了可以应用于虚拟形象生成，还可以应用于其他与图像处理相关的场景中，例如：应用于美妆场景中；毛发类型识别除了适用于如该实施例所展示的发型识别外，还可以适用于胡子类型的识别、眉毛类型的识别或者其他头发近似物的类型识别。
下面对本公开实施例的具体实施过程进行描述。
需要说明的是，出于简要描述的目的——以下有关本公开实施例的描述中，均是将服务器作为本公开实施例的执行主体，但并不代表本公开实施例的执行主体只能为服务器；以下有关本公开实施例的描述中，均是针对发型识别(头发类型识别)的实施过程进行描述，但并不代表本公开实施例只能用于发型识别。
如图2所示，一种毛发类型识别方法，包括：
步骤S310、获取用户的毛发图像；
步骤S320、获取所述用户的目标性别类型；
步骤S330、基于预训练的与所述目标性别类型对应的神经网络，对所述毛发图像分别在预设的各毛发属性上的类别进行分类，获取所述各毛发属性分别对应的分类结果，所述各毛发属性相互独立；
步骤S340、基于所述各毛发属性分别对应的分类结果，确定所述用户的毛发类型。
本公开实施例中，进行毛发类型识别时，是在各个相互独立的毛发属性上分别进行分类，进而基于得到的相互独立的各个分类结果，确定毛发类型。通过这种先分别在各个相互独立的属性上精细分类，再根据精细分类后的各个分类结果，确定整体的毛发类型的方法，提高了毛发类型识别的精准度。
在步骤S310中，获取用户的毛发图像。
本公开实施例中，用户可以通过对应的用户端将毛发图像上传至服务器，从而服务器获取到该毛发图像，进而进行毛发类型的识别。
在一实施例中，获取用户的毛发图像，包括：
获取用户的用户图像；
基于预设的人脸检测技术，提取出该用户图像的人脸图像，并将该人脸图像确定为该用户的毛发图像。
该实施例中，服务器对用户进行发型识别。用户将自己的用户图像(例如：用户的半身像、用户的全身像)上传至服务器后，服务器基于人脸检测技术从该用户图像中提取出该用户的人脸图像(可以理解的，人脸图像中通常包含头发图像、眉毛图像、胡子图像)，并将该人脸图像确定为毛发图像。进而可以基于该毛发图像，对该用户的发型进行识别，或者对该用户的眉毛类型进行识别，或者对该用户的胡子类型进行识别。
在步骤S320中，获取该用户的目标性别类型。
在步骤S330中，基于预训练的与该目标性别类型对应的神经网络，对该毛发图像分别在预设的各毛发属性上的类别进行分类，获取该各毛发属性分别对应的分类结果，该各毛发属性相互独立。
在步骤S340中，基于该各毛发属性分别对应的分类结果，确定该用户的毛发类型。
目标性别类型描述的是对用户的毛发类型的确定，具体要在哪一性别类型上进行。具体的，若目标性别类型为“男性”，则将用户确定为男性，进而进行男性毛发类型的确定；若目标性别类型为“女性”，则将用户确定为女性，进而进行女性毛发类型的确定。
本公开实施例中，预设有各相互独立的毛发属性。例如：针对发型识别，预设的头发属性有“顶发”、“直卷”。具体的，“顶发”属性下包含的类别有——“垂发”、“背发”以及“立发”；“直卷”属性下包含的类别有——“直发”、“卷发”。
针对特定性别，预训练对应的用于进行毛发类型识别的神经网络——该神经网络能够对对应性别的毛发图像分别在各毛发属性上的类别进行分类。具体的，针对男性预训练对应的神经网络(男)，专门用来识别男性的毛发类型，对男性的毛发图像分别在各毛发属性上的类别进行分类；针对女性预训练对应的神经网络(女)，专门用来识别女性的毛发类型，对女性的毛发图像分别在各毛发属性上的类别进行分类。通过引入对性别类型的区分，使得毛发类型的识别更具有针对性，从而进一步提高毛发类型识别的精准度。
其中，具体到一实施例中时，该神经网络可以只有一个——针对对应性别，一个该神经网络对毛发图像分别在各毛发属性上的类别进行分类(例如：针对男性，只通过一个神经网络，完成“顶发”的类别分类以及“直卷”的类别分类)；该神经网络也可以有多个——针对对应性别，每个神经网络分别负责所对应的一个毛发属性的类别分类(例如：针对男性，一个神经网络负责“顶发”的类别分类，另一个神经网络负责“直卷”的类别分类)。
在各毛发属性上的分类完成后，服务器即可基于各个毛发属性对应的分类结果，确定用户的毛发类型。例如：“顶发”属性对应的分类结果为“背发”，“直卷”属性对应的分类结果为“卷发”，则服务器可以将用户的发型确定为：“背发+卷发”。
在一实施例中，获取该用户的目标性别类型，包括：
获取该用户的人脸图像；
将该人脸图像输入预设的性别识别模型中，获取该性别识别模型输出的该用户的目标性别类型。
该实施例中，服务器通过预设的性别识别模型对用户的人脸图像进行处理，从而识别出该用户的目标性别类型。
例如：在虚拟形象生成场景中，服务器中预设有用以进行性别识别的性别识别模型。
小红通过手机进行自拍得到其人脸图像，进而通过手机将人脸图像上传至服务器。服务器接收到小红的人脸图像，将该人脸图像输入性别识别模型，从而识别出小红的目标性别类型为“女性”。进而服务器能够使用预训练的神经网络(女)对该人脸图像中的头发图像进行发型识别，从而能够生成还原了小红发型的虚拟形象。
该实施例的优点在于，由服务器自动对目标性别类型进行识别，避免了目标性别类别识别这一过程被用户感知，降低了对用户手动操作的要求。
需要说明的是，该实施例只是示例性的说明，不应对本公开的功能和使用范围造成限制。
在一实施例中，获取该用户的目标性别类型，包括：获取用户端配置的该用户的目标性别类型。
该实施例中，用户可以自行配置目标性别类型，从而服务器根据用户的配置获取目标性别类型。
例如：在虚拟形象生成场景中，服务器在用户的前端界面中展示有性别信息采集选项——“性别：男性/女性”，以供用户进行目标性别类型的选择。
小红通过手机将其头发图像上传至服务器前，可以通过点击手机界面中性别信息采集选项的“女性”，将目标性别类型配置为“女性”。从而服务器能够根据小红的配置，使用预训练的神经网络(女)对该头发图像进行发型识别，从而能够生成还原了小红发型的虚拟形象。
该实施例的优点在于，允许用户自定义目标性别类型，提高了在各种应用场景中的使用灵活性。
需要说明的是，该实施例只是示例性的说明，不应对本公开的功能和使用范围造成限制。可以理解的，该实施例中，用户配置的目标性别类型可以与其真实性别不一致。例如：小红出于个人娱乐需求，想使得服务器所生成的自己的虚拟形象的发型偏向男性化。则小红可以在将自己的头发图像上传至服务器前，将目标性别类型配置为“男性”，与其真实性别不一致，以使得服务器生成的虚拟形象的发型偏向男性化。
本公开实施例中，为了达到对毛发类型进行精细分类的目的，毛发属性的划分至少需要保证一点——划分出的各毛发属性相互独立。进一步优选的，考虑到实际的应用场景，划分出的各毛发属性需要能够直观地体现毛发的特征。
在一实施例中，该各毛发属性包括：毛发的区域属性、毛发的纹理属性。
该实施例中，主要基于两个维度对毛发属性进行预先划分——区域、纹理。具体的，在区域维度上划分出的毛发的区域属性可以包括——“顶发”属性、“侧发”属性、“刘海”属性；在纹理维度上划分出的毛发的纹理属性可以包括——“直卷”属性。
需要说明的是，该实施例只是示例性的说明，不应对本公开的功能和使用范围造成限制。可以理解的，除了根据区域属性、纹理属性进行预先划分，还可以根据颜色属性、色泽亮度属性或者其它属性进行划分。
在一实施例中，该神经网络包括各子神经网络，该各子神经网络与该各毛发属性一一对应。基于预训练的神经网络，对该毛发图像分别在预设的各毛发属性上的类别进行分类，包括：基于该各子神经网络，分别对该毛发图像在对应毛发属性上的类别进行分类。
该实施例中，用于进行毛发类型识别的神经网络是由多个子神经网络组成的，每个子神经网络负责一个对应毛发属性的类别分类。这些多个子神经网络之间的网络结构可以完全相互独立，相互之间不存在任何共通的信息；也可以相互之间共享浅层部分的网络结构，在深层的、特化部分的网络结构相互独立。
该实施例的优点在于，通过这种方法，降低了神经网络在对各个毛发属性进行类别分类时的耦合程度，从而提高了神经网络的分类精度。
需要说明的是，该实施例只是示例性的说明，不应对本公开的功能和使用范围造成限制。
在一实施例中，该各子神经网络共享该神经网络的浅层特征。
该实施例中，各子神经网络相互之间共享浅层部分的网络结构所提取出的浅层特征。通过这种方法，降低了神经网络在处理过程中对于参数的需求，节省了处理成本。
具体的，由于神经网络的浅层部分的网络结构所提取出的浅层特征，通常对于毛发的每一种属性均是适用的。例如：描述了头发平均直径的浅层特征，该浅层特征，无论是对于“顶发”属性的类别分类，还是“直卷”属性的类别分类，均是适用的。
因此，通过这种方法，浅层特征的提取只需要进行一次，而不需要每个子神经网络都提取一次，从而降低了神经网络在处理过程中对于参数的需求，节省了处理成本。
该实施例的优点在于，通过各子神经网络共享浅层特征，降低了处理过程中对于参数的需求，节省了处理成本。
需要说明的是，该实施例只是示例性的说明，不应对本公开的功能和使用范围造成限制。可以理解的，各个子神经网络之间可以不共享任何网络结构，相互之间完全独立。
图3示出了本公开一实施例中各子神经网络共享浅层特征的神经网络。
参考图3所示，该神经网络由m个子神经网络组成；每个子神经网络负责一种毛发属性的类别分类；从上到下，网络结构的层次由浅到深。
输入经过图示的最浅2层网络结构(图中网络结构的层数只是示例性的展示，并不等同于实际情况)的处理后，提取出适用于各子神经网络的浅层特征。进而，根据具体的类别分类需求，各子神经网络的深层网络结构相互分离，从而各子神经网络相互独立地进行对应毛发属性的类别分类。
其中，按照从左往右的顺序，第1个子神经网络能够在对应毛发属性上分类出N1类，第2个子神经网络能够在对应毛发属性上分类出N2类，依次类推，第m个子神经网络能够在对应毛发属性上分类出Nm类。其中，N1、N2一直到Nm均为正整数。由此可见，通过该神经网络，能够划分出(N1*N2*……*Nm)种毛发类型。进而，可以根据分类需求，灵活地增添删减子神经网络、或者子神经网络所能分类出的具体类别，从而灵活地覆盖毛发类型识别场景。
图3示出的是基于卷积神经网络(CNN)，可以理解的，本公开实施例中用于毛发识别的神经网络还可以为VGG，Resnet或者其它类型的神经网络。
在一实施例中，通过以下方法对图3所示的神经网络的预训练进行优化：使用交叉熵损失函数(cross-entropy loss函数)作为损失函数来训练该神经网络；使用随机梯度下降法(SGD，Stochastic Gradient Descent)来更新网络参数，每隔100个epoch(epoch，使用训练集的全部数据对模拟进行的一次完整训练，被称为“一代训练”)将学习率(learningrate)降为原来的0.1，初始学习率设置为0.01。为了防止过拟合，还可以在损失函数中加入L2正则化项。
由于各个子神经网络所对应的毛发属性相互不同，训练一个epoch所需的batch(batch，训练集中的一部分数据，被称为“一批数据”)数也不尽相同。针对这种数据不平衡的情况，可以使得每个子神经网络的数据迭代相互独立，所需数据量少的子神经网络完成一个epoch后再次迭代，直到所需数据量最多的子神经网络完成一个epoch。从而在数据不平衡的情况下，满足每一个子神经网络的训练需求。
需要说明的是，该实施例只是示例性的说明，不应对本公开的功能和使用范围造成限制。
下面参考图4对本公开一实施例中男性发型在各发型属性上的具体分类进行描述。
如图4所示，该实施例中，对男发预设的发型属性有：“直卷”属性、“刘海”属性、“顶发”属性、“侧发”属性、“偏分”属性。
其中，在“直卷”属性上的具体类别有2种：“直发”、“卷发”。
在“刘海”属性上的具体类别有6种：“无刘海”、“眉上刘海”、“眉中刘海”、“左偏刘海”、“右偏刘海”、“八字刘海”。
在“顶发”属性上的具体类别有3种：“垂发”、“背发”、“立发”。
在“侧发”属性上的具体类别有4种：“贴头皮侧发”、“短侧发”、“中侧发”、“长侧发”。
在“偏分”属性上的具体类别有4种：“无偏分”、“左偏分”、“中分”、“右偏分”。
由此可见，该实施例中，对男发进行分类时可以分为(2*6*3*4*4)＝576种。
需要说明的是，该实施例只是示例性的说明，不应对本公开的功能和使用范围造成限制。
下面参考图5对本公开一实施例中女性发型在各发型属性上的具体分类进行描述。
如图5所示，该实施例中，对女发预设的发型属性有：“直卷”属性、“刘海”属性、“长度”属性、“束发”属性。
其中，在“直卷”属性上的具体类别有2种：“直发”、“卷发”。
在“刘海”属性上的具体类别有6种：“无刘海”、“眉上刘海”、“眉中刘海”、“左偏刘海”、“右偏刘海”、“八字刘海”。
在“长度”属性上的具体类别有4种：“超短发”、“短发”、“中发”、“长发”。
在“侧发”属性上的具体类别有3种：“非束发”、“单马尾”、“双马尾”。
由此可见，该实施例中，对女发进行分类时可以分为(2*6*4*3)＝144种。
需要说明的是，该实施例只是示例性的说明，不应对本公开的功能和使用范围造成限制。
下面参考图6对本公开一实施例进行发型识别的完整过程进行详细描述。
参考图6所示：用户将其半身像上传至服务器后，服务器将该半身像作为输入图像以进行发型识别。
具体的，服务器获取输入图像后，对该输入图像进行人脸检测，检测出人脸所在范围，并使用图中所示的人脸矩形框进行标示。
服务器在该人脸矩形框内进行人脸关键点检测。
服务器根据检测到的人脸关键点，将人脸旋转至双眼连线呈水平状态，进行人脸对齐；并进行剪裁，只保留人脸区域。
服务器将该只保留人脸区域的图像输入预设的性别识别模型中，确定该用户的性别，完成性别分类。
服务器根据确定的性别，选取与该性别相对应的神经网络；进而将该只保留人脸区域的图像输入该神经网络中，由该神经网络对该图像进行处理，从而确定该用户的发型类别。
需要说明的是，该实施例只是示例性的说明，不应对本公开的功能和使用范围造成限制。
根据本公开一实施例，如图7所示，还提供了一种毛发类型识别装置，所述装置包括：
第一获取模块410，配置为获取用户的毛发图像；
第二获取模块420，配置为获取所述用户的目标性别类型；
第三获取模块430，配置为基于预训练的与所述目标性别类型对应的神经网络，对所述毛发图像分别在预设的各毛发属性上的类别进行分类，获取所述各毛发属性分别对应的分类结果，所述各毛发属性相互独立；
确定模块440，配置为基于所述各毛发属性分别对应的分类结果，确定所述用户的毛发类型。
在本公开的一示例性实施例中，所述装置配置为：
获取所述用户的用户图像；
基于预设的人脸检测技术，提取出所述用户图像的人脸图像，并将所述人脸图像确定为所述用户的毛发图像。
在本公开的一示例性实施例中，所述装置配置为：
获取所述用户的人脸图像；
将所述人脸图像输入预设的性别识别模型中，获取所述性别识别模型输出的所述用户的目标性别类型。
在本公开的一示例性实施例中，所述装置配置为：获取用户端配置的所述用户的目标性别类型。
在本公开的一示例性实施例中，所述各毛发属性包括：毛发的区域属性、毛发的纹理属性。
在本公开的一示例性实施例中，所述神经网络包括各子神经网络，所述各子神经网络与所述各毛发属性一一对应，所述装置配置为：基于所述各子神经网络，分别对所述毛发图像在对应毛发属性上的类别进行分类。
在本公开的一示例性实施例中，所述各子神经网络共享所述神经网络的浅层特征。
下面参考图8来描述根据本公开实施例的毛发类型识别电子设备50。图8显示的毛发类型识别电子设备50仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，毛发类型识别电子设备50以通用计算设备的形式表现。毛发类型识别电子设备50的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述示例性方法的描述部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图2中所示的各个步骤。
存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。
存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
毛发类型识别电子设备50也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该毛发类型识别电子设备50交互的设备通信，和/或与使得该毛发类型识别电子设备50能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。输入/输出(I/O)接口550与显示单元540相连。并且，毛发类型识别电子设备50还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与毛发类型识别电子设备50的其它模块通信。应当明白，尽管图中未示出，可以结合毛发类型识别电子设备50使用其它硬件和/或软件模块，包括但不限于：微代码、设备控制器、冗余处理单元、外部磁盘控制阵列、RAID系统、磁带控制器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行上述方法实施例部分描述的方法。
根据本公开的一个实施例，还提供了一种用于实现上述方法实施例中的方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如JAVA、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种毛发类型识别方法，其特征在于，所述方法包括：
获取用户的毛发图像；
获取所述用户的目标性别类型；
基于预训练的与所述目标性别类型对应的神经网络，对所述毛发图像分别在预设的各毛发属性上的类别进行分类，获取所述各毛发属性分别对应的分类结果，所述各毛发属性相互独立；
基于所述各毛发属性分别对应的分类结果，确定所述用户的毛发类型。
2.根据权利要求1所述的方法，其特征在于，获取用户的毛发图像，包括：
获取所述用户的用户图像；
基于预设的人脸检测技术，提取出所述用户图像的人脸图像，并将所述人脸图像确定为所述用户的毛发图像。
3.根据权利要求1所述的方法，其特征在于，获取所述用户的目标性别类型，包括：
获取所述用户的人脸图像；
将所述人脸图像输入预设的性别识别模型中，获取所述性别识别模型输出的所述用户的目标性别类型。
4.根据权利要求1所述的方法，其特征在于，获取所述用户的目标性别类型，包括：获取用户端配置的所述用户的目标性别类型。
5.根据权利要求1所述的方法，其特征在于，所述各毛发属性包括：毛发的区域属性、毛发的纹理属性。
6.根据权利要求1所述的方法，其特征在于，所述神经网络包括各子神经网络，所述各子神经网络与所述各毛发属性一一对应，
基于预训练的与所述目标性别类型对应的神经网络，对所述毛发图像分别在预设的各毛发属性上的类别进行分类，包括：基于所述各子神经网络，分别对所述毛发图像在对应毛发属性上的类别进行分类。
7.根据权利要求6所述的方法，其特征在于，所述各子神经网络共享所述神经网络的浅层特征。
8.一种毛发类型识别装置，其特征在于，所述装置包括：
第一获取模块，配置为获取用户的毛发图像；
第二获取模块，配置为获取所述用户的目标性别类型；
第三获取模块，配置为基于预训练的与所述目标性别类型对应的神经网络，对所述毛发图像分别在预设的各毛发属性上的类别进行分类，获取所述各毛发属性分别对应的分类结果，所述各毛发属性相互独立；
确定模块，配置为基于所述各毛发属性分别对应的分类结果，确定所述用户的毛发类型。
9.一种毛发类型识别电子设备，其特征在于，包括：
存储器，存储有计算机可读指令；
处理器，读取存储器存储的计算机可读指令，以执行权利要求1-7中的任一个所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行权利要求1-7中的任一个所述的方法。
CN202010130200.4A 2020-02-28 2020-02-28 毛发类型识别方法、装置、电子设备及存储介质 Pending CN111325173A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010130200.4A CN111325173A (zh) 2020-02-28 2020-02-28 毛发类型识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010130200.4A CN111325173A (zh) 2020-02-28 2020-02-28 毛发类型识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN111325173A true CN111325173A (zh) 2020-06-23

Family

ID=71163632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010130200.4A Pending CN111325173A (zh) 2020-02-28 2020-02-28 毛发类型识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111325173A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112330897A (zh) * 2020-08-19 2021-02-05 深圳Tcl新技术有限公司 用户语音对应性别改变方法、装置、智能门铃及存储介质
CN113516002A (zh) * 2021-03-05 2021-10-19 武汉特斯联智能工程有限公司 应用智慧社区的基于人脸识别模型的人脸识别方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036291A (zh) * 2014-06-11 2014-09-10 杭州巨峰科技有限公司 基于人种分类的多特征性别判断方法
CN104036236A (zh) * 2014-05-27 2014-09-10 厦门瑞为信息技术有限公司 一种基于多参数指数加权的人脸性别识别方法
CN104143079A (zh) * 2013-05-10 2014-11-12 腾讯科技（深圳）有限公司 人脸属性识别的方法和系统
CN107103619A (zh) * 2017-04-19 2017-08-29 腾讯科技（上海）有限公司 一种头发纹理方向的处理方法、装置及系统
CN108960167A (zh) * 2018-07-11 2018-12-07 腾讯科技（深圳）有限公司 发型识别方法、装置、计算机可读存储介质和计算机设备
CN110070047A (zh) * 2019-04-23 2019-07-30 杭州智趣智能信息技术有限公司 一种人脸对比方法、系统及电子设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104143079A (zh) * 2013-05-10 2014-11-12 腾讯科技（深圳）有限公司 人脸属性识别的方法和系统
CN104036236A (zh) * 2014-05-27 2014-09-10 厦门瑞为信息技术有限公司 一种基于多参数指数加权的人脸性别识别方法
CN104036291A (zh) * 2014-06-11 2014-09-10 杭州巨峰科技有限公司 基于人种分类的多特征性别判断方法
CN107103619A (zh) * 2017-04-19 2017-08-29 腾讯科技（上海）有限公司 一种头发纹理方向的处理方法、装置及系统
CN108960167A (zh) * 2018-07-11 2018-12-07 腾讯科技（深圳）有限公司 发型识别方法、装置、计算机可读存储介质和计算机设备
CN110070047A (zh) * 2019-04-23 2019-07-30 杭州智趣智能信息技术有限公司 一种人脸对比方法、系统及电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张卫国等: "《动画艺术概论》", 31 January 2017, 北京工业大学出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112330897A (zh) * 2020-08-19 2021-02-05 深圳Tcl新技术有限公司 用户语音对应性别改变方法、装置、智能门铃及存储介质
CN113516002A (zh) * 2021-03-05 2021-10-19 武汉特斯联智能工程有限公司 应用智慧社区的基于人脸识别模型的人脸识别方法及装置

Similar Documents

Publication Publication Date Title
CN108701216B (zh) 一种人脸脸型识别方法、装置和智能终端
EP3885965B1 (en) Image recognition method based on micro facial expressions, apparatus and related device
CN107784293B (zh) 一种基于全局特征和稀疏表示分类的人体行为识别方法
CN108961369B (zh) 生成3d动画的方法和装置
CN111553267B (zh) 图像处理方法、图像处理模型训练方法及设备
CN108780519A (zh) 卷积神经网络中的结构学习
CN110555896B (zh) 一种图像生成方法、装置以及存储介质
CN106326857A (zh) 基于人脸图像的性别识别方法及装置
CN111401216A (zh) 图像处理、模型训练方法、装置、计算机设备和存储介质
US20230095182A1 (en) Method and apparatus for extracting biological features, device, medium, and program product
CN111582342B (zh) 一种图像识别方法、装置、设备以及可读存储介质
CN110909680A (zh) 人脸图像的表情识别方法、装置、电子设备及存储介质
CN115565238B (zh) 换脸模型的训练方法、装置、设备、存储介质和程序产品
CN111325173A (zh) 毛发类型识别方法、装置、电子设备及存储介质
CN113744286A (zh) 虚拟头发生成方法及装置、计算机可读介质和电子设备
CN112633425A (zh) 图像分类方法和装置
Liu et al. Learning shape and texture progression for young child face aging
CN113705301A (zh) 图像处理方法及装置
Trujillo-Romero et al. Mexican Sign Language corpus: Towards an automatic translator
CN110675312A (zh) 图像数据处理方法、装置、计算机设备以及存储介质
Liu et al. A3GAN: An attribute-aware attentive generative adversarial network for face aging
CN117011449A (zh) 三维面部模型的重构方法和装置、存储介质及电子设备
CN110956599A (zh) 图片处理方法和装置、存储介质及电子装置
CN110378979A (zh) 基于生成对抗网络实现自定义高分辨率人脸图片自动生成的方法
CN115708135A (zh) 人脸识别模型的处理方法、人脸识别方法及装置

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40024875

Country of ref document: HK