CN112712054A - 脸部皱纹检测方法 - Google Patents

脸部皱纹检测方法 Download PDF

Info

Publication number
CN112712054A
CN112712054A CN202110047659.2A CN202110047659A CN112712054A CN 112712054 A CN112712054 A CN 112712054A CN 202110047659 A CN202110047659 A CN 202110047659A CN 112712054 A CN112712054 A CN 112712054A
Authority
CN
China
Prior art keywords
image
wrinkle
filtering
region
acquiring
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
Application number
CN202110047659.2A
Other languages
English (en)
Other versions
CN112712054B (zh
Inventor
李宏亮
李健
陈思政
朱旭磊
黄杰
金波
段羽
黄华婷
曹小华
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.)
Shenzhen Amomi Intelligent Technology Co ltd
Original Assignee
Shenzhen Amomi Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Amomi Intelligent Technology Co ltd filed Critical Shenzhen Amomi Intelligent Technology Co ltd
Priority to CN202110047659.2A priority Critical patent/CN112712054B/zh
Publication of CN112712054A publication Critical patent/CN112712054A/zh
Application granted granted Critical
Publication of CN112712054B publication Critical patent/CN112712054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/168—Feature extraction; Face representation
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • 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)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种脸部皱纹检测方法，包括：图像采集；皱纹检测：根据所述采集图像获取区域化的采集图像的灰度图像，对获得的灰度图像进行Gabor滤波处理，获得滤波图像，提取感兴趣区域，获得感兴趣区域定位的滤波图像，对其进行自适应直方图均衡化处理，获得均衡化图像，并对均衡化图像进行阈值分割及过滤处理，获取皱纹图像；皱纹统计与分析：根据皱纹图像进行皱纹数量统计及分析。本发明脸部皱纹检测方法通过获取区域化的采集图像的灰度图像，区分皱纹检测区域及非皱纹检测区域，通过滤波处理强化皱纹特征，提取用于表示皱纹的感兴趣区域，利用图像阈值分割检测皱纹位置，经过滤处理以获取皱纹图像，准确率高，对采集的面部图像的要求低。

Description

脸部皱纹检测方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种脸部皱纹检测方法。
背景技术
随着人们生活品质的提高，人们对皮肤质量，特别是面部皮肤质量，越来越关注，比如，皱纹深浅、皱纹分布情况等都反映出人们面部的皮肤质量。在专业的医疗和美容领域，皱纹检测不仅用于反映面部皮肤的皱纹分布和皱纹尺寸，还是专业人士进行面部清洁、面部皮肤养护的参考。为此，对于医疗和美容来说，对用户进行皱纹检测，并依据检测结果对用户进行治疗和美容能提供更准确的医疗美容服务。目前，面部检测设备受所摄取的面部图像的质量干扰，对所检测的皱纹分布形状等不尽准确，检测准确率较低且对面部图像的要求较高。
鉴于此，有必要提供一种可解决上述缺陷的脸部皱纹检测方法以降低对采集的面部图像的要求，提高检测准确率。
发明内容
本发明所要解决的技术问题是提供一种脸部皱纹检测方法以降低对采集的面部图像的要求，提高检测准确率。
为解决上述技术问题，本发明采用如下所述的技术方案：一种脸部皱纹检测方法，包括：
图像采集：获取采集图像；
皱纹检测：根据所述采集图像获取区域化的采集图像的灰度图像，对获得的灰度图像进行Gabor滤波处理，获得滤波图像，提取感兴趣区域，获得感兴趣区域定位的滤波图像，对其进行自适应直方图均衡化处理，获得均衡化图像，进行阈值分割，并对均衡化图像进行过滤处理，获取皱纹图像；
皱纹统计与分析：根据获得的皱纹图像进行皱纹数量统计及分析。
其进一步技术方案为：所述图像采集步骤具体包括：
对输入图像进行颜色直方图统计分析，获得输入图像的色彩分布值；
结合设定的色彩分布标准，判断输入图像是否满足色彩分布标准；
若是，获取输入图像为采集图像；
若否，对输入图像根据颜色进行直方图均衡化处理，获取均衡化处理后的输入图像为采集图像。
其进一步技术方案为：所述皱纹检测的步骤中的根据所述采集图像获取区域化的采集图像的灰度图像的步骤具体包括：
利用人脸检测算法对采集图像进行人脸检测，获取人脸关键点，根据获得的人脸关键点提取用于检测皱纹的皱纹检测区域；
根据所述皱纹检测区域对采集图像进行划分定位，对区域化的采集图像进行灰度化处理，获得区域化的采集图像的灰度图像。
其进一步技术方案为：所述皱纹检测的步骤中的根据所述采集图像获取区域化的采集图像的灰度图像的步骤具体包括：
对采集图像进行灰度化处理，获取其灰度图像；
利用人脸检测算法对采集图像的灰度图像进行人脸检测，获取人脸关键点，根据获得的人脸关键点提取用于检测皱纹的皱纹检测区域，根据所述皱纹检测区域对采集图像的灰度图像进行划分定位，获得区域化的采集图像的灰度图像。
其进一步技术方案为：所述利用人脸检测算法对采集图像进行人脸检测，获取人脸关键点，根据获得的人脸关键点提取用于检测皱纹的皱纹检测区域的步骤具体包括：
利用人脸检测算法对采集图像进行人脸检测，当检测出人脸时，获取对应人脸的人脸关键点；
根据所述人脸关键点的坐标提取对应的像素，根据人脸关键点获取人脸脸部区域、眼睛区域、鼻子区域及嘴巴区域，于所述人脸脸部区域中排除眼睛区域、鼻子区域及嘴巴区域，获得皱纹检测区域。
其进一步技术方案为：所述皱纹检测的步骤中的对获得的灰度图像进行Gabor滤波处理，获得滤波图像，提取感兴趣区域，获得感兴趣区域定位的滤波图像的步骤具体为：
创建四组不同方向的Gabor滤波器核，为每组Gabor滤波器核设置对应的核尺寸、高斯因子的标准差、核的长宽比、波长、相位偏移及角度；
根据创建获得的四组所述Gabor滤波器核分别对获得的区域化的采集图像的灰度图像进行滤波，将滤波结果合并后保存，获得滤波图像；
获取滤波图像的最小值像素及最大值像素，对滤波图像的像素进行重新赋值；
对重新赋值的滤波图像提取感兴趣区域，获得感兴趣区域定位的滤波图像。
其进一步技术方案为：所述皱纹检测的步骤中的进行阈值分割的步骤具体包括：
设置标准像素阈值；
根据所述标准像素阈值对均衡化图像的像素进行阈值分割处理，获得标准感兴趣区域定位二值图。
其进一步技术方案为：所述皱纹检测的步骤中的并进行过滤处理，获取皱纹图像的步骤具体为：
步骤A、设置阈值区间及步长；
步骤B、获取阈值区间的其中一端点为当前阈值，根据当前阈值对所述均衡化图像进行图像阈值分割，获得对应的筛选图像，根据该筛选图像，滤除非皱纹信息，获取对应的过滤图像；
步骤C、根据当前阈值对应的筛选图像的过滤图像和所述标准感兴趣区域定位二值图，进行形态学闭运算，保留相应位置的最大像素值，更新获得皱纹检测图像；
步骤D、根据步长更新当前阈值，判断当前阈值是否位于阈值区间内；
步骤E、若是，根据更新后的当前阈值对所述均衡化图像进行图像阈值分割，获得对应的筛选图像；
步骤F、根据步骤E获得的筛选图像，滤除非皱纹信息，获取对应的过滤图像；
步骤G、根据更新后的当前阈值对应的筛选图像的过滤图像及所述皱纹检测图像，进行形态学闭运算，保留相应位置的最大像素值，更新所述皱纹检测图像，返回执行步骤D；
步骤H、若更新后的当前阈值不位于阈值区间内，输出皱纹检测图像；
步骤K、根据步骤H输出的所述皱纹检测图像，标记连通域，计算每一连通域与水平方向的距离及每一连通域与垂直方向的距离以划分连通域类别，根据每一连通域类别中的连通域的结束坐标，在设定区域内查找是否存在该连通域类别中另一连通域的起点坐标，若存在，则将对应的连通域连接起来，更新连通域，输出皱纹结果图像，若不存在，将所述皱纹检测图像作为皱纹结果图像并输出；
步骤J、更换阈值区间及步长，执行步骤B至步骤I；
步骤K、根据输出的二所述阈值区间对应的皱纹结果图像，进行形态学闭运算，保留相应位置的最大像素值，更新获得初步皱纹图像；
步骤L、根据所述初步皱纹图像，滤除非皱纹信息，获取对应的过滤图像为初步皱纹过滤图像；
步骤M、根据步骤A设置的阈值区间对应的皱纹结果图像及所述初步皱纹过滤图像，进行形态学闭运算，保留相应位置的最大像素值，更新获得皱纹图像。
其进一步技术方案为：所述步骤B、步骤F及步骤L中的滤除非皱纹信息的步骤具体为：
标记连通域；
判断所述连通域的面积是否大于设定面积阈值或者连通域的形状接近于线状；
若是，判断对应的连通域为皱纹，保留对应连通区域的像素；
若否，判断对应的连通域为非皱纹，将对应的连通域的像素设置为预设脸部背景像素值。
其进一步技术方案为：所述皱纹统计与分析的步骤具体包括：
根据获得的皱纹图像标记连通域；
根据所述连通域的数目，统计皱纹数量；
根据每一所述连通域按照预设的等级规则划分皱纹的严重程度；
将所述皱纹图像合并于所述采集图像上进行显示。
本发明的有益技术效果在于：本发明脸部皱纹检测方法通过获取区域化的采集图像的灰度图像，以区分皱纹检测区域及非皱纹检测区域，通过滤波处理强化皱纹特征，提取用于表示皱纹的感兴趣区域，利用图像阈值分割方法检测皱纹位置，经过滤处理以获取皱纹图像，根据获得的皱纹图像进行皱纹数量统计及分析，检测过程步骤方便简洁，且对采集的面部图像的要求低，而检测准确率高。
附图说明
图1是本发明脸部皱纹检测方法的流程示意图；
图2是本发明脸部皱纹检测方法的图像采集步骤的流程示意图；
图3是本发明脸部皱纹检测方法一实施例的皱纹检测步骤的流程示意图；
图4是本发明脸部皱纹检测方法的皱纹检测步骤的并进行过滤处理，获取皱纹图像步骤的流程示意图；
图5是本发明脸部皱纹检测方法的皱纹检测步骤的并进行过滤处理，获取皱纹图像步骤的子流程示意图；
图6是本发明脸部皱纹检测方法另一实施例的皱纹检测步骤的流程示意图；
图7是本发明脸部皱纹检测方法的皱纹统计与分析步骤的流程示意图。
具体实施方式
为使本领域的普通技术人员更加清楚地理解本发明的目的、技术方案和优点，以下结合附图和实施例对本发明做进一步的阐述。
参照图1，本发明脸部皱纹检测方法包括：
步骤S11、图像采集：获取采集图像。所述采集图像可为用手机、平板电脑或其他带有摄像头的设备拍摄采集的原始图像，不能预先经过美颜或磨皮等算法处理。
步骤S12、皱纹检测：根据所述采集图像获取区域化的采集图像的灰度图像，对获得的灰度图像进行Gabor滤波处理，获得滤波图像，提取感兴趣区域，获得感兴趣区域定位的滤波图像，对其进行自适应直方图均衡化处理，获得均衡化图像，进行阈值分割，并进行过滤处理，获取皱纹图像。
步骤S13、皱纹统计与分析：根据获得的皱纹图像进行皱纹数量统计及分析。
本发明脸部皱纹检测方法通过获取区域化的采集图像的灰度图像，以区分皱纹检测区域及非皱纹检测区域，通过滤波处理强化皱纹特征，提取用于表示皱纹的感兴趣区域，利用图像阈值分割方法检测皱纹位置，经过滤处理以获取皱纹图像，根据获得的皱纹图像进行皱纹数量统计及分析，检测过程步骤方便简洁，且对采集的面部图像的要求低，而检测准确率高。
结合图2，在本实施例中，所述步骤S11具体包括：
步骤S111、对输入图像进行颜色直方图统计分析，获得输入图像的色彩分布值。其中，颜色直方图统计分析是指根据颜色进行直方图统计分析。
步骤S112、结合设定的色彩分布标准，判断输入图像是否满足色彩分布标准。
步骤S113、若是，获取输入图像为采集图像。
步骤S114、若否，对输入图像根据颜色进行直方图均衡化处理，获取均衡化处理后的输入图像为采集图像。
由于拍摄设备的不同，对同一人脸拍摄采集获得的图像色彩会有一定差异，根据输入图像的色彩分布值与设定的色彩分布标准之间进行比较，以对未满足实验标准的输入图像进行预处理，以使输入图像的色彩分布值尽量接近设定的色彩分布标准而提高后续皱纹检测的准确率，降低对输入图像的要求。其中，设定的色彩分布标准可通过多次实验统计分析获得。优选地，所述步骤S111前还包括以下步骤：接收输入图像。
参照图3，优选地，所述步骤S12具体包括：
步骤S121、利用人脸检测算法对采集图像进行人脸检测，获取人脸关键点，根据获得的人脸关键点提取用于检测皱纹的皱纹检测区域。
优选地，所述步骤S121具体包括：
利用人脸检测算法对采集图像进行人脸检测，当检测出人脸时，获取对应人脸的人脸关键点。所述人脸关键点的数目可为106个。
根据所述人脸关键点的坐标提取对应的像素，根据人脸关键点获取人脸脸部区域、眼睛区域、鼻子区域及嘴巴区域，于所述人脸脸部区域中排除眼睛区域、鼻子区域及嘴巴区域，获得皱纹检测区域。
步骤S122、根据所述皱纹检测区域对采集图像进行划分定位，对区域化的采集图像进行灰度化处理，获得区域化的采集图像的灰度图像。
其中，利用公式(1)对图像进行灰度化处理：
Gray＝Red×0.289+Green×0.587+Blue×0.114 (1)
式中，Gray表示图像的灰度值，Red、Green及Blue分别代表图像中各像素的红色通道、绿色通道及蓝色通道的对应分量。
步骤S123、创建四组不同方向的Gabor滤波器核，为每组Gabor滤波器核设置对应的核尺寸、高斯因子的标准差、核的长宽比、波长、相位偏移及角度。其中，所述四组不同方向分别为水平方向、与水平方向间的夹角为45度的方向、与水平方向垂直的方向及与水平方向的夹角为45度的方向垂直的方向，通过设置四组不同方向的Gabor滤波器核，以对不同方向的皱纹进行滤波处理，提高精度。
步骤S124、根据创建获得的四组所述Gabor滤波器核分别对获得的区域化的采集图像的灰度图像进行滤波，将滤波结果合并后保存，获得滤波图像。优选地，所述合并可为进行形态学闭运算，保留相应位置的最大像素值。
步骤S125、获取滤波图像的最小值像素及最大值像素，对滤波图像的像素进行重新赋值。
其中，利用公式(2)对滤波图像的像素进行重新赋值：
Figure BDA0002897958190000091
式中，I代表重新赋值后的图像像素，image代表赋值前的图像的像素，imagemin代表图像中的最小值像素，imagemax代表图像中的最大值像素。通过对滤波图像的像素进行重新赋值，以使滤波图像的像素均衡分布在0-255之间，以使滤波图像结果更加明显和直观。
步骤S126、对重新赋值的滤波图像提取感兴趣区域，获得感兴趣区域定位的滤波图像。其中，可根据人脸检测算法获得的人脸关键点将非感兴趣区域的人脸关键点的像素设置为预设固定值，以于重新赋值的滤波图像中提取感兴趣区域，获得感兴趣区域定位的滤波图像。非感兴趣区域代表非皱纹区域，感兴趣区域代表皱纹区域。
步骤S127、对所述感兴趣区域定位的滤波图像进行自适应直方图均衡化处理，获得均衡化图像。其中，可根据颜色对所述感兴趣区域定位的滤波图像进行自适应直方图均衡化处理。
步骤S128、对所述均衡化图像进行阈值分割。
步骤S129、对所述均衡化图像进行过滤处理，获取皱纹图像。
优选地，所述步骤S128具体为：
设置标准像素阈值；
根据所述标准像素阈值对所述均衡化图像的像素进行阈值分割处理，获得标准感兴趣区域定位二值图。其中，将大于等于标准像素阈值的像素设为第一固定值，小于标准像素阈值的像素设为第二固定值，从而区分皱纹区域及非皱纹区域。
参照图4，在本实施例中，所述步骤S129具体为：
步骤S129A、设置阈值区间及步长。
步骤S129B、获取阈值区间的其中一端点为当前阈值，根据当前阈值对所述均衡化图像进行图像阈值分割，获得对应的筛选图像，根据该筛选图像，滤除非皱纹信息，获取对应的过滤图像。
步骤S129C、根据当前阈值对应的筛选图像的过滤图像和所述标准感兴趣区域定位二值图，进行形态学闭运算，保留相应位置的最大像素值，更新获得皱纹检测图像。
步骤S129D、根据步长更新当前阈值，判断当前阈值是否位于阈值区间内。当获取的阈值区间的其中一端点为阈值区间的右端点为当前阈值时，即取阈值区间最大值为当前阈值时，所述根据步长更新当前阈值则为根据当前阈值减去步长以更新当前阈值；当获取的阈值区间的其中一端点为阈值区间的左端点为当前阈值时，即取阈值区间最小值为当前阈值时，所述根据步长更新当前阈值则为根据当前阈值增加步长以更新当前阈值。
步骤S129E、若是，根据更新后的当前阈值对所述均衡化图像进行图像阈值分割，获得对应的筛选图像。
步骤S129F、根据步骤S129E获得的所述筛选图像，滤除非皱纹信息，获取对应的过滤图像。
步骤S129G、根据更新后的当前阈值对应的筛选图像的过滤图像及所述皱纹检测图像，进行形态学闭运算，保留相应位置的最大像素值，更新所述皱纹检测图像，返回执行步骤S129D。
步骤S129H、若当前阈值不位于阈值区间内，输出皱纹检测图像。
步骤S129I、根据步骤S129H输出的所述皱纹检测图像，标记连通域，计算每一连通域与水平方向的距离及每一连通域与垂直方向的距离以划分连通域类别，根据每一连通域类别中的连通域的结束坐标，在设定区域内查找是否存在该连通域类别中另一连通域的起点坐标，若存在，则将对应的连通域连接起来，更新连通域，输出皱纹结果图像，若不存在，将步骤S129H输出的所述皱纹检测图像作为皱纹结果图像并输出。
步骤S129J、更换阈值区间及步长，执行步骤S129B至步骤S129I。
步骤S129K、根据输出的二所述阈值区间对应的皱纹结果图像，进行形态学闭运算，保留相应位置的最大像素值，更新获得初步皱纹图像。
步骤S129L、根据所述初步皱纹图像，滤除非皱纹信息，获取对应的过滤图像为初步皱纹过滤图像。
步骤S129M、根据步骤S128A设置的阈值区间对应的皱纹结果图像及所述初步皱纹过滤图像，进行形态学闭运算，保留相应位置的最大像素值，更新获得皱纹图像。
结合图5，具体地，步骤S129B、步骤S129F及步骤S129L中的滤除非皱纹信息的步骤具体为:
步骤S291、标记连通域。
步骤S292、判断所述连通域的面积是否大于设定面积阈值或者连通域的形状接近于线状。
步骤S293、若是，判断对应的连通域为皱纹，保留对应连通区域的像素。
步骤S294、若否，判断对应的连通域为非皱纹，将对应的连通域的像素设置为预设脸部背景像素值。
参照图6，在一些实施例中，所述步骤S12包括步骤S1201至步骤S1209，其中，所述步骤S1203至步骤S1209与上述实施例的步骤S123至步骤S129相同，此不赘述。所述步骤S1201至步骤S1202具体为：
步骤S1201、对采集图像进行灰度化处理，获取采集图像的灰度图像。其中，可利用上述公式(1)进行灰度化处理。
步骤S1202、利用人脸检测算法对采集图像的灰度图像进行人脸检测，获取人脸关键点，根据获得的人脸关键点提取用于检测皱纹的皱纹检测区域，根据所述皱纹检测区域对采集图像的灰度图像进行划分定位，获得区域化的采集图像的灰度图像。
所述步骤S1202具体包括：
利用人脸检测算法对采集图像进行人脸检测，当检测出人脸时，获取对应人脸的人脸关键点。所述人脸关键点的个数可为106个。
根据所述人脸关键点的坐标提取对应的像素，根据人脸关键点获取人脸脸部区域、眼睛区域、鼻子区域及嘴巴区域，于所述人脸脸部区域中排除眼睛区域、鼻子区域及嘴巴区域，获得皱纹检测区域。
根据所述皱纹检测区域对采集图像的灰度图像进行划分定位，获得区域化的采集图像的灰度图像。
参照图7，优选地，在本实施例中，所述步骤S13具体包括：
步骤S131、根据获得的皱纹图像标记连通域。
步骤S132、根据所述连通域的数目，统计皱纹数量。
步骤S133、根据每一所述连通域按照预设的等级规则划分皱纹的严重程度。其中，等级规则可按照连通域的面积、长度或宽度设定相应的等级。
步骤S134、将所述皱纹图像合并于所述采集图像上进行显示。
综上所述，本发明脸部皱纹检测方法通过获取区域化的采集图像的灰度图像，以区分皱纹检测区域及非皱纹检测区域，通过滤波处理强化皱纹特征，提取用于表示皱纹的感兴趣区域，利用图像阈值分割方法检测皱纹位置，经过滤处理以获取皱纹图像，根据获得的皱纹图像进行皱纹数量统计及分析，检测过程步骤方便简洁，且对采集的面部图像的要求低，而检测准确率高。
以上所述仅为本发明的优选实施例，而非对本发明做任何形式上的限制。本领域的技术人员可在上述实施例的基础上施以各种等同的更改和改进，凡在权利要求范围内所做的等同变化或修饰，均应落入本发明的保护范围之内。

Claims (10)

1.一种脸部皱纹检测方法，其特征在于，包括：
图像采集：获取采集图像；
皱纹检测：根据所述采集图像获取区域化的采集图像的灰度图像，对获得的灰度图像进行Gabor滤波处理，获得滤波图像，提取感兴趣区域，获得感兴趣区域定位的滤波图像，对其进行自适应直方图均衡化处理，获得均衡化图像，进行阈值分割，并进行过滤处理，获取皱纹图像；
皱纹统计与分析：根据获得的皱纹图像进行皱纹数量统计及分析。
2.如权利要求1所述的脸部皱纹检测方法，其特征在于，所述图像采集步骤具体包括：
对输入图像进行颜色直方图统计分析，获得输入图像的色彩分布值；
结合设定的色彩分布标准，判断输入图像是否满足色彩分布标准；
若是，获取输入图像为采集图像；
若否，对输入图像根据颜色进行直方图均衡化处理，获取均衡化处理后的输入图像为采集图像。
3.如权利要求1所述的脸部皱纹检测方法，其特征在于，所述皱纹检测的步骤中的根据所述采集图像获取区域化的采集图像的灰度图像的步骤具体包括：
利用人脸检测算法对采集图像进行人脸检测，获取人脸关键点，根据获得的人脸关键点提取用于检测皱纹的皱纹检测区域；
根据所述皱纹检测区域对采集图像进行划分定位，对区域化的采集图像进行灰度化处理，获得区域化的采集图像的灰度图像。
4.如权利要求1所述的脸部皱纹检测方法，其特征在于，所述皱纹检测的步骤中的根据所述采集图像获取区域化的采集图像的灰度图像的步骤具体包括：
对采集图像进行灰度化处理，获取其灰度图像；
利用人脸检测算法对采集图像的灰度图像进行人脸检测，获取人脸关键点，根据获得的人脸关键点提取用于检测皱纹的皱纹检测区域，根据所述皱纹检测区域对采集图像的灰度图像进行划分定位，获得区域化的采集图像的灰度图像。
5.如权利要求3或4所述的脸部皱纹检测方法，其特征在于，所述利用人脸检测算法对采集图像进行人脸检测，获取人脸关键点，根据获得的人脸关键点提取用于检测皱纹的皱纹检测区域的步骤具体包括：
利用人脸检测算法对采集图像进行人脸检测，当检测出人脸时，获取对应人脸的人脸关键点；
根据所述人脸关键点的坐标提取对应的像素，根据人脸关键点获取人脸脸部区域、眼睛区域、鼻子区域及嘴巴区域，于所述人脸脸部区域中排除眼睛区域、鼻子区域及嘴巴区域，获得皱纹检测区域。
6.如权利要求5所述的脸部皱纹检测方法，其特征在于，所述皱纹检测的步骤中的对获得的灰度图像进行Gabor滤波处理，获得滤波图像，提取感兴趣区域，获得感兴趣区域定位的滤波图像的步骤具体为：
创建四组不同方向的Gabor滤波器核，为每组Gabor滤波器核设置对应的核尺寸、高斯因子的标准差、核的长宽比、波长、相位偏移及角度；
根据创建获得的四组所述Gabor滤波器核分别对获得的区域化的采集图像的灰度图像进行滤波，将滤波结果合并后保存，获得滤波图像；
获取滤波图像的最小值像素及最大值像素，对滤波图像的像素进行重新赋值；
对重新赋值的滤波图像提取感兴趣区域，获得感兴趣区域定位的滤波图像。
7.如权利要求1所述的脸部皱纹检测方法，其特征在于，所述皱纹检测的步骤中的进行阈值分割的步骤具体包括：
设置标准像素阈值；
根据所述标准像素阈值对均衡化图像的像素进行阈值分割处理，获得标准感兴趣区域定位二值图。
8.如权利要求7所述的脸部皱纹检测方法，其特征在于，所述皱纹检测的步骤中的并进行过滤处理，获取皱纹图像的步骤具体为：
步骤A、设置阈值区间及步长；
步骤B、获取阈值区间的其中一端点为当前阈值，根据当前阈值对所述均衡化图像进行图像阈值分割，获得对应的筛选图像，根据该筛选图像，滤除非皱纹信息，获取对应的过滤图像；
步骤C、根据当前阈值对应的筛选图像的过滤图像和所述标准感兴趣区域定位二值图，进行形态学闭运算，保留相应位置的最大像素值，更新获得皱纹检测图像；
步骤D、根据步长更新当前阈值，判断当前阈值是否位于阈值区间内；
步骤E、若是，根据更新后的当前阈值对所述均衡化图像进行图像阈值分割，获得对应的筛选图像；
步骤F、根据步骤E获得的筛选图像，滤除非皱纹信息，获取对应的过滤图像；
步骤G、根据更新后的当前阈值对应的筛选图像的过滤图像及所述皱纹检测图像，进行形态学闭运算，保留相应位置的最大像素值，更新所述皱纹检测图像，返回执行步骤D；
步骤H、若更新后的当前阈值不位于阈值区间内，输出皱纹检测图像；
步骤I、根据步骤H输出的所述皱纹检测图像，标记连通域，计算每一连通域与水平方向的距离及每一连通域与垂直方向的距离以划分连通域类别，根据每一连通域类别中的连通域的结束坐标，在设定区域内查找是否存在该连通域类别中另一连通域的起点坐标，若存在，则将对应的连通域连接起来，更新连通域，输出皱纹结果图像，若不存在，将所述皱纹检测图像作为皱纹结果图像并输出；
步骤J、更换阈值区间及步长，执行步骤B至步骤I；
步骤K、根据输出的二所述阈值区间对应的皱纹结果图像，进行形态学闭运算，保留相应位置的最大像素值，更新获得初步皱纹图像；
步骤L、根据所述初步皱纹图像，滤除非皱纹信息，获取对应的过滤图像为初步皱纹过滤图像；
步骤M、根据步骤A设置的阈值区间对应的皱纹结果图像及所述初步皱纹过滤图像，进行形态学闭运算，保留相应位置的最大像素值，更新获得皱纹图像。
9.如权利要求8所述的脸部皱纹检测方法，其特征在于，所述步骤B、步骤F及步骤L中的滤除非皱纹信息的步骤具体为：
标记连通域；
判断所述连通域的面积是否大于设定面积阈值或者连通域的形状接近于线状；
若是，判断对应的连通域为皱纹，保留对应连通区域的像素；
若否，判断对应的连通域为非皱纹，将对应的连通域的像素设置为预设脸部背景像素值。
10.如权利要求1所述的脸部皱纹检测方法，其特征在于，所述皱纹统计与分析的步骤具体包括：
根据获得的皱纹图像标记连通域；
根据所述连通域的数目，统计皱纹数量；
根据每一所述连通域按照预设的等级规则划分皱纹的严重程度；
将所述皱纹图像合并于所述采集图像上进行显示。
CN202110047659.2A 2021-01-14 2021-01-14 脸部皱纹检测方法 Active CN112712054B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110047659.2A CN112712054B (zh) 2021-01-14 2021-01-14 脸部皱纹检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110047659.2A CN112712054B (zh) 2021-01-14 2021-01-14 脸部皱纹检测方法

Publications (2)

Publication Number Publication Date
CN112712054A true CN112712054A (zh) 2021-04-27
CN112712054B CN112712054B (zh) 2024-06-18

Family

ID=75549052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110047659.2A Active CN112712054B (zh) 2021-01-14 2021-01-14 脸部皱纹检测方法

Country Status (1)

Country Link
CN (1) CN112712054B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191985A (zh) * 2021-05-24 2021-07-30 北京美医医学技术研究院有限公司 一种基于红外激光的智能祛斑系统
CN114663313A (zh) * 2022-03-25 2022-06-24 清华大学 用于增强人脸斑纹特征的视觉方法、装置、设备及介质
CN118522055A (zh) * 2024-07-19 2024-08-20 柏意慧心(杭州)网络科技有限公司 一种真实皱纹检测的实现方法、系统、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932493A (zh) * 2018-06-29 2018-12-04 东北大学 一种面部皮肤质量评价方法
WO2019014814A1 (zh) * 2017-07-17 2019-01-24 深圳和而泰智能控制股份有限公司 一种定量检测人脸抬头纹的方法和智能终端
CN110110637A (zh) * 2019-04-25 2019-08-09 深圳市华嘉生物智能科技有限公司 一种人脸皮肤皱纹自动识别和皱纹严重程度自动分级的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019014814A1 (zh) * 2017-07-17 2019-01-24 深圳和而泰智能控制股份有限公司 一种定量检测人脸抬头纹的方法和智能终端
CN108932493A (zh) * 2018-06-29 2018-12-04 东北大学 一种面部皮肤质量评价方法
CN110110637A (zh) * 2019-04-25 2019-08-09 深圳市华嘉生物智能科技有限公司 一种人脸皮肤皱纹自动识别和皱纹严重程度自动分级的方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191985A (zh) * 2021-05-24 2021-07-30 北京美医医学技术研究院有限公司 一种基于红外激光的智能祛斑系统
CN113191985B (zh) * 2021-05-24 2024-05-28 北京美医医学技术研究院有限公司 一种基于红外激光的智能祛斑系统
CN114663313A (zh) * 2022-03-25 2022-06-24 清华大学 用于增强人脸斑纹特征的视觉方法、装置、设备及介质
CN118522055A (zh) * 2024-07-19 2024-08-20 柏意慧心(杭州)网络科技有限公司 一种真实皱纹检测的实现方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN112712054B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
CN109154978B (zh) 用于检测植物疾病的系统和方法
CN112712054B (zh) 脸部皱纹检测方法
US7072523B2 (en) System and method for fingerprint image enhancement using partitioned least-squared filters
KR101853006B1 (ko) 깊이영상에서 코 검출을 이용한 얼굴 인식
EP1255225A2 (en) Method for detecting eye and mouth positions in a digital image
KR100422709B1 (ko) 영상 의존적인 얼굴 영역 추출방법
CN108369644B (zh) 一种定量检测人脸抬头纹的方法、智能终端和存储介质
CN110309806B (zh) 一种基于视频图像处理的手势识别系统及其方法
US20180228426A1 (en) Image Processing System and Method
KR102458615B1 (ko) 피부 상태 측정 장치, 이를 포함하는 피부 상태 측정 시스템 및 그 방법
Pandit et al. Literature review on object counting using image processing techniques
Monwar et al. Pain recognition using artificial neural network
Riana et al. Extraction and classification texture of inflammatory cells and nuclei in normal pap smear images
CN110648336B (zh) 一种舌质和舌苔的分割方法及装置
Manjaramkar et al. Connected component clustering based hemorrhage detection in color fundus images
Fathy et al. Benchmarking of pre-processing methods employed in facial image analysis
Azad et al. A robust and adaptable method for face detection based on color probabilistic estimation technique
Youlian et al. Face detection method using template feature and skin color feature in rgb color space
CN108491820B (zh) 图像中肢体表示信息的识别方法、装置及设备、存储介质
KR102550632B1 (ko) 피부 진단 정보를 이용한 맞춤형 화장품 제조 시스템 및 그 방법
CN113128372B (zh) 基于图像处理的黑头识别方法、黑头识别装置及终端设备
De Siqueira et al. Adaptive detection of human skin in color images
CN114554188A (zh) 基于图像传感器像素阵列的手机摄像头检测方法及装置
CN112818728B (zh) 年龄识别的方法及相关产品
Subban et al. Human skin segmentation in color images using gaussian color model

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