CN112699760A - 一种脸部目标区域检测方法、装置和设备 - Google Patents
一种脸部目标区域检测方法、装置和设备 Download PDFInfo
- Publication number
- CN112699760A CN112699760A CN202011550837.5A CN202011550837A CN112699760A CN 112699760 A CN112699760 A CN 112699760A CN 202011550837 A CN202011550837 A CN 202011550837A CN 112699760 A CN112699760 A CN 112699760A
- Authority
- CN
- China
- Prior art keywords
- image
- color
- target
- face
- pixel
- 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
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
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Color Image Communication Systems (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及一种脸部目标区域检测方法、装置和设备,所述方法包括:获取带有人脸的原始图像,对所述原始图像进行二值化处理后,提取出人脸的待处理图像;在Lab颜色空间内,对所述待处理图像的所有像素进行颜色值量化处理,得到量化后图像;根据目标颜色在所述Lab颜色空间内的像素值,在所述量化后图像中确定目标区域,所述目标区域用于检测人脸的皮肤状态。本发明实施例通过颜色增强操作,强化颜色值,在通过颜色值量化操作,进一步增强颜色特征,从而能够更好地提取目标区域。
Description
技术领域
本发明实施例涉及检测设备技术领域,特别涉及一种脸部目标区域检测方法、装置和设备。
背景技术
随着移动通信技术的快速发展,各种智能终端广泛应用于人们的日常生活中,人们会采用APP等软件初步了解一些健康问题,其中,脸部作为人体健康的一项重要指标,且脸部皮肤问题,如痘痘、色素斑及毛孔等有效反应人体健康。
现有技术中,可以通过图像处理的检测仪进行脸部检测,但是,容易受到图像背景的干扰,脸部区域提取不准确,容易出现脸部以外的红色区域,且提取到的红色颜色特征单一,可提取的颜色特征信息不足,导致红区检测的准确性不高。
发明内容
本发明实施例的目的是提供一种脸部目标区域检测方法、装置和设备,通过颜色增强操作,强化颜色值,在通过颜色值量化操作,进一步增强颜色特征,从而能够更好地提取人脸中用于检测皮肤状态的目标区域。
第一方面,本发明实施例提供了一种脸部目标区域检测方法,所述方法包括:
获取带有人脸的原始图像,对所述原始图像进行二值化处理后,提取出人脸的待处理图像;
在Lab颜色空间内,对所述待处理图像的所有像素进行颜色值量化处理,得到量化后图像;
根据目标颜色在所述Lab颜色空间内的像素值,在所述量化后图像中确定目标区域,所述目标区域用于检测人脸的皮肤状态。
在一些是实施例中,所述获取带有人脸的原始图像,对所述原始图像进行二值化处理后,提取出人脸的待处理图像,包括:
获取带有人脸的原始图像;
根据人脸关键点算法,在所述原始图像中获取脸部轮廓以及至少一个关键点区域;
将所述脸部轮廓以内中除所述关键点区域以外的区域作为有效区域;
将所述有效区域的像素点的灰度值设置为第一灰度值,且将所述关键点区域上的像素点的灰度值设置为第二灰度值,获得人脸二值化图像;
根据所述人脸二值化图像及所述原始图像,获取待处理图像。
在一些实施例中,在所述对所述原始图像进行二值化处理后,提取出人脸的待处理图像之后,所述方法还包括:
将所述待处理图像中的所有像素转换到HSV颜色空间内,得到HSV图像;
绘制所述HSV图像的原始直方图;
统计所述原始直方图中每个灰度级像素出现的概率;
利用累积分布函数对所述每个灰度级像素出现的概率进行调整,以更新所述待处理图像的每个灰度级像素的亮度分布。
在一些实施例中,所述在Lab颜色空间内,对所述待处理图像的所有像素进行颜色值量化处理,得到量化后图像,包括:
将所述待处理图像中的所有像素转换到Lab颜色空间,得到Lab图像、Lab图像对应的颜色种类数量,以及每种颜色的像素数;
遍历每种颜色,找到色差最小的两种颜色;
将所述色差最小的两种颜色分类为一种颜色,得到替换颜色;
用所述替换颜色替换所述色差最小的两种颜色,以更新所述颜色种类数量及每种颜色的像素数;
组合所述替换颜色及所述替换颜色的像素数,得到量化后图像,所述量化后图像的颜色种类数量少于所述Lab图像的颜色种类数量。
在一些实施例中,在所述得到量化后图像之后,所述方法还包括:
采用中值滤波方式,对所述量化后图像进行滤波处理。
在一些实施例中,所述根据目标颜色在所述Lab颜色空间内的像素值,在所述量化后图像中确定目标区域,所述目标区域用于检测人脸的皮肤状态,包括:
根据目标颜色在所述Lab颜色空间的像素值,从所述量化后图像中获取所有目标颜色的像素位置信息;
根据所述目标颜色的像素位置信息,构建目标区域。
在一些实施例中,在所述根据目标颜色在所述Lab颜色空间内的像素值,在所述量化后图像中确定目标区域,所述目标区域用于检测人脸的皮肤状态之后,所述方法还包括:
获取所述目标区域的像素点;
根据所述目标区域的像素点及所述量化后图像的总像素点,计算所述目标区域在所述量化后图像中的占比;
根据所述占比,确定目标区域对应的状态等级。
第二方面,本发明实施例提供了一种脸部目标区域检测装置,所述装置包括:
获取模块,用于获取带有人脸的原始图像,对所述原始图像进行二值化处理后,提取出人脸的待处理图像;
量化模块,用于在Lab颜色空间内,对所述待处理图像的所有像素进行颜色值量化处理,得到量化后图像;
确定目标模块,用于根据目标颜色在所述Lab颜色空间内的像素值,在所述量化后图像中确定目标区域,所述目标区域用于检测人脸的皮肤状态。
第三方面,本发明实施例提供了一种脸部目标区域检测设备,所述脸部目标区域检测设备包括:
至少一个处理器,以及
存储器,所述存储器与所述至少一个处理器通信连接,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的方法。
第四方面,本发明实施例提供了一种非易失性计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,当所述计算机可执行指令被脸部目标区域检测设备执行时,使所述脸部目标区域检测设备执行如上所述的方法。
本发明实施例的脸部目标区域检测方法、装置和设备,根据带有人脸的原始图像获取待处理图像,然后,在Lab颜色空间内,对所述人脸图像的所有像素进行颜色值量化处理,得到量化后图像,从而合理减少待处理图像中的颜色种类,进一步增强颜色特征,并且,根据目标颜色在所述Lab颜色空间内的像素值,在所述量化后图像中确定目标区域,所述目标区域用于检测人脸的皮肤状态。比如,目标颜色为红色时,根据红色在Lab颜色空间内的像素值,在量化后图像中确定目标区域为红色的区域,从而准确检测出脸部的红色区域。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是本发明脸部目标区域检测方法的一个实施例的流程示意图;
图2是本发明脸部目标区域检测方法的一个实施例的关键点区域示意图;
图3是本发明脸部目标区域检测方法的一个实施例的人脸有效区域二值化图像;
图4a是本发明脸部目标区域检测方法的一个实施例的HSV图像的灰度图;
图4b是图4a的原始直方图;
图5a是图4a均衡后的图像;
图5b是图5a的直方图;
图6是本发明脸部目标区域检测装置的一个实施例的结构示意图;
图7是本发明脸部目标区域检测装置的一个实施例的结构示意图;
图8是本发明脸部目标区域检测设备的一个实施例中控制器的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的脸部目标区域检测方法和装置可以应用于脸部目标区域检测设备。其中,脸部目标区域检测设备可以为智能终端设备,如智能手机、电脑、Ipad等终端设备。
可以理解的是,脸部目标区域检测设备中,设置有控制器,作为主控中心,通过颜色增强操作,强化颜色值,在通过颜色值量化操作,进一步增强颜色特征,从而能够更好地提取目标区域。
请参阅图1,图1为本发明实施例提供的脸部目标区域检测方法的流程示意图,所述方法可以由脸部目标区域检测设备中的控制器13执行,如图1所示,所述方法应用于脸部目标区域检测设备,所述方法包括:
101:获取带有人脸的原始图像,对所述原始图像进行二值化处理后,提取出人脸的待处理图像。
带有人脸的原始图像,可以通过脸部目标区域检测设备的摄像装置采集,或者是接收其他设备发送的原始图像。
在其中一些实施例中,获取带有人脸的原始图像,对所述原始图像进行二值化处理后,提取出人脸的待处理图像,可以包括:
获取带有人脸的原始图像;
根据人脸关键点算法,在所述原始图像中获取脸部轮廓以及至少一个关键点区域;
将所述脸部轮廓以内中除所述关键点区域以外的区域作为有效区域;
将所述有效区域的像素点的灰度值设置为第一灰度值,且将所述关键点区域上的像素点的灰度值设置为第二灰度值,获得人脸二值化图像;
根据所述人脸二值化图像及所述原始图像,获取待处理图像。
在得到带有人脸的原始图像后,采用人脸关键点算法,在原始图像中获取至少一个关键点区域。
人脸关键点检测也称为人脸关键点检测、定位或者人脸对齐,是指给定人脸图像,定位出人脸面部的关键区域位置,包括眉毛、眼睛、鼻子、嘴巴、脸部轮廓等。
人脸关键点检测方法大致分为三种:基于模型的ASM(Active Shape Model)和AAM(Active Appearnce Model)、基于级联形状回归CPR(Cascaded pose regression)及基于深度学习的方法。
通过上述三种方式,检测出包括眉毛、眼睛、鼻子、嘴巴及脸部轮廓几个关键点区域,如图2所示。在脸部轮廓内部区域中,除了眉毛、眼睛、鼻子、嘴巴的关键点区域以外的区域,为有效区域。
在得到有效区域后,将所述有效区域的像素点的灰度值设置为第一灰度值,如图3所示,将脸部轮廓区域以内的除眉毛、眼睛、鼻子、嘴巴几个关键点区域之外的区域的像素点的灰度值设置为1,将关键点区域包括眉毛、眼睛、鼻子、嘴巴的区域的像素点的灰度值设置为第二灰度值,如设置为0,从而得到如图3所示的人脸有效区域二值化图。
在得到人脸二值化图像Imask后,根据所述人脸二值化图像及所述原始图像,获取待处理图像。具体地,根据如下公式1计算待处理图像I:
I=src*Imask 公式1
其中,I表示待处理图像,src表示人脸图像,Imask表示人脸二值化图像。
通过获取人脸的有效区域,能够有效降低脸部以外的红色像素带来的影响,在得到人脸二值化图像Imask后,所述人脸二值化图像Imask及所述原始图像src相乘,得到待处理图像I,主要作用是抑制原始图像的中的眉毛、眼睛、鼻子、嘴巴几个关键点区域,从而加强有效区域颜色值。
在其中一些实施例中,在所述对所述原始图像进行二值化处理后,提取出人脸的待处理图像之后,方法还可以包括:
将所述待处理图像中的所有像素转换到HSV颜色空间内,得到HSV图像;
绘制所述HSV图像的原始直方图;
统计所述原始直方图中每个灰度级像素出现的概率;
利用累积分布函数对所述每个灰度级像素出现的概率进行调整,以更新所述待处理图像的每个灰度级像素的亮度分布。
具体地,在得到待处理图像之后,会对待处理图像进行直方图均衡化处理,直方图均衡化的目的在于增强待处理图像的视觉质量效果,并且,直方图均衡化还可以克服待处理图像的颜色直方图亮度不均的缺点,在对待处理图像进行直方图均衡化后,能够有效增强均衡化后的待处理图像的亮度。
具体的直方图均衡化处理为:
将所述待处理图像中的所有像素转换到HSV颜色空间内,得到HSV图像;
绘制所述HSV图像的原始直方图;
统计所述原始直方图中每个灰度级像素出现的概率;
利用累积分布函数对所述每个灰度级像素出现的概率进行调整,以更新所述待处理图像的每个灰度级像素的亮度分布。
HSV颜色空间,能够非常直观地表达颜色的色调、鲜艳程度和明暗程度,方便进行颜色的对比。H(HUE,色调、色相),S(Saturation,饱和度、色彩纯净度),V(Value,明度)。
在Hue一定的情况下,饱和度减小,就是往光谱色中添加白色,光谱色所占的比例也在减小,饱和度减为0,表示光谱色所占的比例为零,导致整个颜色呈现白色。
明度V减小,就是往光谱色中添加黑色,光谱色所占的比例也在减小,明度减为0,表示光谱色所占的比例为零,导致整个颜色呈现黑色。
HSV对用户来说是一种比较直观的颜色模型,可以很轻松地得到单一颜色,即指定颜色角H,并让V=S=1,然后通过向其中加入黑色和白色来得到我们需要的颜色。增加黑色可以减小V而S不变,同样增加白色可以减小S而V不变。例如,要得到深蓝色,V=0.4S=1H=240度。要得到浅蓝色,V=1S=0.4H=240度。
需要说明的是,待处理图像为RGB图像,为二维图像,因此,在HSV颜色空间内,待处理图像转换为三维图像HSV图像,并且,在HSV颜色空间内,对所述待处理图像进行直方图均衡化处理。
在进行均衡化处理时,首先,将所述待处理图像中的所有像素转换到HSV颜色空间内,得到HSV图像,然后,绘制所述HSV图像的原始直方图,可以在opencv里面直接绘制直方图,也可以用MATLAB绘制直方图。
在原始直方图中,统计每个灰度级像素出现的概率,根据公式2计算:
P(SK)=nK/n,k=0,1,……L-1 公式2;
其中,P(SK)表示HSV图像对应的每个灰度级像素出现的概率,n表示HSV图像中的总像素值,nk表示灰度级SK的像素值,L表示颜色值范围是0-255的最大颜色值255。
在绘制原始直方图后,需要将直方图归一化,即把灰度范围由0~255变为0~1,归一化后的直方图实际是一个概率密度函数,均衡化就是令概率密度为1。
因此,在得到HSV图像对应的每个灰度级像素出现的概率后,利用累积分布函数对每个灰度级像素出现的概率进行调整,累积分布函数为公式3,通过公式3,更新待处理图像的每个灰度级像素的亮度分布。
其中,SK表示原始直方图的第K个灰度级的转换函数,即为原始直方图均衡化后的灰度值,P(SK)表示HSV图像对应的每个灰度级像素出现的概率,P(Si)表示原始直方图直方图的灰度色阶i的像素数量,i的范围是0-K。
如图4a,为HSV图像的灰度图,图4b为原始直方图,图5a为图4a均衡化后的图像,图5b为图5a的直方图,很明显,在进行直方图均衡化处理后,重新分布待处理图像中像素的亮度值,以便于亮度值更加均匀地呈现所有范围的亮度级,在整个灰度范围中均匀地分布每个色阶的灰度值,从而有效克服待处理图像的亮度不均的问题,有效增强空间颜色像素,为后续的颜色值量化处理提供有力基础,使得颜色值量化更精确。
102:在Lab颜色空间内,对所述待处理图像的所有像素进行颜色值量化处理,得到量化后图像。
在对待处理图像直方图均衡化处理后,在Lab颜色空间内,对所述均衡化后的待处理图像的所有像素进行颜色值量化处理,得到量化后图像。
在其中一些实施例中,Lab颜色空间内,对所述待处理图像的所有像素进行颜色值量化处理,得到量化后图像,可以包括:
21:将所述待处理图像中的所有像素转换到Lab颜色空间,得到Lab图像、Lab图像对应的颜色种类数量,以及每种颜色的像素数。
具体地,Lab颜色空间是由一个亮度通道L和两个颜色通道a、b组成的。在Lab颜色空间中,有L、a、b三个分量,各个分量含义如下:
L代表亮度,范围为0~100,其中,100为白色;
a代表从绿色到红色的分量,范围为-128~127,其中,127为红色;
b代表从蓝色到黄色的分量,范围为-128~127,其中,127为黄色。
Lab颜色空间是基于人对颜色的感觉设计,让人感知均匀,即相同的数字变化幅度带来的视觉上的变化幅度是基本一致的。
通过将均衡化后的待处理图像中的所有像素转换到Lab颜色空间内,得到L通道、a通道、b通道三个通道的效果图,从而得到Lab图像,在得到Lab图像后,得到Lab图像对应的颜色种类数量M种,以及每种颜色的像素数。
22:遍历每种颜色,找到色差最小的两种颜色。
在Lab颜色空间中,遍历每种颜色,按照公式4找到色差最小的两种颜色。公式4如下:
其中,ΔLxy表示待处理图像中颜色x和颜色y之间的亮度差值,Δaxy表示待处理图像中颜色x和颜色y之间的从绿色到红色的分量差值,Δbxy表示待处理图像中颜色x和颜色y之间的从蓝色到黄色的分量差值,Exy表示待处理图像中色差综合评定指标,在待处理图像中,两种颜色的Exy最小时,说明颜色x和颜色y之间的色差最小。
23:将所述色差最小的两种颜色分类为一种颜色,得到替换颜色;
24:用所述替换颜色替换所述色差最小的两种颜色,以更新所述颜色种类数量及每种颜色的像素数。
具体地,可以根据色差最小原则对颜色种类进行分类处理,比如,颜色x与颜色y之间的差值最小,那么用替换颜色EC这一种颜色来替代颜色x和颜色y这两种颜色,具体地,根据公式5计算替换颜色EC:
EC=NxExC+NyEyC
其中,Nx以及Ny表示颜色x和颜色y在均衡化后待处理图像中的像素数,EC表示替换颜色,对应地,ExC和EyC与公式4的Exy的计算公式对应,ExC为颜色x与替换颜色C的色差,EyC为颜色y与替换颜色C的色差,即替换颜色EC等于颜色x的像素数与颜色x与替换颜色C的色差乘积,加上颜色y的像素数与颜色y与替换颜色C的色差乘积。
通过用所述替换颜色替换所述色差最小的两种颜色,使得有原来的颜色种类为2种,变成1种,即将颜色的种类数量M更新至M-1,并且,当M大于N(256)时,继续返回执行步骤22,从而更新所述颜色种类数量。
25:组合所述替换颜色及所述替换颜色的像素数,得到量化后图像,所述量化后图像的颜色种类数量少于所述Lab图像的颜色种类数量。
由于一种替换颜色相当于两种颜色,因此,循环下去,得到的替换颜色数量会明显少于Lab图像的颜色数量。
因为待处理图像中的颜色种类过多,多达M种,会导致候选提取红区特征不够明显,比如红色颜色类,本身就存在浅红,红、深红等种类。而提取红区特征是涵盖这些种类,如果细分这些红色颜色种类,就会使得后期颜色提取的阈值设定存在困难,阈值设定不合理,提取红区就不够准确。因此,颜色值量化处理就是将所有不同红色种类的颜色值,进行统一,为后续处理降低了难度,进一步增强颜色特征,从而提升红区特征提取的鲁棒性和准确度。
对应的,还可以将淡绿色、深绿色等绿色种类的颜色归并为绿色。
在其中一些实施例中,在所述得到量化后图像之后,所述方法还包括:
对所述量化后图像进行滤波处理。
具体地,在得到量化后图像后,由于量化后图像中通常会存在大量杂色点,因此,对量化后图像进行滤波处理,从而将杂色点剔除。
可以采用中值滤波的方式进行滤波处理,不但保留量化后图像的细节,同时降低图像的模糊。
比如,量化后图像中去除3*3的矩阵,在3*3矩阵中,有9个像素点,对9个像素点进行排序处理,如9个像素点对应的顺序为1/2/3……9,此时,得到9个像素点的中心点为第5个像素点,那么,用第5个像素点的值去填充其余的8个像素点,从而有效剔除杂色点。
本案不局限于上述中值滤波的方式,也可以采用均值滤波、高斯滤波、双边滤波的方式对量化后图像进行滤波处理,从而有效剔除杂色点。
103:根据目标颜色在所述Lab颜色空间内的像素值,在所述量化后图像中确定目标区域,所述目标区域用于检测人脸的皮肤状态。
该量化后图像实质为上述滤波图像。
在其中一些实施例中,根据目标颜色在所述Lab颜色空间内的像素值,在所述量化后图像中确定目标区域,所述目标区域用于检测人脸的皮肤状态,可以包括:
根据目标颜色在所述Lab颜色空间的像素值,从所述量化后图像中获取所有目标颜色的像素位置信息;
根据所述目标颜色的像素位置信息,构建目标区域。
具体地,目标颜色在Lab颜色空间内的像素值是固定范围的,比如,目标颜色是红色,那么,根据红色在Lab颜色空间内的像素值范围,确定滤波后图像中符合目标颜色的取值范围对应的区域,当符合时,可以标记为1,不符合时,标记为0,然后,获取所有目标颜色的像素位置信息,即获取所有标记为1的区域,统计所有目标颜色的像素位置信息,即统计所有标记为1的像素位置信息(像素坐标),将标记为1的像素位置信息进行组合,例如,将像素坐标对应的点连线,从而构建目标区域。
在其中一些实施例中,在所述根据目标颜色在所述Lab颜色空间内的像素值,在所述量化后图像中确定目标区域,所述目标区域用于检测人脸的皮肤状态之后,所述方法还包括:
获取所述目标区域的像素点;
根据所述目标区域的像素点及所述量化后图像的总像素点,计算所述目标区域在所述量化后图像中的占比;
根据所述占比,确定目标区域对应的状态等级。
具体地,在检测出目标区域后,比如目标区域为红色区域,在得到人脸图像中的红区后,可以对红区做一个等级划分,从而确定红区的严重程度。如,获取所述目标区域的像素点,即统计出红色区域的像素点,然后,根据目标区域的像素点及所述量化后图像的总像素点,计算出目标区域在量化后图像中的占比,假设目标区域的像素点为n,量化后图像的总像素点为N,那么,占比为n/N,根据n/N的比值,可以确定目标区域的严重程度,即目标区域对应的状态等级。比如n/N的比值大于0.8,那么,可以确定目标等级为第一等级,该人脸的面部皮肤病变程度较为严重;n/N的比值为0.5-0.8,那么,可以确定目标等级为第二等级,该人脸面部的病变程度相对严重,以此类推,根据n/N的比值,确定目标等级。
在确定目标区域对应的状态等级后,可以将目标区域对应的状态等级输出,以便用户得到该目标区域对应的状态等级结果,进行针对性治疗。
相应的,如图6所示,本发明实施例还提供了一种脸部目标区域检测装置,可以用于脸部目标区域检测设备,脸部目标区域检测装置700包括:
获取模块701,用于获取带有人脸的原始图像,对所述原始图像进行二值化处理后,提取出人脸的待处理图像;
量化模块702,用于在Lab颜色空间内,对所述待处理图像的所有像素进行颜色值量化处理,得到量化后图像;
确定目标模块703,用于根据目标颜色在所述Lab颜色空间内的像素值,在所述量化后图像中确定目标区域,所述目标区域用于检测人脸的皮肤状态。
本发明实施例,根据带有人脸的原始图像获取待处理图像,然后,在Lab颜色空间内,对所述人脸图像的所有像素进行颜色值量化处理,得到量化后图像,从而合理减少待处理图像中的颜色种类,进一步增强颜色特征,并且,根据目标颜色在所述Lab颜色空间内的像素值,在所述量化后图像中确定目标区域,所述目标区域用于检测人脸的皮肤状态。比如,目标颜色为红色时,根据红色在Lab颜色空间内的像素值,在量化后图像中确定目标区域为红色的区域,从而准确检测出脸部的红色区域。
在其他实施例中,获取模块701,还用于:
获取带有人脸的原始图像;
根据人脸关键点算法,在所述原始图像中获取脸部轮廓以及至少一个关键点区域;
将所述脸部轮廓以内中除所述关键点区域以外的区域作为有效区域;
将所述有效区域的像素点的灰度值设置为第一灰度值,且将所述关键点区域上的像素点的灰度值设置为第二灰度值,获得人脸二值化图像;
根据所述人脸二值化图像及所述原始图像,获取待处理图像。
在其他实施例中,在所述对所述原始图像进行二值化处理后,提取出人脸的待处理图像之后,请参阅图7,脸部目标区域检测装置700还包括:
直方图均衡化模块704,用于:
将所述待处理图像中的所有像素转换到HSV颜色空间内,得到HSV图像;
绘制所述HSV图像的原始直方图;
统计所述原始直方图中每个灰度级像素出现的概率;
利用累积分布函数对所述每个灰度级像素出现的概率进行调整,以更新所述待处理图像的每个灰度级像素的亮度分布。
在其他实施例中,量化模块702,还用于:
将所述待处理图像中的所有像素转换到Lab颜色空间,得到Lab图像、Lab图像对应的颜色种类数量,以及每种颜色的像素数;
遍历每种颜色,找到色差最小的两种颜色;
将所述色差最小的两种颜色分类为一种颜色,得到替换颜色;
用所述替换颜色替换所述色差最小的两种颜色,以更新所述颜色种类数量及每种颜色的像素数;
组合所述替换颜色及所述替换颜色的像素数,得到量化后图像,所述量化后图像的颜色种类数量少于所述Lab图像的颜色种类数量。
在其中一些实施例中,在所述得到量化后图像之后,脸部目标区域检测装置700还包括:
滤波模块705,用于:
对所述量化后图像进行滤波处理。
在其中一些实施例中,确定目标模块703,还用于:
根据目标颜色在所述Lab颜色空间的像素值,从所述量化后图像中获取所有目标颜色的像素位置信息;
根据所述目标颜色的像素位置信息,构建目标区域。
在其中一些实施例中,在所述根据目标颜色在所述Lab颜色空间内的像素值,在所述量化后图像中确定目标区域,所述目标区域用于检测人脸的皮肤状态之后,请参照图7,脸部目标区域检测装置700还包括:
等级确定模块706,用于:
获取所述目标区域的像素点;
根据所述目标区域的像素点及所述量化后图像的总像素点,计算所述目标区域在所述量化后图像中的占比;
根据所述占比,确定目标区域对应的状态等级。
需要说明的是,上述装置可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在装置实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
图8为脸部目标区域检测设备的一个实施例中控制器的硬件结构示意图,如图8所示,控制器13包括:
一个或多个处理器131、存储器132。图8中以一个处理器131、一个存储器132为例。
处理器131、存储器132可以通过总线或者其他方式连接,图8中以通过总线连接为例。
存储器132作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的脸部目标区域检测方法对应的程序指令/模块(例如,附图6-7所示的获取模块701、量化模块702、确定目标模块703、直方图均衡化模块704、滤波模块705、等级确定模块706)。处理器131通过运行存储在存储器132中的非易失性软件程序、指令以及模块,从而执行控制器的各种功能应用以及数据处理,即实现上述方法实施例的脸部目标区域检测方法。
存储器132可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据脸部目标区域检测装置的使用所创建的数据等。此外,存储器132可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器132可选包括相对于处理器131远程设置的存储器,这些远程存储器可以通过网络连接至脸部目标区域检测设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器132中,当被所述一个或者多个处理器131执行时,执行上述任意方法实施例中的脸部目标区域检测方法,例如,执行以上描述的图1中的方法步骤101至步骤103;实现图6中的模块701-703、图7中模块701-706的功能。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
本申请实施例提供了一种非易失性计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,例如图8中的一个处理器131,可使得上述一个或多个处理器可执行上述任意方法实施例中的脸部目标区域检测方法,例如,执行以上描述的图1中的方法步骤101至步骤103;实现图6中的模块701-703、图7中模块701-706的功能。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施例的描述,本领域普通技术人员可以清楚地了解到各实施例可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明,它们没有在细节中提供;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种脸部目标区域检测方法,其特征在于,所述方法包括:
获取带有人脸的原始图像,对所述原始图像进行二值化处理后,提取出人脸的待处理图像;
在Lab颜色空间内,对所述待处理图像的所有像素进行颜色值量化处理,得到量化后图像;
根据目标颜色在所述Lab颜色空间内的像素值,在所述量化后图像中确定目标区域,所述目标区域用于检测人脸的皮肤状态。
2.根据权利要求1所述的方法,其特征在于,所述获取带有人脸的原始图像,对所述原始图像进行二值化处理后,提取出人脸的待处理图像,包括:
获取带有人脸的原始图像;
根据人脸关键点算法,在所述原始图像中获取脸部轮廓以及至少一个关键点区域;
将所述脸部轮廓以内中除所述关键点区域以外的区域作为有效区域;
将所述有效区域的像素点的灰度值设置为第一灰度值,且将所述关键点区域上的像素点的灰度值设置为第二灰度值,获得人脸二值化图像;
根据所述人脸二值化图像及所述原始图像,获取待处理图像。
3.根据权利要求1所述的方法,其特征在于,在所述对所述原始图像进行二值化处理后,提取出人脸的待处理图像之后,所述方法还包括:
将所述待处理图像中的所有像素转换到HSV颜色空间内,得到HSV图像;
绘制所述HSV图像的原始直方图;
统计所述原始直方图中每个灰度级像素出现的概率;
利用累积分布函数对所述每个灰度级像素出现的概率进行调整,以更新所述待处理图像的每个灰度级像素的亮度分布。
4.根据权利要求1所述的方法,其特征在于,所述在Lab颜色空间内,对所述待处理图像的所有像素进行颜色值量化处理,得到量化后图像,包括:
将所述待处理图像中的所有像素转换到Lab颜色空间,得到Lab图像、所述Lab图像对应的颜色种类数量,以及每种颜色的像素数;
遍历每种颜色,找到色差最小的两种颜色;
将所述色差最小的两种颜色分类为一种颜色,得到替换颜色;
用所述替换颜色替换所述色差最小的两种颜色,以更新所述颜色种类数量及每种颜色的像素数;
组合所述替换颜色及所述替换颜色的像素数,得到量化后图像,所述量化后图像的颜色种类数量少于所述Lab图像的颜色种类数量。
5.根据权利要求1所述的方法,其特征在于,在所述得到量化后图像之后,所述方法还包括:
对所述量化后图像进行滤波处理。
6.根据权利要求1所述的方法,其特征在于,所述根据目标颜色在所述Lab颜色空间内的像素值,在所述量化后图像中确定目标区域,所述目标区域用于检测人脸的皮肤状态,包括:
根据目标颜色在所述Lab颜色空间的像素值,从所述量化后图像中获取所有目标颜色的像素位置信息;
根据所述目标颜色的像素位置信息,构建目标区域。
7.根据权利要求1至6中任一项所述的方法,其特征在于,在所述根据目标颜色在所述Lab颜色空间内的像素值,在所述量化后图像中确定目标区域,所述目标区域用于检测人脸的皮肤状态之后,所述方法还包括:
获取所述目标区域的像素点;
根据所述目标区域的像素点及所述量化后图像的总像素点,计算所述目标区域在所述量化后图像中的占比;
根据所述占比,确定目标区域对应的状态等级。
8.一种脸部目标区域检测装置,其特征在于,所述装置包括:
获取模块,用于获取带有人脸的原始图像,对所述原始图像进行二值化处理后,提取出人脸的待处理图像;
量化模块,用于在Lab颜色空间内,对所述待处理图像的所有像素进行颜色值量化处理,得到量化后图像;
确定目标模块,用于根据目标颜色在所述Lab颜色空间内的像素值,在所述量化后图像中确定目标区域,所述目标区域用于检测人脸的皮肤状态。
9.一种脸部目标区域检测设备,其特征在于,所述脸部目标区域检测设备包括:
至少一个处理器,以及
存储器,所述存储器与所述处理器通信连接,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7任一项所述的方法。
10.一种非易失性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计算机可执行指令,当所述计算机可执行指令被脸部目标区域检测设备执行时,使所述脸部目标区域检测设备执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011550837.5A CN112699760A (zh) | 2020-12-24 | 2020-12-24 | 一种脸部目标区域检测方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011550837.5A CN112699760A (zh) | 2020-12-24 | 2020-12-24 | 一种脸部目标区域检测方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112699760A true CN112699760A (zh) | 2021-04-23 |
Family
ID=75509974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011550837.5A Pending CN112699760A (zh) | 2020-12-24 | 2020-12-24 | 一种脸部目标区域检测方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699760A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269690A (zh) * | 2021-05-27 | 2021-08-17 | 山东大学 | 一种叶片病变区域检测方法及系统 |
-
2020
- 2020-12-24 CN CN202011550837.5A patent/CN112699760A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269690A (zh) * | 2021-05-27 | 2021-08-17 | 山东大学 | 一种叶片病变区域检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197546B (zh) | 人脸识别中光照处理方法、装置、计算机设备及存储介质 | |
CN111488756B (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
Park et al. | Single image dehazing with image entropy and information fidelity | |
Jiang et al. | Image dehazing using adaptive bi-channel priors on superpixels | |
CN107563976B (zh) | 美颜参数获取方法、装置、可读存储介质和计算机设备 | |
Banić et al. | Improving the white patch method by subsampling | |
CN110390643B (zh) | 一种车牌增强方法、装置及电子设备 | |
CN111222506B (zh) | 颜色识别方法、设备及计算机可读存储介质 | |
CN111080577A (zh) | 眼底影像质量评估方法和系统、设备及存储介质 | |
CN105184771A (zh) | 一种自适应运动目标检测系统及检测方法 | |
CN110188640B (zh) | 人脸识别方法、装置、服务器和计算机可读介质 | |
CN112699760A (zh) | 一种脸部目标区域检测方法、装置和设备 | |
CN107424134B (zh) | 图像处理方法、装置、计算机可读存储介质和计算机设备 | |
CN116843581B (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 | |
CN114049264A (zh) | 暗光图像增强方法、装置、电子设备及存储介质 | |
CN108805838A (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
Tarafdar et al. | Image segmentation using background subtraction on colored images | |
KR100488014B1 (ko) | YCrCb 칼라 기반 얼굴 영역 추출 방법 | |
CN113344803B (zh) | 图像调节方法、装置、电子装置和存储介质 | |
JP5822739B2 (ja) | 画像処理装置、方法、及びプログラム | |
Wang et al. | An efficient method of shadow elimination based on image region information in HSV color space | |
CN112070771B (zh) | 基于hs通道的自适应阈值分割方法、装置和存储介质 | |
CN117501326A (zh) | 图像处理方法及装置、电子设备、计算机可读存储介质 | |
CN113781330A (zh) | 图像处理方法、装置及电子系统 | |
CN108133204B (zh) | 一种手体识别方法、装置、设备及计算机可读存储介质 |
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 |