CN111598867A - 用于检测特定面部综合征的方法、装置及计算机可读存储介质 - Google Patents
用于检测特定面部综合征的方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111598867A CN111598867A CN202010408194.4A CN202010408194A CN111598867A CN 111598867 A CN111598867 A CN 111598867A CN 202010408194 A CN202010408194 A CN 202010408194A CN 111598867 A CN111598867 A CN 111598867A
- Authority
- CN
- China
- Prior art keywords
- image
- trained
- detection
- global
- local
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- 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
- G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了用于检测特定面部综合征的方法、装置及计算机可读存储介质,该方法包括:获取待检测对象的人脸图像;确定所述人脸图像的至少一个关键区域图像;将所述人脸图像输入经训练的全局检测模型,以得到全局检测结果;将至少一个所述关键区域图像输入经训练的局部检测模型,以得到至少一个局部检测结果;根据所述全局检测结果和至少一个所述局部检测结果,确定所述待检测对象患有特定面部综合征的目标检测概率。利用上述方法,能够无需复杂的测量设备,就能自动完成特定面部综合征的快速检测,显著降低了特定面部综合征患者的初期检测难度,并提高了检测准确度。
Description
技术领域
本发明属于计算机辅助诊断领域,具体涉及用于检测特定面部综合征的方法、装置及计算机可读存储介质。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
计算机辅助诊断技术是指通过影像学、医学图像处理技术以及其他可能的生理、生化手段,结合计算机的分析计算,辅助发现病灶,提高诊断的准确率。医学图像的计算机辅助诊断的主要优点在于快速的数据处理,进行精确地定量计算,能够为临床提供一致性好、可重复性高、客观、准确的辅助诊断意见,减少因医生经验不足或视觉疲劳等主观原因引起的漏误诊,极大地扩大医生有限的个人知识和经验,使诊断更为准确更为科学。
许多疾病表现为面部发育不良,如唐氏综合征,地中海贫血症等遗传学疾病,其中,具有唐氏综合征的患者具有增加的发育障碍,心脏缺陷,呼吸和听力问题的风险,并且该面部综合征的早期检测对于控制该疾病是非常重要的。唐氏综合征的早期检测可以在出生前进行生物化学筛选和细胞遗传诊断试验,或者可以在出生后通过某些物理性状的存在来鉴定,这些性状包括向上倾斜的眼睛,小而平坦的鼻子,小的耳朵和嘴,以及突出的舌头,但是这可能需要专业水平较高的医疗专家进行仔细诊断。
总之,目前与面部发育不良相关的面部综合征的诊断方法复杂,耗时,并且需要高度的经验和专业知识。因此,有必要开发一种简单的,非侵入性的,自动的检测诸如唐氏综合征或其它与脸部形态相关的面部综合征的方法。
发明内容
针对上述现有技术中存在的问题,提出了用于检测特定面部综合征的方法、装置及计算机可读存储介质,利用这种方法、装置及计算机可读存储介质,能够解决上述问题。
本发明提供了以下方案。
第一方面,提供用于检测特定面部综合征的方法,方法包括:获取待检测对象的人脸图像;确定所述人脸图像的至少一个关键区域图像;将所述人脸图像输入经训练的全局检测模型,以得到全局检测结果;将至少一个所述关键区域图像输入经训练的局部检测模型,以得到至少一个局部检测结果;根据所述全局检测结果和至少一个所述局部检测结果,确定所述待检测对象患有特定面部综合征的目标检测概率。
在一种可能的实施方式中,确定所述人脸图像的至少一个关键区域图像,还包括:在所述人脸图像上定位关键特征点;基于所述关键特征点确定所述人脸图像的至少一个关键区域,并从所述人脸图像中分割出至少一个关键区域图像;其中,所述关键区域图像包括:眼睛区域图像、鼻子区域图像、嘴巴区域图像、下颚区域图像、额头区域图像、耳朵区域图像中的一种或多种指定类别。
在一种可能的实施方式中,所述经训练的局部检测模型包含多个经训练的局部检测网络,其中每个局部检测网络用于对指定类别的关键区域图像进行局部检测;以及,将至少一个所述关键区域图像输入经训练的局部检测模型,还包括:将每个所述关键区域图像输入所述局部检测模型中对应类别的局部检测网络。
在一种可能的实施方式中,所述方法用于检测N种特定面部综合征,所述全局检测结果包含N个全局检测概率,每个所述局部检测结果包含N个局部检测概率,所述N个全局/局部检测概率和所述N种特定面部综合征一一对应,所述N为正整数。
在一种可能的实施方式中,其中,根据所述全局检测结果和至少一个所述局部检测结果,确定所述待检测对象患有特定面部综合征的目标检测概率,包括:针对所述N种特定面部综合征中的每种特定面部综合征,根据所述每种特定面部综合征对应的所述全局检测概率和至少一个所述局部检测概率进行加权求平均和/或加权投票,以得到所述待检测对象患有所述每种特定面部综合征的目标检测概率。
在一种可能的实施方式中,其中,在执行获取待检测对象的人脸图像的步骤之前,所述方法还包括:从训练样本集中获取人脸样本图像,以及与所述人脸样本图像对应的训练标签,所述训练标签用于指示针对所述特定面部综合征的患病情况;利用待训练的第一神经网络对所述人脸样本图像进行处理,以得到与所述人脸样本图像对应的全局训练检测结果;根据所述训练标签和所述全局训练检测结果,通过所述待训练的第一神经网络的系统损失函数计算所述待训练的第一神经网络的系统损失值;基于所述系统损失值对所述待训练的第一神经网络的权值进行修正;在所述系统损失值满足预定条件时,获得训练好的所述全局检测模型,在所述系统损失值不满足预定条件时,继续对所述待训练的第一神经网络进行训练。
在一种可能的实施方式中,其中,在执行获取待检测对象的人脸图像的步骤之前,所述方法还包括:从训练样本集中获取指定类别的关键区域样本图像,以及与所述关键区域样本图像对应的训练标签,所述训练标签用于指示针对所述特定面部综合征的患病情况;利用待训练的第二神经网络对所述关键区域样本图像进行处理,以得到与所述关键区域样本图像对应的局部训练检测结果;根据所述训练标签和所述局部训练检测结果,通过所述待训练的第二神经网络的系统损失函数计算所述待训练的第二神经网络的系统损失值;基于所述系统损失值对所述待训练的第二神经网络的权值进行修正;在所述系统损失函数满足预定条件时,获得训练好的、用于对所述指定类别的关键区域图像进行局部检测的所述局部检测网络,在所述系统损失函数不满足预定条件时,继续对所述待训练的第二神经网络进行训练。
在一种可能的实施方式中,所述全局检测模型和/或所述局部检测模型基于残差网络模型而构建。
在一种可能的实施方式中,在所述人脸图像上定位关键特征点之后,还包括:根据所述关键特征点计算所述人脸图像的关键轮廓曲率;根据所述关键轮廓曲率调整所述待检测对象患有特定面部综合征的检测概率;其中,所述关键轮廓曲率包括:眼睛轮廓曲率、鼻子轮廓曲率、嘴巴轮廓曲率、下颚轮廓曲率、额头轮廓曲率的一种或多种。
在一种可能的实施方式中,还包括:对所述待检测对象的人脸图像进行预处理之后输入所述经训练的全局检测模型;对所述至少一个关键区域图像进行所述预处理之后输入所述经训练的局部检测模型;其中,所述预处理包括灰度填充处理和尺寸压缩/拉伸处理。
第二方面,提供一种用于检测特定面部综合征的装置,所述装置包括:图像获取模块,用于获取待检测对象的人脸图像;关键区域模块,用于确定所述人脸图像的至少一个关键区域图像;全局检测模块,用于将所述人脸图像输入经训练的全局检测模型以得到全局检测结果;局部检测模块,用于将至少一个所述关键区域图像输入经训练的局部检测模型,以得到至少一个局部检测结果;目标检测模块,根据所述全局检测结果和至少一个所述局部检测结果,确定所述待检测对象患有特定面部综合征的目标检测概率。
在一种可能的实施方式中,关键区域模块还用于:在人脸图像上定位关键特征点;基于关键特征点确定人脸图像的至少一个关键区域,并从人脸图像中分割出至少一个关键区域图像;其中,关键区域图像包括:眼睛区域图像、鼻子区域图像、嘴巴区域图像、下颚区域图像、额头区域图像、耳朵区域图像中的一种或多种指定类别。
在一种可能的实施方式中,经训练的局部检测模型包含多个经训练的局部检测网络,其中每个局部检测网络用于对指定类别的关键区域图像进行局部检测;以及,局部检测模块,还用于:将每个关键区域图像输入局部检测模型中对应类别的局部检测网络。
在一种可能的实施方式中,其中,全局检测模型输出的全局检测结果包含N个全局检测概率,每个局部检测网络输出的局部检测结果包含N个局部检测概率,N个全局/局部检测概率和N种特定面部综合征一一对应,N为正整数。
在一种可能的实施方式中,目标检测模块,还用于:针对N种特定面部综合征中的每种特定面部综合征,根据每种特定面部综合征对应的全局检测概率和至少一个局部检测概率进行加权求和,以得到待检测对象患有每种特定面部综合征的目标检测概率。
在一种可能的实施方式中,其中,装置还用于:在执行获取待检测对象的人脸图像的步骤之前,从训练样本集中获取人脸样本图像,以及与人脸样本图像对应的训练标签,训练标签用于指示针对特定面部综合征的患病情况;利用待训练的第一神经网络模型对人脸样本图像进行处理,以得到与人脸样本图像对应的全局训练检测结果;根据训练标签和全局训练检测结果,通过待训练的第一神经网络模型的系统损失函数计算待训练的第一神经网络模型的系统损失值;基于系统损失值对待训练的第一神经网络模型的权值进行修正;在系统损失值满足预定条件时,获得训练好的全局检测模型,在系统损失值不满足预定条件时,继续对待训练的第一神经网络模型进行训练。
在一种可能的实施方式中,其中,装置还用于:在执行获取待检测对象的人脸图像的步骤之前,从训练样本集中获取指定类别的关键区域样本图像,以及与关键区域样本图像对应的训练标签,训练标签用于指示针对特定面部综合征的患病情况;利用待训练的第二神经网络对关键区域样本图像进行处理,以得到与关键区域样本图像对应的局部训练检测结果;根据训练标签和局部训练检测结果,通过待训练的第二神经网络的系统损失函数计算待训练的第二神经网络的系统损失值;基于系统损失值对待训练的第二神经网络的权值进行修正;在系统损失函数满足预定条件时,获得训练好的、用于对指定类别的关键区域图像进行局部检测的局部检测网络,在系统损失函数不满足预定条件时,继续对待训练的第二神经网络进行训练。
在一种可能的实施方式中,其中,全局检测模型和/或局部检测模型基于残差网络模型构建。
在一种可能的实施方式中,其中,装置还用于:在人脸图像上定位关键特征点之后,根据关键特征点计算人脸图像的关键轮廓曲率;根据关键轮廓曲率调整待检测对象患有特定面部综合征的检测概率;其中,关键轮廓曲率包括:眼睛轮廓曲率、鼻子轮廓曲率、嘴巴轮廓曲率、下颚轮廓曲率、额头轮廓曲率的一种或多种。
在一种可能的实施方式中,其中,装置还用于:对待检测对象的人脸图像进行预处理之后输入经训练的全局检测模型;对至少一个关键区域图像进行预处理之后输入经训练的局部检测模型;其中,预处理包括灰度填充处理和尺寸压缩处理。
在一种可能的实施方式中,其中,特定面部综合征包括唐氏综合征和/或地中海面部综合征。
第三方面,提供另一种用于检测特定面部综合征的装置,所述装置包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行:获取待检测对象的人脸图像;确定所述人脸图像的至少一个关键区域图像;将所述人脸图像输入经训练的全局检测模型,以得到全局检测结果;将至少一个所述关键区域图像输入经训练的局部检测模型,以得到至少一个局部检测结果;根据所述全局检测结果和至少一个所述局部检测结果,确定所述待检测对象患有特定面部综合征的目标检测概率。
第四方面,提供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程序,当所述程序被多核处理器执行时,使得所述多核处理器执行如第一方面的方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:在本发明的各个实施例中,通过根据训练好的全局检测模型和局部检测模型确定待检测对象患有特定面部综合征的检测概率。无需复杂的测量设备,就能自动完成特定面部综合征的快速检测,显著降低了特定面部综合征患者的初期检测难度。此外,通过采用全局检测模型和局部检测模型进行联合检测的方法,能够结合待检测对象的人脸图像的全局特征和局部信息进行综合检测,从而提高了检测准确度。
应当理解,上述说明仅是本发明技术方案的概述,以便能够更清楚地了解本发明的技术手段,从而可依照说明书的内容予以实施。为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举例说明本发明的具体实施方式。
附图说明
通过阅读下文的示例性实施例的详细描述,本领域普通技术人员将明白本文所述的优点和益处以及其他优点和益处。附图仅用于示出示例性实施例的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的标号表示相同的部件。在附图中:
图1为根据本发明一实施例的用于检测特定面部综合征的方法的流程示意图;
图2为根据本发明一实施例的根据人脸图像进行特定面部综合征检测的示意图;
图3为根据本发明又一实施例的用于检测特定面部综合征的装置的结构示意图,
图4为根据本发明又一实施例的用于检测特定面部综合征的装置的结构示意图。
在附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
在本发明中,应理解,诸如“包括”或“具有”等术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不旨在排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在的可能性。
另外还需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本发明实施例提供一种用于检测特定面部综合征的方法。
图1为根据本申请一实施例的用于检测特定面部综合征的方法100的流程示意图,在该流程中,从设备角度而言,执行主体可以是一个或者多个电子设备;从程序角度而言,执行主体相应地可以是搭载于这些电子设备上的程序。
如图1所示,该方法100可以包括:
步骤101:获取待检测对象的人脸图像;
步骤102:确定人脸图像的至少一个关键区域图像;
步骤103:将人脸图像输入经训练的全局检测模型,以得到全局检测结果;
步骤104:将至少一个关键区域图像输入经训练的局部检测模型,以得到至少一个局部检测结果;
步骤105:根据全局检测结果和至少一个局部检测结果,确定待检测对象患有特定面部综合征的检测概率。
具体地,可以利用带标签的人脸样本图像所形成的训练样本集预先训练获得全局检测模型,其中的标签可以用于指示是否患有特定面部综合征。可以利用带标签的关键区域样本图像所形成的训练样本集预先训练获得局部检测模型,其中关键区域样本图像比如可以是人脸样本图像的眼睛区域样本图像,其中的标签可以用于指示是否患有特定面部综合征。在训练得到全局检测模型和局部检测模型之后,可以利用摄像装置采集待检测对象的人脸图像,将人脸图像输入经训练的全局检测模型,利用该全局检测模型,自动检测待检测对象患有特定面部综合征的全局检测结果。还可以从采集的人脸图像中识别出至少一个关键区域,并从人脸图像中截取出关键区域图像,比如眼睛区域图像,同时将该关键区域图像输入经训练的局部检测模型,利用该局部检测模型,自动检测待检测对象患有特定面部综合征的局部检测结果;最后,根据得到的全局检测结果和至少一个局部检测结果综合判断待检测对象患有特定面部综合征的目标检测概率。
在本发明的实施例中,通过根据训练好的全局检测模型和局部检测模型确定待检测对象患有特定面部综合征的检测概率。无需复杂的测量设备,就能自动完成特定面部综合征的快速检测,显著降低了特定面部综合征患者的初期检测难度。此外,通过采用全局检测模型和局部检测模型进行联合检测的方法,能够结合待检测对象的人脸图像的全局特征和局部信息进行综合检测,从而提高了检测准确度。
在一些可能的实施方式中,其中特定面部综合征具体是指呈现一定程度的面部畸形的病症,比如可以包括唐氏综合征和/或地中海面部综合征。
在本发明的实施例中,用于检测特定面部综合征的方法在以下方面具有重要意义:帮助不具备特定面部综合征专业知识的人员判断是否患有特定面部综合征。帮助局部特定面部综合征专业知识的医师更快更准确的做出诊断,并降低诊断的成本。
在一些可能的实施方式中,为了准确获取人脸图像的关键区域图像,步骤102还可以包括:在人脸图像上定位关键特征点;基于关键特征点确定人脸图像的至少一个关键区域,并从人脸图像中分割出至少一个关键区域图像;其中,关键区域图像包括:眼睛区域图像、鼻子区域图像、嘴巴区域图像、下颚区域图像、额头区域图像、耳朵区域图像中的一种或多种指定类别。例如,可以在人脸图像上定位出边缘轮廓点,基于边缘轮廓点和预设轮廓点(如眼睛,鼻子等轮廓)进行匹配从而定位出关键特征点,基于定位得到的关键特征点从复制的人脸图像中分割出对应于眼睛、鼻子、嘴巴等关键区域的关键区域图像;可选地,为了提高人脸图像上的关键特征点的定位准确性,可以利用预先构建好的卷积神经网络来对人脸图像中的各个关键特征点进行定位。
在一些可能的实施方式中,经训练的局部检测模型包含多个经训练的局部检测网络,其中每个局部检测网络用于对指定类别的关键区域图像进行局部检测;基于此,步骤103还可以包括:将每个关键区域图像输入局部检测模型中对应类别的局部检测网络。
例如,如图2所示,局部检测模型可以包含多个经训练的局部检测网络,比如可以包括:局部检测网络-眼睛,局部检测网络-鼻子,局部检测网络-嘴巴,诸如此类,可以将分割出的对应于眼睛、鼻子、嘴巴等关键区域的关键区域图像输入对应的局部检测网络,并输出各自的局部检测结果。
在一些可能的实施方式中,多种特定面部综合征都会导致面部表现异常,如唐氏综合征和地中海面部综合征,若逐项进行疾病检测会导致检测效率较低,为了提高检测效率,方法100可以用于同时检测目标对象是否患有N种特定面部综合征中的任意一种或多种,其中,全局检测模型输出的全局检测结果包含N个全局检测概率,每个局部检测网络输出的局部检测结果包含N个局部检测概率,N个全局/局部检测概率和N种特定面部综合征一一对应,N为正整数。
例如,假设N种特定面部综合征包括唐氏综合征和地中海面部综合征两种特定面部综合征,全局检测结果包含的2个全局检测概率比如可以是:唐氏综合征8.5%、地中海面部综合征0.0%;其中一个局部检测结果包含的2个局部检测概率可以是:唐氏综合征0.046%、地中海面部综合征0.0%。
在一些可能的实施方式中,为了获得全局检测模型,在执行步骤101之前,方法100还可以包括:从训练样本集中获取人脸样本图像,以及与人脸样本图像对应的训练标签,训练标签用于指示针对特定面部综合征的患病情况;利用待训练的第一神经网络对人脸样本图像进行处理,以得到与人脸样本图像对应的全局训练检测结果;根据训练标签和全局训练检测结果,通过待训练的第一神经网络的系统损失函数计算待训练的第一神经网络的系统损失值;基于系统损失值对待训练的第一神经网络的权值进行修正;在系统损失值满足预定条件时,获得训练好的全局检测模型,在系统损失值不满足预定条件时,继续对待训练的第一神经网络进行训练。
训练样本集中包含大量有训练标签的人脸样本图像,比如(1)人脸训练图像a:唐氏综合征100%,地中海面部综合征0%;(2)人脸训练图像b:唐氏综合征0%,地中海面部综合征100%;(3)人脸训练图像c:唐氏综合征0%,地中海面部综合征0%;…诸如此类。在全局检测模型的训练阶段,首先向该待训练的第一神经网络模型输入上述有标签的人脸样本图像,该第一神经网络模型可以利用多个卷积层提取特征,并将该特征输出至Softmax层,以在Softmax层基于该多个卷积层提取的特征输出分类结果,比如,该人脸样本图像属于预设类别(例如,唐氏综合征、地中海综合症)的检测概率作为全局训练检测结果。进一步,根据训练标签和全局训练检测结果计算系统损失值;基于系统损失值对待训练的第一神经网络的权值进行修正,直至系统损失值满足预定条件,获得训练好的全局检测模型。
在一些可能的实施方式中,为了获得局部检测模型中的每个局部检测网络,在执行步骤101之前,方法100还可以包括:从训练样本集中获取指定类别的关键区域样本图像,以及与关键区域样本图像对应的训练标签,训练标签用于指示针对特定面部综合征的患病情况;利用待训练的第二神经网络对关键区域样本图像进行处理,以得到与关键区域样本图像对应的局部训练检测结果;根据训练标签和局部训练检测结果,通过待训练的第二神经网络的系统损失函数计算待训练的第二神经网络的系统损失值;基于系统损失值对待训练的第二神经网络的权值进行修正;在系统损失函数满足预定条件时,获得训练好的、用于对指定类别的关键区域图像进行局部检测的局部检测网络,在系统损失函数不满足预定条件时,继续对待训练的第二神经网络进行训练。
训练样本集中还可以包含大量有训练标签的关键区域样本图像,比如在一个类别中包含多个眼部区域的有标签关键区域样本图像:(1)关键区域样本图像-眼部a:唐氏综合征100%,地中海面部综合征0%;(2)关键区域样本图像-眼部b:唐氏综合征0%,地中海面部综合征100%;…;在另外一个类别中包含多个鼻部区域的有标签关键区域样本图像:(1)关键区域样本图像-鼻部a:唐氏综合征100%,地中海面部综合征0%;(2)关键区域样本图像-鼻部b:唐氏综合征0%,地中海面部综合征100%;…诸如此类。在局部检测模型的训练阶段,采用上述训练样本集中包含的多个眼部区域的有标签关键区域样本图像,并采用和全局检测模型相似的训练方法对待训练的第二神经网络进行训练,获得一个训练好的局部检测网络,该局部检测网络用于对眼部类别的关键区域图像进行局部检测;依次类推,可以训练得到多个局部检测网络以组成上述局部检测模型。
在一些可能的实施方式中,为了提高检测网络的性能,全局检测模型和/或局部检测模型基于残差网络Resnet模型构建。这样,训练后的全局检测模型和每个局部检测网络具有更高深度,特征提取更抽象全面,提高了检测识别率。
例如,在一些示例中,该全局检测模型/每个局部检测网络可以包括多层卷积层,卷积层可以对输入数据(例如,人脸图像/关键区域图像)应用若干个过滤器(即卷积核),以提取多种类型的特征。每个过滤器可以提取一种类型的特征。还可以在相邻的卷积层之间设置池化层,一方面,池化层可以用于缩减输入数据的规模,简化计算的复杂度,在一定程度上减小过拟合的现象;另一方面,池化层也可以进行特征压缩,提取输入数据的主要特征。池化层可以采用多种方法实现下采样,这些方法包括但不限于:最大值合并(max-pooling)、平均值合并(avg-pooling)、随机合并等。在每个卷积层之前可以采用批量化预激活模块(例如,批量归一化层)和修正的线性激活函数(即ReLU激活函数)对输入到该卷积层的输入数据进行处理,然后利用卷积层对进行批量化预激活和修正的线性激活处理后的输入数据(例如,人脸图像/关键区域图像)进行特征提取处理,以提取输入数据的局部特征。在相邻两个卷积层之间,还可以采用Dropout技术来避免训练过程中的过度拟合,从而提高模型的泛化能力。全局检测模型/每个局部检测网络还可以包括全连接层和输出层,全连接层可以连接到卷积层,用于接收卷积层输出的所有特征并输出一维矩阵。全连接层可以连接到输出层,输出层可以包括分类器(例如,softmax分类器),分类器可以根据提取的特征对输入数据(例如,人脸图像/关键区域图像)进行分类,比如输出针对N种特定面部综合征的检测概率。分类器的分类结果经过输出层输出以作为全局检测模型/每个局部检测网络的最终输出。
在一些可能的实施方式中,由于全局检测概率和局部检测概率对检测特定面部综合征的影响力不同,针对不同的关键区域的不同局部检测概率对检测特定面部综合征的影响力也不同,步骤105还可以包括:针对N种特定面部综合征中的每种特定面部综合征,根据每种特定面部综合征对应的全局检测概率和至少一个局部检测概率进行加权求和,以得到待检测对象患有每种特定面部综合征的目标检测概率。
例如,针对唐氏综合征的检测,根据全局检测模型输出目标对象的人脸图像针对唐氏综合征的全局检测概率,使用局部检测模型输出分别对应于眼睛区域图像、鼻子区域图像、嘴巴区域图像、下颚区域图像、额头区域图像的局部检测概率,比如可以预设全局检测概率的权重为50%,局部检测概率(眼睛)的权重为20%,局部检测概率(鼻子)的权重为15%,局部检测概率(嘴巴)的权重为5%,局部检测概率(下颚)的权重为5%,局部检测概率(额头)的权重为5%,将上述各个概率按照预设权重加权求和,得到最终的目标概率。其中,上述各个权重可以根据经验值设定,也可以通过训练得到,本申请对此不作具体限制。这样,通过设置不同权重可以进一步提高检测准确率。
在一些可能的实施方式中,为了进一步提升检测准确度,在人脸图像上定位关键特征点之后,还包括:根据关键特征点计算人脸图像的关键轮廓曲率;根据关键轮廓曲率调整待检测对象患有特定面部综合征的检测概率;其中,关键轮廓曲率包括:眼睛轮廓曲率、鼻子轮廓曲率、嘴巴轮廓曲率、下颚轮廓曲率、额头轮廓曲率的一种或多种。
例如,当在人脸图像上定位出关键特征点之后,可以得到人脸图像中的眼睛轮廓、鼻子轮廓、耳朵轮廓、嘴巴轮廓等各类面部器官轮廓。由于唐氏综合征患者的面部特征通常包括向上倾斜的眼睛,小而平坦的鼻子,小的耳朵和嘴,以及突出的舌头。进而可以预先可以根据大量唐氏综合征患者的关键轮廓曲率进行计算得到参考曲率,并将待检测对象的人脸图像上的关键轮廓曲率和上述参考曲率进行比较,得到待检测对象患有唐氏综合征的补充检测概率,根据补充预测概率调整步骤105中确定的检测概率。
在一些可能的实施方式中,为了避免不必要的精度损失,方法100还可以包括:对待检测对象的人脸图像进行预处理之后输入经训练的全局检测模型;对至少一个关键区域图像进行预处理之后输入经训练的局部检测模型;其中,预处理包括灰度填充处理和尺寸压缩处理。
例如,输入神经网络的图像通常需要统一剪裁为大小为224*224的图像,这种情况下,若原始采集的人脸图像/或裁剪获得的关键区域图像并非是正方形图像,则可以首先对原始采集的人脸图像/或裁剪获得的关键区域图像的外侧进行灰度填充成为正方形图像,进而将进行灰度填充之后的正方形图像压缩或拉伸至大小为224*224的图像。这样,避免了对人脸图像/或关键区域图像的裁剪操作,降低了精度损失,进而提高检测准确度。
基于相同的技术构思,本发明实施例还提供用于检测特定面部综合征的装置,用于执行上述任一实施例所提供的用于检测特定面部综合征的方法。图3为本发明实施例提供的一种用于检测特定面部综合征的装置结构示意图。
如图3所示,装置300包括:
图像获取模块301,用于获取待检测对象的人脸图像;
关键区域模块302,用于确定所述人脸图像的至少一个关键区域图像;
全局检测模块303,用于将所述人脸图像输入经训练的全局检测模型以得到全局检测结果;
局部检测模块304,用于将至少一个所述关键区域图像输入经训练的局部检测模型,以得到至少一个局部检测结果;
目标检测模块305,根据所述全局检测结果和至少一个所述局部检测结果,确定所述待检测对象患有特定面部综合征的检测概率。
在本发明的实施例中,通过根据训练好的全局检测模型和局部检测模型确定待检测对象患有特定面部综合征的检测概率。无需复杂的测量设备,就能自动完成特定面部综合征的快速检测,显著降低了特定面部综合征患者的初期检测难度。此外,通过采用全局检测模型和局部检测模型进行联合检测的装置,能够结合待检测对象的人脸图像的全局特征和局部信息进行综合检测,从而提高了检测准确度。
在一种可能的实施方式中,关键区域模块还用于:在人脸图像上定位关键特征点;基于关键特征点确定人脸图像的至少一个关键区域,并从人脸图像中分割出至少一个关键区域图像;其中,关键区域图像包括:眼睛区域图像、鼻子区域图像、嘴巴区域图像、下颚区域图像、额头区域图像、耳朵区域图像中的一种或多种指定类别。
在一种可能的实施方式中,经训练的局部检测模型包含多个经训练的局部检测网络,其中每个局部检测网络用于对指定类别的关键区域图像进行局部检测;以及,局部检测模块,还用于:将每个关键区域图像输入局部检测模型中对应类别的局部检测网络。
在一种可能的实施方式中,其中,全局检测模型输出的全局检测结果包含N个全局检测概率,每个局部检测网络输出的局部检测结果包含N个局部检测概率,N个全局/局部检测概率和N种特定面部综合征一一对应,N为正整数。
在一种可能的实施方式中,目标检测模块,还用于:针对N种特定面部综合征中的每种特定面部综合征,根据每种特定面部综合征对应的全局检测概率和至少一个局部检测概率进行加权求和,以得到待检测对象患有每种特定面部综合征的目标检测概率。
在一种可能的实施方式中,其中,装置还用于:在执行获取待检测对象的人脸图像的步骤之前,从训练样本集中获取人脸样本图像,以及与人脸样本图像对应的训练标签,训练标签用于指示针对特定面部综合征的患病情况;利用待训练的第一神经网络模型对人脸样本图像进行处理,以得到与人脸样本图像对应的全局训练检测结果;根据训练标签和全局训练检测结果,通过待训练的第一神经网络模型的系统损失函数计算待训练的第一神经网络模型的系统损失值;基于系统损失值对待训练的第一神经网络模型的权值进行修正;在系统损失值满足预定条件时,获得训练好的全局检测模型,在系统损失值不满足预定条件时,继续对待训练的第一神经网络模型进行训练。
在一种可能的实施方式中,其中,装置还用于:在执行获取待检测对象的人脸图像的步骤之前,从训练样本集中获取指定类别的关键区域样本图像,以及与关键区域样本图像对应的训练标签,训练标签用于指示针对特定面部综合征的患病情况;利用待训练的第二神经网络对关键区域样本图像进行处理,以得到与关键区域样本图像对应的局部训练检测结果;根据训练标签和局部训练检测结果,通过待训练的第二神经网络的系统损失函数计算待训练的第二神经网络的系统损失值;基于系统损失值对待训练的第二神经网络的权值进行修正;在系统损失函数满足预定条件时,获得训练好的、用于对指定类别的关键区域图像进行局部检测的局部检测网络,在系统损失函数不满足预定条件时,继续对待训练的第二神经网络进行训练。
在一种可能的实施方式中,其中,全局检测模型和/或局部检测模型基于残差网络模型构建。
在一种可能的实施方式中,其中,装置还用于:在人脸图像上定位关键特征点之后,根据关键特征点计算人脸图像的关键轮廓曲率;根据关键轮廓曲率调整待检测对象患有特定面部综合征的检测概率;其中,关键轮廓曲率包括:眼睛轮廓曲率、鼻子轮廓曲率、嘴巴轮廓曲率、下颚轮廓曲率、额头轮廓曲率的一种或多种。
在一种可能的实施方式中,其中,装置还用于:对待检测对象的人脸图像进行预处理之后输入经训练的全局检测模型;对至少一个关键区域图像进行预处理之后输入经训练的局部检测模型;其中,预处理包括灰度填充处理和尺寸压缩处理。
在一种可能的实施方式中,其中,特定面部综合征包括唐氏综合征和/或地中海面部综合征。
需要说明的是,本申请实施例中的用于检测特定面部综合征的装置可以实现前述用于检测特定面部综合征的方法的实施例的各个过程,并达到相同的效果和功能,这里不再赘述。
图4为根据本申请一实施例的用于检测特定面部综合征的装置,用于执行图1所示出的用于检测特定面部综合征的方法,该装置包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行:
获取待检测对象的人脸图像;确定所述人脸图像的至少一个关键区域图像;将所述人脸图像输入经训练的全局检测模型,以得到全局检测结果;将至少一个所述关键区域图像输入经训练的局部检测模型,以得到至少一个局部检测结果;根据所述全局检测结果和至少一个所述局部检测结果,确定所述待检测对象患有特定面部综合征的目标检测概率。
根据本申请的一些实施例,提供用于检测特定面部综合征的方法的非易失性计算机存储介质,其上存储有计算机可执行指令,该计算机可执行指令设置为在由处理器运行时执行:
获取待检测对象的人脸图像;确定所述人脸图像的至少一个关键区域图像;将所述人脸图像输入经训练的全局检测模型,以得到全局检测结果;将至少一个所述关键区域图像输入经训练的局部检测模型,以得到至少一个局部检测结果;根据所述全局检测结果和至少一个所述局部检测结果,确定所述待检测对象患有特定面部综合征的目标检测概率。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备和计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以其描述进行了简化,相关之处可参见方法实施例的部分说明即可。
本申请实施例提供的装置、设备和计算机可读存储介质与方法是一一对应的,因此,装置、设备和计算机可读存储介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述装置、设备和计算机可读存储介质的有益技术效果。
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,本发明可采用完全硬件实施例、完全软件实施例、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、CD-ROM、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。此外,尽管在附图中以特定顺序描述了本发明方法的操作,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操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本发明的精神和原理,但是应该理解,本发明并不限于所公开的具体实施方式,对各方面的划分也不意味着这些方面中的特征不能组合以进行受益,这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (14)
1.用于检测特定面部综合征的方法,其特征在于,所述方法包括:
获取待检测对象的人脸图像;
确定所述人脸图像的至少一个关键区域图像;
将所述人脸图像输入经训练的全局检测模型,以得到全局检测结果;
将至少一个所述关键区域图像输入经训练的局部检测模型,以得到至少一个局部检测结果;
根据所述全局检测结果和至少一个所述局部检测结果,确定所述待检测对象患有特定面部综合征的目标检测概率。
2.根据权利要求1所述的方法,其特征在于,确定所述人脸图像的至少一个关键区域图像,还包括:
在所述人脸图像上定位关键特征点;
基于所述关键特征点确定所述人脸图像的至少一个关键区域,并从所述人脸图像中分割出至少一个关键区域图像;
其中,所述关键区域图像包括:眼睛区域图像、鼻子区域图像、嘴巴区域图像、下颚区域图像、额头区域图像、耳朵区域图像中的一种或多种指定类别。
3.根据权利要求2所述的方法,其特征在于,所述经训练的局部检测模型包含多个经训练的局部检测网络,其中每个局部检测网络用于对指定类别的关键区域图像进行局部检测;以及,
将至少一个所述关键区域图像输入经训练的局部检测模型,还包括:将每个所述关键区域图像输入所述局部检测模型中对应类别的局部检测网络。
4.根据权利要求1所述的方法,其特征在于,其中,所述全局检测模型输出的所述全局检测结果包含N个全局检测概率,每个所述局部检测网络输出的所述局部检测结果包含N个局部检测概率,所述N个全局/局部检测概率和所述N种特定面部综合征一一对应,所述N为正整数。
5.根据权利要求4所述的方法,其特征在于,根据所述全局检测结果和至少一个所述局部检测结果,确定所述待检测对象患有特定面部综合征的目标检测概率,包括:
针对所述N种特定面部综合征中的每种特定面部综合征,根据所述每种特定面部综合征对应的所述全局检测概率和至少一个所述局部检测概率进行加权求和,以得到所述待检测对象患有所述每种特定面部综合征的目标检测概率。
6.根据权利要求1所述的方法,其中,在执行获取待检测对象的人脸图像的步骤之前,所述方法还包括:
从训练样本集中获取人脸样本图像,以及与所述人脸样本图像对应的训练标签,所述训练标签用于指示针对所述特定面部综合征的患病情况;
利用待训练的第一神经网络模型对所述人脸样本图像进行处理,以得到与所述人脸样本图像对应的全局训练检测结果;
根据所述训练标签和所述全局训练检测结果,通过所述待训练的第一神经网络模型的系统损失函数计算所述待训练的第一神经网络模型的系统损失值;
基于所述系统损失值对所述待训练的第一神经网络模型的权值进行修正;
在所述系统损失值满足预定条件时,获得训练好的所述全局检测模型,在所述系统损失值不满足预定条件时,继续对所述待训练的第一神经网络模型进行训练。
7.根据权利要求3所述的方法,其中,在执行获取待检测对象的人脸图像的步骤之前,所述方法还包括:
从训练样本集中获取指定类别的关键区域样本图像,以及与所述关键区域样本图像对应的训练标签,所述训练标签用于指示针对所述特定面部综合征的患病情况;
利用待训练的第二神经网络对所述关键区域样本图像进行处理,以得到与所述关键区域样本图像对应的局部训练检测结果;
根据所述训练标签和所述局部训练检测结果,通过所述待训练的第二神经网络的系统损失函数计算所述待训练的第二神经网络的系统损失值;
基于所述系统损失值对所述待训练的第二神经网络的权值进行修正;
在所述系统损失函数满足预定条件时,获得训练好的、用于对所述指定类别的关键区域图像进行局部检测的所述局部检测网络,在所述系统损失函数不满足预定条件时,继续对所述待训练的第二神经网络进行训练。
8.根据权利要求1-7任一项所述的方法,其特征在于,所述全局检测模型和/或所述局部检测模型基于残差网络模型构建。
9.根据权利要求2所述的方法,其特征在于,在所述人脸图像上定位关键特征点之后,还包括:
根据所述关键特征点计算所述人脸图像的关键轮廓曲率;
根据所述关键轮廓曲率调整所述待检测对象患有特定面部综合征的检测概率;
其中,所述关键轮廓曲率包括:眼睛轮廓曲率、鼻子轮廓曲率、嘴巴轮廓曲率、下颚轮廓曲率、额头轮廓曲率的一种或多种。
10.根据权利要求1所述的方法,其特征在于,还包括:
对所述待检测对象的人脸图像进行预处理之后输入所述经训练的全局检测模型;
对所述至少一个关键区域图像进行所述预处理之后输入所述经训练的局部检测模型;
其中,所述预处理包括灰度填充处理和尺寸压缩处理。
11.根据权利要求1所述的方法,其特征在于,所述特定面部综合征包括唐氏综合征和/或地中海面部综合征。
12.用于检测特定面部综合征的装置,其特征在于,所述装置包括:
图像获取模块,用于获取待检测对象的人脸图像;
关键区域模块,用于确定所述人脸图像的至少一个关键区域图像;
全局检测模块,用于将所述人脸图像输入经训练的全局检测模型以得到全局检测结果;
局部检测模块,用于将至少一个所述关键区域图像输入经训练的局部检测模型,以得到至少一个局部检测结果;
目标检测模块,根据所述全局检测结果和至少一个所述局部检测结果,确定所述待检测对象患有特定面部综合征的检测概率。
13.用于检测特定面部综合征的装置,其特征在于,所述装置包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行:
获取待检测对象的人脸图像;
确定所述人脸图像的至少一个关键区域图像;
将所述人脸图像输入经训练的全局检测模型,以得到全局检测结果;
将至少一个所述关键区域图像输入经训练的局部检测模型,以得到至少一个局部检测结果;
根据所述全局检测结果和至少一个所述局部检测结果,确定所述待检测对象患有特定面部综合征的检测概率。
14.一种计算机可读存储介质,所述计算机可读存储介质存储有程序,当所述程序被多核处理器执行时,使得所述多核处理器执行如权利要求1-11中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010408194.4A CN111598867B (zh) | 2020-05-14 | 2020-05-14 | 用于检测特定面部综合征的方法、装置及计算机可读存储介质 |
JP2021067176A JP7189257B2 (ja) | 2020-05-14 | 2021-04-12 | 特定の顔面症候群を検出するための方法、装置、および、コンピュータ可読記憶媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010408194.4A CN111598867B (zh) | 2020-05-14 | 2020-05-14 | 用于检测特定面部综合征的方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598867A true CN111598867A (zh) | 2020-08-28 |
CN111598867B CN111598867B (zh) | 2021-03-09 |
Family
ID=72192184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010408194.4A Active CN111598867B (zh) | 2020-05-14 | 2020-05-14 | 用于检测特定面部综合征的方法、装置及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7189257B2 (zh) |
CN (1) | CN111598867B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209873A (zh) * | 2020-01-09 | 2020-05-29 | 杭州趣维科技有限公司 | 一种基于深度学习的高精度人脸关键点定位方法及系统 |
CN111932564A (zh) * | 2020-09-24 | 2020-11-13 | 平安科技(深圳)有限公司 | 图片识别方法、装置、电子设备及计算机可读存储介质 |
CN112200802A (zh) * | 2020-10-30 | 2021-01-08 | 上海商汤智能科技有限公司 | 图像检测模型的训练方法及相关装置、设备、存储介质 |
CN112967798A (zh) * | 2021-03-22 | 2021-06-15 | 平安国际智慧城市科技股份有限公司 | 基于人脸面容的辅诊方法、装置、电子设备及存储介质 |
CN113033551A (zh) * | 2021-03-16 | 2021-06-25 | 北京嘀嘀无限科技发展有限公司 | 对象检测的方法、装置、设备和存储介质 |
CN113705685A (zh) * | 2021-08-30 | 2021-11-26 | 平安科技(深圳)有限公司 | 疾病特征识别模型训练、疾病特征识别方法、装置及设备 |
CN114240954A (zh) * | 2021-12-16 | 2022-03-25 | 推想医疗科技股份有限公司 | 网络模型的训练方法及装置、图像分割方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102791185A (zh) * | 2009-12-21 | 2012-11-21 | S·华 | 通过非正交和正交轨道插入颅骨内的医疗装置及其使用方法 |
US20140371591A1 (en) * | 2011-12-22 | 2014-12-18 | Samsung Electronics Co., Ltd. | Method for automatically detecting mid-sagittal plane by using ultrasound image and apparatus thereof |
US20160267352A1 (en) * | 2013-11-22 | 2016-09-15 | Materialise N.V. | System and method for constructing a statistical shape model |
CN106384126A (zh) * | 2016-09-07 | 2017-02-08 | 东华大学 | 基于轮廓曲率特征点和支持向量机的服装款式识别方法 |
CN107066932A (zh) * | 2017-01-16 | 2017-08-18 | 北京龙杯信息技术有限公司 | 人脸识别中关键特征点的检测与定位方法 |
CN107851312A (zh) * | 2015-07-29 | 2018-03-27 | 珀金埃尔默健康科学公司 | 用于在三维解剖图像中自动分割个别骨骼骨的系统及方法 |
CN109313707A (zh) * | 2016-06-01 | 2019-02-05 | 维迪私人有限公司 | 光学测量和扫描系统及使用方法 |
CN109508685A (zh) * | 2018-11-23 | 2019-03-22 | 赵雷 | 基于人脸识别技术的电力通信调度方法 |
CN110046595A (zh) * | 2019-04-23 | 2019-07-23 | 福州大学 | 一种基于级联式多尺度的密集人脸检测方法 |
CN110136157A (zh) * | 2019-04-09 | 2019-08-16 | 华中科技大学 | 一种基于深度学习的三维颈动脉超声图像血管壁分割方法 |
US10621474B2 (en) * | 2017-07-19 | 2020-04-14 | Tata Consultancy Services Limited | Crowdsourcing and deep learning based segmenting and karyotyping of chromosomes |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008012773A (ja) * | 2006-07-05 | 2008-01-24 | Konica Minolta Business Technologies Inc | 印刷装置、印刷システム及び印刷制御方法並びに印刷制御プログラム |
WO2012002047A1 (ja) * | 2010-06-30 | 2012-01-05 | Necソフト株式会社 | 属性判定方法、属性判定装置、プログラム、記録媒体および属性判定システム |
-
2020
- 2020-05-14 CN CN202010408194.4A patent/CN111598867B/zh active Active
-
2021
- 2021-04-12 JP JP2021067176A patent/JP7189257B2/ja active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102791185A (zh) * | 2009-12-21 | 2012-11-21 | S·华 | 通过非正交和正交轨道插入颅骨内的医疗装置及其使用方法 |
US20140371591A1 (en) * | 2011-12-22 | 2014-12-18 | Samsung Electronics Co., Ltd. | Method for automatically detecting mid-sagittal plane by using ultrasound image and apparatus thereof |
US20160267352A1 (en) * | 2013-11-22 | 2016-09-15 | Materialise N.V. | System and method for constructing a statistical shape model |
CN107851312A (zh) * | 2015-07-29 | 2018-03-27 | 珀金埃尔默健康科学公司 | 用于在三维解剖图像中自动分割个别骨骼骨的系统及方法 |
CN109313707A (zh) * | 2016-06-01 | 2019-02-05 | 维迪私人有限公司 | 光学测量和扫描系统及使用方法 |
CN106384126A (zh) * | 2016-09-07 | 2017-02-08 | 东华大学 | 基于轮廓曲率特征点和支持向量机的服装款式识别方法 |
CN107066932A (zh) * | 2017-01-16 | 2017-08-18 | 北京龙杯信息技术有限公司 | 人脸识别中关键特征点的检测与定位方法 |
US10621474B2 (en) * | 2017-07-19 | 2020-04-14 | Tata Consultancy Services Limited | Crowdsourcing and deep learning based segmenting and karyotyping of chromosomes |
CN109508685A (zh) * | 2018-11-23 | 2019-03-22 | 赵雷 | 基于人脸识别技术的电力通信调度方法 |
CN110136157A (zh) * | 2019-04-09 | 2019-08-16 | 华中科技大学 | 一种基于深度学习的三维颈动脉超声图像血管壁分割方法 |
CN110046595A (zh) * | 2019-04-23 | 2019-07-23 | 福州大学 | 一种基于级联式多尺度的密集人脸检测方法 |
Non-Patent Citations (2)
Title |
---|
YARON GUROVICH 等: "Identifying facial phenotypes of genetic disorders using deep learning", 《NATURE MEDICINE》 * |
杨忠: "中国优秀硕士学位论文全文数据库 信息科技辑", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209873A (zh) * | 2020-01-09 | 2020-05-29 | 杭州趣维科技有限公司 | 一种基于深度学习的高精度人脸关键点定位方法及系统 |
CN111932564A (zh) * | 2020-09-24 | 2020-11-13 | 平安科技(深圳)有限公司 | 图片识别方法、装置、电子设备及计算机可读存储介质 |
CN111932564B (zh) * | 2020-09-24 | 2021-03-02 | 平安科技(深圳)有限公司 | 图片识别方法、装置、电子设备及计算机可读存储介质 |
WO2021189910A1 (zh) * | 2020-09-24 | 2021-09-30 | 平安科技(深圳)有限公司 | 图片识别方法、装置、电子设备及计算机可读存储介质 |
CN112200802A (zh) * | 2020-10-30 | 2021-01-08 | 上海商汤智能科技有限公司 | 图像检测模型的训练方法及相关装置、设备、存储介质 |
CN113033551A (zh) * | 2021-03-16 | 2021-06-25 | 北京嘀嘀无限科技发展有限公司 | 对象检测的方法、装置、设备和存储介质 |
CN112967798A (zh) * | 2021-03-22 | 2021-06-15 | 平安国际智慧城市科技股份有限公司 | 基于人脸面容的辅诊方法、装置、电子设备及存储介质 |
CN113705685A (zh) * | 2021-08-30 | 2021-11-26 | 平安科技(深圳)有限公司 | 疾病特征识别模型训练、疾病特征识别方法、装置及设备 |
CN113705685B (zh) * | 2021-08-30 | 2023-08-01 | 平安科技(深圳)有限公司 | 疾病特征识别模型训练、疾病特征识别方法、装置及设备 |
CN114240954A (zh) * | 2021-12-16 | 2022-03-25 | 推想医疗科技股份有限公司 | 网络模型的训练方法及装置、图像分割方法及装置 |
CN114240954B (zh) * | 2021-12-16 | 2022-07-08 | 推想医疗科技股份有限公司 | 网络模型的训练方法及装置、图像分割方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111598867B (zh) | 2021-03-09 |
JP7189257B2 (ja) | 2022-12-13 |
JP2021179975A (ja) | 2021-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598867B (zh) | 用于检测特定面部综合征的方法、装置及计算机可读存储介质 | |
CN109447183B (zh) | 预测模型训练方法、装置、设备以及介质 | |
Tayal et al. | DL-CNN-based approach with image processing techniques for diagnosis of retinal diseases | |
CN111008974A (zh) | 多模型融合的股骨颈骨折区域定位和分割方法及系统 | |
CN114999629A (zh) | 一种基于多特征融合的ad早期预测方法、系统、装置 | |
Mamun et al. | Deep Learning Based Model for Alzheimer's Disease Detection Using Brain MRI Images | |
Kendrick et al. | Translating clinical delineation of diabetic foot ulcers into machine interpretable segmentation | |
CN113782184A (zh) | 一种基于面部关键点与特征预学习的脑卒中辅助评估系统 | |
Tursynova et al. | Brain Stroke Lesion Segmentation Using Computed Tomography Images based on Modified U-Net Model with ResNet Blocks. | |
Tavana et al. | Classification of spinal curvature types using radiography images: deep learning versus classical methods | |
US20230078532A1 (en) | Cerebral hematoma volume analysis | |
CN116484290A (zh) | 一种基于Stacking集成的抑郁症识别模型构建方法 | |
Hossain et al. | COVID-19 detection through deep learning algorithms using chest X-ray images | |
Anuradha et al. | A Deep Learning Based Approach for Automated Diagnosis of Chronic Obstructive Pulmonary Disease using Chest X-Ray Images | |
Durai et al. | Automatic severity grade classification of diabetic retinopathy using deformable ladder Bi attention U-net and deep adaptive CNN | |
Gajaram | An Approach to Classify Ocular diseases using Machine Learning and Deep Learning | |
Ferber et al. | Deep Learning-based COVID-19 diagnostics of low-quality CT images | |
Sivasangari et al. | Diabetic Retinopathy Detection Using Convolution Neural Network | |
Merlin et al. | An Experimental Analysis Based on Automated Detection of Polycystic Ovary Syndrome on Ultrasound Image using Deep Learning Models | |
Jan et al. | Optical Based Gradient-Weighted Class Activation Mapping and Transfer Learning Integrated Pneumonia PredictionModel. | |
Mehta et al. | Computer Aided Diagnostics System for Disease Prediction using Deep Learning | |
Rony | Dr. Md. Zahid Hasan | |
Joy et al. | Automated Parkinson’s Disease Detection from Brain MRI Images Using Deep Convolutional Neural Network | |
Khajeha et al. | Diagnosis of glaucoma using multi‐scale attention block in convolution neural network and data augmentation techniques | |
Khan et al. | Autism Spectrum Disorder Detection in Children Via Deep Learning Models Based on Facial Images |
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 |