CN112053344A - 基于大数据算法的肤质检测方法系统和设备 - Google Patents

基于大数据算法的肤质检测方法系统和设备 Download PDF

Info

Publication number
CN112053344A
CN112053344A CN202010910600.7A CN202010910600A CN112053344A CN 112053344 A CN112053344 A CN 112053344A CN 202010910600 A CN202010910600 A CN 202010910600A CN 112053344 A CN112053344 A CN 112053344A
Authority
CN
China
Prior art keywords
skin
small
image block
low
color
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
CN202010910600.7A
Other languages
English (en)
Inventor
杨洋
林力鑫
王宪林
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202010910600.7A priority Critical patent/CN112053344A/zh
Publication of CN112053344A publication Critical patent/CN112053344A/zh
Pending legal-status Critical Current

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0082—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A61B5/442—Evaluating skin mechanical properties, e.g. elasticity, hardness, texture, wrinkle assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A61B5/443—Evaluating skin constituents, e.g. elastin, melanin, water
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A61B5/444—Evaluating skin marks, e.g. mole, nevi, tumour, scar
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30088—Skin; Dermal
    • 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)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Dermatology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于大数据算法的的肤质检测方法，包括如下步骤：步骤1、建立人脸皮肤样本库；步骤2、获取训练样本集和待识别样本；步骤3、提取彩色小图像块的纹理特征和RGB色彩信息；步骤4、训练VGG16分类器；步骤5、对待识别样本集中的彩色小图像块进行分类；步骤6、统计各类类别下的彩色小图像块的数量占彩色小图像块总数的比例，得到肤质检测结果。本发明提高了对复杂多变的圆形皮肤问题例如肤色检测、肤龄检测、左右单双眼皮、有无眼袋、黑眼圈、抬头纹、鱼尾纹、眼部细纹、法令纹、肤质检测的检测的正确率，能够对各类皮肤问题的严重程度进行分析，提高了人脸皮肤肤质分析的可靠性，并可应用到了自动贩售设备中。

Description

基于大数据算法的肤质检测方法系统和设备
技术领域
本发明属于图像识别技术领域，具体涉及一种基于大数据算法的肤质检测方法、系统和设备。
背景技术
近年来，随着生活水平的提高，医学美容的飞速发展，人们越来越开始注重自身皮肤的健康状况。在对皮肤进行护理时，首先需要对面部皮肤进行合理的评价。人脸皮肤问题主要包括肤色检测、肤龄检测、左右单双眼皮、有无眼袋、黑眼圈、抬头纹、鱼尾纹、眼部细纹、眉间细纹、法令纹、肤质检测，这些皮肤问题是人们关注最多的，在医学上已有明确的鉴定标准，可以通过肉眼判断其类型，但是其严重程度受主观影响较大。目前国内外的人脸皮肤肤质检测产品主要分为两类：1、基于生物电阻抗测量法的金属测试式肤质检测仪，此类产品价格便宜但检测功能单一、精度低；2、基于图像处理的机械检测仪，此产品功能完善，缺点是价格昂贵、体积巨大，不适合随身携带。综上分析，目前急需一种评价皮肤肤况的新方法。
发明内容
本发明针对上述现有技术的不足，提出一种基于大数据算法的肤质检测方法。
本发明涉及一种基于大数据算法的的肤质检测方法，包括如下步骤：
步骤1、建立人脸皮肤样本库：采集皮肤图像并将其均分为多个彩色小图像块，将皮肤状态分类，使彩色小图像块与皮肤状态对应；确定彩色小图像块对应皮肤状态的种类，组成人脸皮肤样本库；
步骤2、获取训练样本集和待识别样本：从人脸皮肤样本库中，随机选取彩色小图像块及其对应的种类组成训练样本集；将人脸皮肤样本库中剩余所有彩色小图像块组成待识别样本集；
步骤3、提取彩色小图像块的纹理特征和RGB色彩信息；
步骤4、训练VGG16分类器：将没有顶层的VGG16分类模型作为分类器；然后将训练样本集中，所有彩色小图像块的纹理特征和RGB色彩信息，与每个彩色小图像块对应的种类，同时输入到分类器中进行训练，得到训练好的VGG16分类器；
步骤5、对待识别样本集中的彩色小图像块进行分类：将待识别样本集中每个彩色小图像块的纹理特征和RGB色彩信息同时输入到训练好的VGG16分类器中进行分类，得到每个彩色小图像块的分类结果；
步骤6、统计各类类别下的彩色小图像块的数量占彩色小图像块总数的比例，得到肤质检测结果。
进一步地，步骤3中，提取彩色小图像块的纹理特征和RGB色彩信息的具体方法如下：
(3a)利用转换公式，将每个彩色小图像块从RGB色彩空间转换到HSV色彩空间，并从HSV色彩空间中分离出S通道；
(3b)利用低频图像的小波分解公式，对S通道进行小波分解，得到每个彩色小图像块对应的低频小图像块；
(3c)利用最大类间方差公式，计算每个低频小图像块的最大类间方差；
(3d)将最大类间方差对应的分割阈值作为最佳阈值；
(3e)判断每个低频小图像块的最佳阈值是否大于低频小图像块的平均灰度值，若是，则判定该低频小图像块中含有毛发，执行步骤(3f)，否则，则判定该低频小图像块中不含有毛发；
(3f)将每个低频小图像块的最佳阈值加40后，得到更新后的最佳阈值，使用更新后的最佳阈值对含有毛发的低频小图像块进行二值化处理，得到去除皮肤毛发干扰的二值小图像块；
(3g)对每个不含有毛发的低频小图像块进行二值化处理；
(3h)将每个二值小图像块中白色像素点的分布，作为与其对应的彩色小图像块的纹理特征；
(3i)将每个二值化后的小图像块与其对应的RGB彩色小图像块相乘，得到彩色小图像块的RGB色彩信息。
进一步地，步骤(3a)中，所述转换公式如下：
Figure BDA0002663111200000021
其中，S(i,j)表示横坐标为i、纵坐标为j的HSV图像像素点的饱和度通道数值，max表示取最大值操作，r,g,b分别表示RGB颜色空间的红、绿、蓝三个通道的数值，r,g,b∈[0,1,...,255]，min表示取最小值操作。
进一步地，步骤(3b)中，所述低频图像的小波分解公式如下：
Dj＝LrLcCj
其中，Dj表示第j次小波分解后的低频图像，L表示一维低通镜像小波滤波算子，r和c分别表示S通道图像的行和列，Cj表示第j次小波分解前的S通道图像。
进一步地，步骤(3c)中，所述最大类间方差公式如下：
Figure BDA0002663111200000031
其中，T表示图像的分割阈值，分割阈值T按图像像素大小将低频小图像块分为目标和背景两部分，gT表示分割阈值为T的低频小图像块的类间方差，w0表示低频小图像块的目标像素占低频小图像块像素总数的比例，u0表示目标像素点的平均灰度，u表示低频小图像块的平均灰度。
进一步地，步骤1中，采集皮肤图像的方法为：通过高清摄像头采集至少1000个人的彩色皮肤图像，每个人采集人脸的5个部位，每个部位的采集10张图像收集至样本库。
进一步地，步骤1中，所述皮肤状态可分为：肤色检测、肤龄检测、左右单双眼皮、有无眼袋、黑眼圈、抬头纹、鱼尾纹、眼部细纹、眉间细纹、法令纹、肤质检测。
进一步地，步骤6中，将肤质检测结果与后台数据库中护肤品类进行关联选择，将结果传导至前端销售界面，以选择适合的护肤品。
本发明涉及一种基于大数据算法的的肤质检测方法的系统。
本发明还涉及一种基于大数据算法的肤质检测设备，所述设备包括肤质检测组件1、磁感应电动门2、第一人机交互触摸屏3、处理器4、灯带5、脚踏式重力感应光源6；检测组件1的主体为亚克力材质圆柱体，磁感应电动门2以铝型材T型螺栓固定在所述主体上，第一人机交互触摸屏3固定于主体的背板上，处理器4内置于第一人机交互触摸屏3中，面部激光定位装置与广角图像采集装置以内嵌方式嵌于所述主体背板上，脚踏式重力感应光源6嵌于主体底部。
进一步地，所述设备还包括售卖装置，该售卖装置包括第二人机交互触摸屏7、双轴升降机8、货仓9、贩售组件10和出货口11；第二人机交互触摸屏7通过挖孔的方式嵌于10贩售组件，出货口11连接货仓9，双轴升降机8用固定螺栓安装于货仓9内部，通过第二人机交互触摸屏7选定商品，由双轴升降机8在货仓9内部定位，取出货物送至出货口11。
本发明提高了对复杂多变的圆形皮肤问题例如肤色检测、肤龄检测、左右单双眼皮、有无眼袋、黑眼圈、抬头纹、鱼尾纹、眼部细纹、眉间细纹、法令纹、肤质检测的检测的正确率，能够对各类皮肤问题的严重程度进行分析，提高了人脸皮肤肤质分析的可靠性，并可应用到了自动贩售设备中。本发明与现有技术相比有以下优点：
第一，本发明采用二值化后的小图像块与其对应的RGB彩色小图像块相乘，得到彩色小图像块的RGB色彩信息，并利用卷积神经网络的VGG16分类模型对提取到的特征进行训练，克服了现有技术中由于缺乏对色彩特征的提取而导致对于复杂多变的圆形皮肤问题较难分辨的缺点，使本发明能够检测斑点、痤疮、毛孔、痣。
第二，本发明采用将每张彩色皮肤图像均分为100个彩色小图像块，统计各类类别下的彩色小图像块的数量占彩色小图像块总数的比例，克服了现有技术中缺乏对皮肤问题严重程度的检测的缺点，使本发明能够直观的呈现皮肤肤况。
附图说明
图1为本发明的肤质检测方法流程图；
图2(a)为采集人脸的5个部位的整体示意图；图2(b)为采集人脸的额头样本示意图；图2(c)为采集人脸的右侧脸颊上侧部位样本示意图；图2(d)为采集人脸的左侧脸颊上侧部位样本示意图；图2(e)为采集人脸的右侧脸颊下侧部位样本示意图；图2(f)为采集人脸的左侧脸颊下侧部位样本示意图；
图3为本发明的提取彩色小图像块的纹理特征和RGB色彩信息流程图。
图4为本发明的肤质检测设备结构示意图。
图5为本发明的肤质检测设备的局部结构示意图。
图6为本发明的肤质检测设备的另一局部结构示意图。
具体实施方式
下面对本发明的肤质检测方法进行具体说明，如图1所示：
步骤一、建立人脸皮肤样本库：通过高清摄像头采集100个人的彩色皮肤图像。
对每个人的人脸中除了人脸五官之外的5个部位进行采集的过程做进一步的描述。如图图2(a)所示，为采集人脸的5个部位的整体示意图；图2(b)为采集人脸的额头样本示意图；图2(c)为采集人脸的右侧脸颊上侧部位样本示意图；图2(d)为采集人脸的左侧脸颊上侧部位样本示意图；图2(e)为采集人脸的右侧脸颊下侧部位样本示意图；图2(f)为采集人脸的左侧脸颊下侧部位样本示意图；每个部位的采集10张图像，采集过程保持光源与物理距离一致，保持摄像头稳定。
将每张彩色皮肤图像均分为100个彩色小图像块，并将皮肤状态分为6类：正常皮肤、毛孔粗大、痤疮、斑点、皱纹、痣，每个彩色小图像块对应一种皮肤状态，遍历每个彩色小图像块，确定每个彩色小图像块对应皮肤状态的种类。将所有的彩色小图像块和每个彩色小图像块对应的种类，组成人脸皮肤样本库。
步骤二、获取训练样本集和待识别样本：从人脸皮肤样本库中，随机选取70％的彩色小图像块及其对应的种类组成训练样本集，剩余所有彩色小图像块组成待识别样本集。
步骤三、提取彩色小图像块的纹理特征和RGB色彩信息：如附图3所示，提取彩色小图像块的纹理特征和RGB色彩信息的流程如下：
第1步：输入彩色小图像块。
第2步：通过转换公式，将每个彩色小图像块从RGB色彩空间转换到HSV色彩空间，并从HSV色彩空间中分离出S通道。
Figure BDA0002663111200000051
其中，S(i,j)表示横坐标为i、纵坐标为j的HSV图像像素点的饱和度通道数值，max表示取最大值操作，r,g,b分别表示RGB颜色空间的红、绿、蓝三个通道的数值，r,g,b∈[0,1,...,255]，min表示取最小值操作。
第3步：通过低频图像的小波分解公式，对S通道进行小波分解，得到每个彩色小图像块对应的低频小图像块。
Dj＝LrLcCj
其中，Dj表示第j次小波分解后的低频图像，L表示一维低通镜像小波滤波算子，r和c分别表示S通道图像的行和列，Cj表示第j次小波分解前的S通道图像。
第4步：通过最大类间方差公式，计算每个低频小图像块的最大类间方差，并将最大类间方差对应的分割阈值作为最佳阈值。
Figure BDA0002663111200000052
其中，T表示图像的分割阈值，分割阈值T按图像像素大小将低频小图像块的分为目标和背景两部分，gT表示分割阈值为T的低频小图像块的类间方差，w0表示低频小图像块的目标像素占低频小图像块像素总数的比例，u0表示目标像素点的平均灰度，u表示低频小图像块的平均灰度。
第5步：判断每个低频小图像块的最佳阈值是否大于低频小图像块的平均灰度，若是，则判定该低频小图像块中含有毛发，执行第6步，否则，判定该低频小图像块中不含有毛发，执行第7步。
第6步：将每个低频小图像块的最佳阈值加40，得到更新后的最佳阈值，使用更新后的最佳阈值对含有毛发的低频小图像块进行二值化处理，得到去除皮肤毛发干扰的二值小图像块。
第7步：对每个低频小图像块进行二值化处理。
第8步：将每个二值化后的小图像块与其对应的RGB彩色小图像块相乘，得到彩色小图像块的RGB色彩信息。
二值化处理后的小图像块由黑色和白色两种颜色组成，黑色像素点的像素值为0，白色像素点的像素值为1，RGB彩色小图像块的像素值取值范围为0到255。将每个二值化处理后的小图像块与其对应的RGB彩色小图像块相乘，二值化小图像块中黑色像素点与RGB彩色小图像块中对应的彩色像素点相乘得到黑色像素点，二值化小图像块中白色像素点与RGB彩色小图像块中对应的彩色像素点相乘得到彩色像素点。
步骤四、利用训练样本集对VGG16分类器进行训练：将没有顶层的VGG16分类模型作为分类器。分类器的网络结构如表1所示。将训练样本集中所有彩色小图像块的纹理特征和RGB色彩信息与每个彩色小图像块对应的种类，同时输入到分类器中进行训练，得到训练好的VGG16分类器。
表1
网络层 特征维数
输入层(100×100RGB彩色图像)
卷积层Block1Conv1 100×100×64
卷积层Block1Conv2 100×100×64
池化层BlockPool 50×50×64
卷积层Block2Conv1 50×50×128
卷积层Block2Conv2 50×50×128
池化层Block2Pool 25×25×128
卷积层Block3Conv1 25×25×256
卷积层Block3Conv2 25×25×256
卷积层Block3Conv3 25×25×256
池化层Block3Pool 13×13×256
卷积层Block4Conv1 13×13×256
卷积层Block4Conv2 13×13×256
卷积层Block4Conv3 13×13×256
池化层Block4Pool 7×7×512
卷积层Block5Conv1 7×7×512
卷积层Block5Conv2 7×7×512
卷积层Block5Conv3 7×7×512
池化层Block5Pool 4×4×512
步骤五、对待识别样本集中的彩色小图像块进行分类：将待识别样本集中每个彩色小图像块的纹理特征和RGB色彩信息同时输入到训练好的VGG16分类器中进行分类，得到每个彩色小图像块的分类结果。
步骤六、统计各类类别占彩色皮肤图像的比例：统计各类类别下的彩色小图像块的数量占彩色小图像块总数的比例，通过分析各类皮肤状态所占的比例，对人脸皮肤肤质进行综合分析，正常皮肤状态所占比例越高，说明人脸皮肤肤质越好，其他类皮肤状态所占类别越高、越多，说明人脸皮肤问题越严重。
本发明还包括一种肤质检测的系统，该系统中利用了上述实施例中的方法。
另外，本发明还涉及一种肤质检测设备，如图4至6所示，该设备中设置了上述肤质检测系统，通过该系统对肤质进行检测，诊断出肌肤问题，具体包括如下结构：
肤质检测组件1、磁感应电动门2、第一人机交互触摸屏3、处理器4、灯带5、脚踏式重力感应光源6、第二人机交互触摸屏7、双轴升降机8、货仓9、贩售组件10和出货口11、LED灯带12、灯带移动轨道13、同步轮14、联轴器15、步进电机16和同步带17。
其中，检测组件1的主体为亚克力材质圆柱体，磁感应电动门2以铝型材T型螺栓固定在所述主体上，第一人机交互触摸屏3固定于主体的背板上，处理器4内置于第一人机交互触摸屏3中，面部激光定位装置与广角图像采集装置以内嵌方式嵌于所述主体背板上，脚踏式重力感应光源6嵌于主体底部。第二人机交互触摸屏7通过挖孔的方式嵌于10贩售组件，出货口11连接货仓9，双轴升降机8用固定螺栓安装于货仓9内部，通过第二人机交互触摸屏7选定商品，由双轴升降机8在货仓9内部定位，取出货物送至出货口11。
LED灯带12通过滑轮嵌于灯带移动轨道13，与同步带17相连，同步带17以同步轮14为轴点与轴连器15相接于进电机16，以步进电机16为动力源实现LED灯带12上下滑动。
该设备的具体操作如下：
启动检测摄像头，将用户面部肤质信息通过广角式图像采集装置传导至CPU，CPU通过上述方法对用户面部图像信息进行分析，得出面部肤质信息，并与数据库中的护肤进行配对，CPU将独处的面部肤质信息与配对结果传导至人机交互触摸屏与用户进行交互，用户从检测组件得到分析数据，根据需求在贩售组件中进行消费。
在护肤品消费过程中，多数用户对于产品成分了解不足，对于自身面部问题了解单一，造成所选择商品的过程中所选商品不能解决自身面部存在的问题，不能达到用户预期使用目的，本发明通过消费前面部检测，使用户充分了解自身存在的问题，并通过数据对比精准的分析出皮肤所存在的问题并将含有对应解决问题成分的护肤品推荐给用户，将用户面部肤质问题与现有市场护肤产品成分进行配比根据用户需求精确引导消费。
上述内容仅为本发明的较佳实施例，并非用于限制本发明的实施方案，本领域普通技术人员根据本发明的主要构思和精神，可以十分方便地进行相应的变通或修改，故本发明的保护范围应以权利要求书所要求的保护范围为准。

Claims (10)

1.一种基于大数据算法的肤质检测方法，其特征在于，包括如下步骤：
步骤1、建立人脸皮肤样本库：采集皮肤图像并将其均分为多个彩色小图像块，将皮肤状态分类，使彩色小图像块与皮肤状态对应；确定彩色小图像块对应皮肤状态的种类，组成人脸皮肤样本库；
步骤2、获取训练样本集和待识别样本：从人脸皮肤样本库中，随机选取彩色小图像块及其对应的种类组成训练样本集；将人脸皮肤样本库中剩余所有彩色小图像块组成待识别样本集；
步骤3、提取彩色小图像块的纹理特征和RGB色彩信息；
步骤4、训练VGG16分类器：将没有顶层的VGG16分类模型作为分类器；然后将训练样本集中，所有彩色小图像块的纹理特征和RGB色彩信息，与每个彩色小图像块对应的种类，同时输入到分类器中进行训练，得到训练好的VGG16分类器；
步骤5、对待识别样本集中的彩色小图像块进行分类：将待识别样本集中每个彩色小图像块的纹理特征和RGB色彩信息同时输入到训练好的VGG16分类器中进行分类，得到每个彩色小图像块的分类结果；
步骤6、统计各类类别下的彩色小图像块的数量占彩色小图像块总数的比例，得到肤质检测结果。
2.根据权利要求1所述的基于大数据算法的肤质检测方法，其特征在于，步骤3中，提取彩色小图像块的纹理特征和RGB色彩信息的具体方法如下：
(3a)利用转换公式，将每个彩色小图像块从RGB色彩空间转换到HSV色彩空间，并从HSV色彩空间中分离出S通道；
(3b)利用低频图像的小波分解公式，对S通道进行小波分解，得到每个彩色小图像块对应的低频小图像块；
(3c)利用最大类间方差公式，计算每个低频小图像块的最大类间方差；
(3d)将最大类间方差对应的分割阈值作为最佳阈值；
(3e)判断每个低频小图像块的最佳阈值是否大于低频小图像块的平均灰度值，若是，则判定该低频小图像块中含有毛发，执行步骤(3f)，否则，则判定该低频小图像块中不含有毛发；
(3f)将每个低频小图像块的最佳阈值加40后，得到更新后的最佳阈值，使用更新后的最佳阈值对含有毛发的低频小图像块进行二值化处理，得到去除皮肤毛发干扰的二值小图像块；
(3g)对每个不含有毛发的低频小图像块进行二值化处理；
(3h)将每个二值小图像块中白色像素点的分布，作为与其对应的彩色小图像块的纹理特征；
(3i)将每个二值化后的小图像块与其对应的RGB彩色小图像块相乘，得到彩色小图像块的RGB色彩信息。
3.根据权利要求2所述的基于大数据算法的肤质检测方法，其特征在于，步骤(3a)中，所述转换公式如下：
Figure FDA0002663111190000021
其中，S(i,j)表示横坐标为i、纵坐标为j的HSV图像像素点的饱和度通道数值，max表示取最大值操作，r,g,b分别表示RGB颜色空间的红、绿、蓝三个通道的数值，r,g,b∈[0,1,...,255]，min表示取最小值操作。
4.根据权利要求2所述的基于大数据算法的肤质检测方法，其特征在于，步骤(3b)中，所述低频图像的小波分解公式如下：
Dj＝LrLcCj
其中，Dj表示第j次小波分解后的低频图像，L表示一维低通镜像小波滤波算子，r和c分别表示S通道图像的行和列，Cj表示第j次小波分解前的S通道图像。
5.根据权利要求2所述的基于大数据算法的肤质检测方法，其特征在于，步骤(3c)中，所述最大类间方差公式如下：
Figure FDA0002663111190000022
其中，T表示图像的分割阈值，分割阈值T按图像像素大小将低频小图像块分为目标和背景两部分，gT表示分割阈值为T的低频小图像块的类间方差，w0表示低频小图像块的目标像素占低频小图像块像素总数的比例，u0表示目标像素点的平均灰度，u表示低频小图像块的平均灰度。
6.根据权利要求1所述的基于大数据算法的肤质检测方法，其特征在于，步骤1中，采集皮肤图像的方法为：通过高清摄像头采集至少1000个人的彩色皮肤图像，每个人采集人脸的5个部位，每个部位的采集10张图像收集至样本库。
7.根据权利要求1所述的基于大数据算法的肤质检测方法，其特征在于，步骤1中，所述皮肤状态可分为：肤色检测、肤龄检测、左右单双眼皮、有无眼袋、黑眼圈、抬头纹、鱼尾纹、眼部细纹、眉间细纹、法令纹、肤质检测。
8.一种利用上述权利要求1至7任一项所述的肤质检测方法的系统。
9.一种包括上述权利要求8所述肤质检测系统的设备，其特征在于，所述设备包括肤质检测组件(1)、磁感应电动门(2)、第一人机交互触摸屏(3)、处理器(4)、灯带(5)、脚踏式重力感应光源(6)；检测组件(1)的主体为亚克力材质圆柱体，磁感应电动门(2)以铝型材T型螺栓固定在所述主体上，第一人机交互触摸屏(3)固定于主体的背板上，处理器(4)内置于第一人机交互触摸屏(3)中，面部激光定位装置与广角图像采集装置以内嵌方式嵌于所述主体背板上，脚踏式重力感应光源(6)嵌于主体底部。
10.根据权利要求9所述的肤质检测设备，其特征在于，所述设备还包括售卖装置，该售卖装置包括第二人机交互触摸屏(7)、双轴升降机(8)、货仓(9)、贩售组件(10)和出货口(11)；第二人机交互触摸屏(7)通过挖孔的方式嵌于(10)贩售组件，出货口(11)连接货仓(9)，双轴升降机(8用固定螺栓安装于货仓(9)内部，通过第二人机交互触摸屏(7)选定商品，由双轴升降机(8)在货仓(9)内部定位，取出货物送至出货口(11)。
CN202010910600.7A 2020-09-02 2020-09-02 基于大数据算法的肤质检测方法系统和设备 Pending CN112053344A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010910600.7A CN112053344A (zh) 2020-09-02 2020-09-02 基于大数据算法的肤质检测方法系统和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010910600.7A CN112053344A (zh) 2020-09-02 2020-09-02 基于大数据算法的肤质检测方法系统和设备

Publications (1)

Publication Number Publication Date
CN112053344A true CN112053344A (zh) 2020-12-08

Family

ID=73606737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010910600.7A Pending CN112053344A (zh) 2020-09-02 2020-09-02 基于大数据算法的肤质检测方法系统和设备

Country Status (1)

Country Link
CN (1) CN112053344A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113838029A (zh) * 2021-09-24 2021-12-24 万章敏 医疗影像评价方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961426A (zh) * 2019-03-11 2019-07-02 西安电子科技大学 一种人脸皮肤肤质的检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961426A (zh) * 2019-03-11 2019-07-02 西安电子科技大学 一种人脸皮肤肤质的检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113838029A (zh) * 2021-09-24 2021-12-24 万章敏 医疗影像评价方法及系统
CN113838029B (zh) * 2021-09-24 2024-04-30 南京中赢医疗科技有限公司 医疗影像评价方法及系统

Similar Documents

Publication Publication Date Title
CN109961426B (zh) 一种人脸皮肤肤质的检测方法
Alquran et al. The melanoma skin cancer detection and classification using support vector machine
Barata et al. A system for the detection of pigment network in dermoscopy images using directional filters
CN109271969B (zh) 一种脑胶质瘤分级评价方法及其装置
CN110464366A (zh) 一种情绪识别方法、系统及存储介质
Ichim et al. Melanoma detection using an objective system based on multiple connected neural networks
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
WO2013037119A1 (zh) 红细胞形态学分析装置及其方法
CN112396573A (zh) 基于图像识别的面部皮肤分析方法及系统
CN110363088B (zh) 基于多特征融合的自适应皮肤炎症区域检测方法
KR102162683B1 (ko) 비정형 피부질환 영상데이터를 활용한 판독보조장치
CN103034838A (zh) 一种基于图像特征的特种车辆仪表类型识别与标定方法
CN116849612B (zh) 一种多光谱舌象图像采集分析系统
Sivaraj et al. Detecting anomalous growth of skin lesion using threshold-based segmentation algorithm and Fuzzy K-Nearest Neighbor classifier
CN1092372C (zh) 虹膜识别方法
CN110289097A (zh) 一种基于Xgboost神经网络堆叠模型的模式识别诊断系统
Sharma et al. Automatically detection of skin cancer by classification of neural network
Mahdiraji et al. Skin lesion images classification using new color pigmented boundary descriptors
CN105354405A (zh) 基于机器学习的免疫组化图像自动化判读系统
CN112053344A (zh) 基于大数据算法的肤质检测方法系统和设备
CN114632274A (zh) 一种超声波美容、减脂、纤体装置及方法
Sheha et al. Pigmented skin lesion diagnosis using geometric and chromatic features
Srinivasan et al. Classification of cervix lesions using filter bank-based texture mode
CN115170513A (zh) 一种人体皮肤检测方法及其检测系统
Jardeleza et al. Detection of Common Types of Eczema Using Gray Level Co-occurrence Matrix and Support Vector Machine

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201208