CN113128375A - 图像识别方法及电子设备、计算机可读存储介质 - Google Patents
图像识别方法及电子设备、计算机可读存储介质 Download PDFInfo
- Publication number
- CN113128375A CN113128375A CN202110364663.1A CN202110364663A CN113128375A CN 113128375 A CN113128375 A CN 113128375A CN 202110364663 A CN202110364663 A CN 202110364663A CN 113128375 A CN113128375 A CN 113128375A
- Authority
- CN
- China
- Prior art keywords
- acne
- image
- score
- area
- probability value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 208000002874 Acne Vulgaris Diseases 0.000 claims abstract description 282
- 206010000496 acne Diseases 0.000 claims abstract description 282
- 210000001061 forehead Anatomy 0.000 claims abstract description 19
- 210000004373 mandible Anatomy 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 239000013256 coordination polymer Substances 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 33
- 230000001815 facial effect Effects 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 208000020154 Acnes Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 241001635598 Enicostema Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003796 beauty Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
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
- 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
- G06F18/21—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
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
Abstract
本申请实施例公开一种图像识别方法及电子设备、计算机可读存储介质,该方法包括:从采集到的用户图像中提取出面部区域对应的第一图像之后,再从第一图像中提取每一关键区域对应的第二图像;其中,关键区域至少包括上额区域、脸部区域以及下颌区域,然后利用痤疮评分模型,确定每一第二图像对应的痤疮评分,最后再根据每一第二图像对应的痤疮评分,得到针对用户图像的痤疮评分。通过实施本申请实施例,能够提高针对脸部痤疮的评价准确性。
Description
技术领域
本申请涉及电子设备技术领域,具体涉及一种图像识别方法及电子设备、计算机可读存储介质。
背景技术
随着人民生活品质的提高,人们越来越重视自己的皮肤质量,往往希望获得自己皮肤质量的准确评价,从而采取具有针对性的保养和治疗措施。
实践中发现,目前针对脸部痤疮的评价方法主要可以分为基于传感器的评价方法和基于图像处理的评价方法。其中,基于传感器的评价方法一般采用接触式测量,实现的功能比较单一,且所需设备较为复杂,无法实现居家进行,必须在美容院、医院等专业机构进行。基于图像处理的评价方法一般利用图像采集设备拍摄人体皮肤,利用计算机技术对皮肤图像进行处理分析,从而给出评价结果,相比于基于传感器的评价方法,基于图像处理的评价方法使用更加方便,没有使用地点的限制。
而现有的基于图像处理的评价方法大都通过传统的图像处理技术,得到图像中的痤疮数量,然后再基于图像中的痤疮数量进行评价,评价结果往往不够准确。
发明内容
本申请实施例公开一种图像识别方法及电子设备、计算机可读存储介质,能够提高针对脸部痤疮的评价准确性。
本申请实施例第一方面公开一种图像识别方法,包括:
从采集到的用户图像中提取面部区域对应的第一图像;
从所述第一图像中提取各个关键区域对应的第二图像;其中,所述各个关键区域至少包括上额区域、脸部区域以及下颌区域;
利用预置的痤疮评分模型,确定每一所述第二图像对应的痤疮评分;
根据每一所述第二图像对应的痤疮评分,得到针对所述用户图像的痤疮评分。
作为一种可选的实施方式,在本申请实施例第一方面中,所述痤疮评分模型包括轻量级卷积神经网络,所述轻量级卷积神经网络包括多个预设痤疮等级,所述利用预置的痤疮评分模型,确定每一所述第二图像对应的痤疮评分,包括:
利用所述轻量级卷积神经网络,对每一所述第二图像进行特征提取,得到每一第二图像的特征向量;
根据归一化指数函数和所述特征向量,确定每一所述第二图像的痤疮等级为每一预设痤疮等级的概率值;
根据所述概率值,确定每一所述第二图像对应的痤疮评分。
作为一种可选的实施方式,在本申请实施例第一方面中,若所述多个预设痤疮等级包括第一痤疮等级、第二痤疮等级以及第三痤疮等级,所述概率值包括每一所述第二图像的痤疮等级为所述第一痤疮等级的第一概率值、每一所述第二图像的痤疮等级为所述第二痤疮等级的第二概率值,以及每一所述第二图像的痤疮等级为所述第三痤疮等级的第三概率值;
其中,所述根据所述概率值,确定每一所述第二图像对应的痤疮评分,包括:
根据第一公式,得到每一所述第二图像对应的痤疮评分;
所述第一公式为score=AP0+BP1-CP2+D;其中,score为每一所述第二图像对应的痤疮评分,P0表示所述第一概率值,P1表示所述第二概率值,P2表示所述第三概率值,A表示所述第一概率值对应的分值系数,B表示所述第二概率值对应的分值系数,C表示所述第三概率值对应的分值系数,D为分值常数。
作为一种可选的实施方式,在本申请实施例第一方面中,所述根据每一所述第二图像对应的痤疮评分,得到针对所述用户图像的痤疮评分,包括:
累加每一所述第二图像对应的痤疮评分,得到第一计算值;根据所述第二图像的个数和所述第一计算值,得到针对所述用户图像的痤疮评分;
或者;
获取每一所述第二图像对应的痤疮评分的权重系数;根据所述每一所述第二图像对应的痤疮评分和每一所述第二图像对应的痤疮评分的权重系数,得到针对所述用户图像的痤疮评分。
作为一种可选的实施方式,在本申请实施例第一方面中,所述从所述第一图像中提取每一关键区域对应的第二图像之后,所述方法还包括:
将每一所述第二图像由RGB颜色空间转换为LAB颜色空间;
从为所述LAB颜色空间的每一所述第二图像中,提取A分量对应的特征图;
从所述特征图中获取痤疮区域的位置信息;
根据所述位置信息,对每一所述第二图像中的痤疮区域进行标注。
作为一种可选的实施方式,在本申请实施例第一方面中,所述根据所述位置信息,对每一所述第二图像中的痤疮区域进行标注,包括:
根据所述位置信息,确定每一所述第二图像中指示痤疮区域的标记区域;
按照预设方式,标注所述标记区域的边界。
作为一种可选的实施方式,在本申请实施例第一方面中,所述从所述第一图像中提取每一关键区域对应的第二图像,包括:
获取所述第一图像中的人脸特征点的标号;
根据所述人脸特征点的标号,对所述第一图像中的每一关键区域进行识别;
从所述第一图像中提取每一关键区域对应的第二图像。
本申请实施例第二方面公开一种电子设备,包括:
获取单元,用于从采集到的用户图像中提取面部区域对应的第一图像;从所述第一图像中提取各个关键区域对应的第二图像;其中,所述各个关键区域至少包括上额区域、脸部区域以及下颌区域;
处理单元,用于利用预置的痤疮评分模型,确定每一所述第二图像对应的痤疮评分;根据每一所述第二图像对应的痤疮评分,得到针对所述用户图像的痤疮评分。
本申请实施例第三方面公开一种电子设备,包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本申请第一方面的任意一种方法的部分或全部步骤。
本申请实施例第四方面公开一种计算机可读存储介质,其存储计算机程序,所述计算机程序包括用于执行本申请第一方面的任意一种方法的部分或全部步骤。
本申请实施例第五面公开一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行第一方面的任意一种方法的部分或全部步骤。
本申请实施例第六方面公开一种应用发布系统,所述应用发布系统用于发布计算机程序产品,其中,当所述计算机程序产品在计算机上运行时,使得所述计算机执行第一方面的任意一种方法的部分或全部步骤。
与现有技术相比,本申请实施例具有以下有益效果:
实施本申请实施例,从采集到的用户图像中提取出面部区域对应的第一图像之后,再从第一图像中提取每一关键区域对应的第二图像;其中,关键区域至少包括上额区域、脸部区域以及下颌区域,然后利用痤疮评分模型,确定每一第二图像对应的痤疮评分,最后再根据每一第二图像对应的痤疮评分,得到针对用户图像的痤疮评分。通过实施该方法,由于预置的痤疮评分模型可以由大量样本训练得到,可靠性较强,因此,基于痤疮评分模型对痤疮高发区域对应的图像进行分析,所得到的痤疮评分的准确性较好,进而提高了针对脸部痤疮的评价准确性。
此外,利用痤疮评分模型仅对痤疮高发区域对应的图像区域进行分析,可以进一步提高针对脸部痤疮的评价效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造率劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例公开的一种应用场景示意图;
图2A是本申请实施例公开的一种图像识别方法的流程示意图;
图2B是本申请实施例公开的一种获取第二图像的示意图;
图3A是本申请实施例公开的另一种图像识别方法的流程示意图;
图3B是本申请实施例公开的获取每一第二图像的痤疮等级为每一预设痤疮等级的概率值的示意图;
图4是本申请实施例公开的一种电子设备的结构示意图;
图5是本申请实施例公开的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
随着人民生活品质的提高,人们越来越重视自己的皮肤质量,往往希望获得自己皮肤质量的准确评价,从而采取具有针对性的保养和治疗措施。
之前,针对脸部痤疮的评价大多由皮肤科医生依赖诊疗经验做出,不仅效率低,而且评价结果不够客观。
目前针对脸部痤疮的评价方法主要可以分为基于传感器的评价方法和基于图像处理的评价方法。其中,基于传感器的评价方法一般采用接触式测量,实现的功能比较单一,且所需设备较为复杂,无法实现居家进行,必须在美容院、医院等专业机构进行。基于图像处理的评价方法一般利用图像采集设备拍摄人体皮肤,利用计算机技术对皮肤图像进行处理分析,从而给出评价结果,相比于基于传感器的评价方法,基于图像处理的评价方法使用更加方便,没有使用地点的限制。
现有的基于图像处理的评价方法大都通过传统的图像处理技术,得到图像中的痤疮数量,然后再基于图像中的痤疮数量来评定,评价结果往往不够准确。
需要说明的是,本申请实施例的执行主体可以是电子设备,可以理解的是,电子设备可以包括一般的手持有屏电子终端设备,诸如手机、智能电话、便携式终端、终端、个人数字助理(Personal Digital Assistant,PDA)、便携式多媒体播放器(Personal MediaPlayer,PMP)装置、笔记本电脑、笔记本(Note Pad)、无线宽带(Wireless Broadband,Wibro)终端、平板电脑(Personal Computer,PC)、智能PC、销售终端(PointofSales,POS)和车载电脑等。
电子设备也可以包括可穿戴设备。可穿戴设备可以直接穿戴在用户身上,或是整合到用户的衣服或配件的一种便携式电子设备。可穿戴设备不仅仅是一种硬件设备,更可以通过软件支持以及数据交互、云端交互来实现强大的智能功能,比如:计算功能、定位功能、报警功能,同时还可以连接手机及各类终端。可穿戴设备可以包括但不限于以手腕为支撑的watch类(比如手表、手腕等产品),以脚为支撑的shoes类(比如鞋、袜子或者其他腿上佩戴产品),以头部为支撑的Glass类(比如眼镜、头盔、头带等)以及智能服装,书包、拐杖、配饰等各类非主流产品形态。
本申请实施例公开一种图像识别方法及电子设备、计算机可读存储介质,能够提高针对脸部痤疮的评价准确性。以下进行详细说明。
请参阅图1,图1是本申请实施例公开的一种应用场景示意图。如图1所示的应用场景示意图可以包括电子设备101和用户102,电子设备101用于利用设置于其上的摄像头采集用户图像,进而基于电子设备101上预置有预置的痤疮评分模型,对用户图像进行处理得到针对用户脸部的痤疮评分,由于预置的痤疮评分模型由大量样本训练得到,可靠性较强,因此,基于痤疮评分模型的评价方法的准确性较高。
请参阅图2A,图2A是本申请实施例公开的一种图像识别方法的流程示意图。可以包括:
201、从采集到的用户图像中提取面部区域对应的第一图像。
在本申请实施例中,电子设备可以利用设置于其上的摄像头采集得到用户图像。在一些实施例中,电子设备从采集到的用户图像中提取面部区域对应的第一图像可以包括:电子设备对用户图像进行预处理,得到第三图像;将第三图像由RGB颜色空间转换为HSV颜色空间;对HSV颜色空间下的第三图像进行肤色阈值分割,得到分割图;对RGB颜色空间下的第三图像中的B分量的像素进行边缘强化处理,得到边界图;对分割图和边界图进行逻辑与运算,得到面部区域对应的位置信息;根据面部区域对应的位置信息,从用户图像中提取面部区域的对应的第一图像。
在一些实施例中,电子设备对用户图像进行的预处理可以包括但不限于灰度化、锐化滤波、中值滤波、二值化以及形态学操作等。RGB颜色空间是以R(Red,红)、G(Green,绿)以及B(Blue,蓝)三种颜色为基础的颜色模式。HSV颜色空间是以色调H(色调)、S(饱和度)以及V(明度)三种参数为基础的颜色模式。其中,H是用角度度量的,H的取值范围为0度-360度,示例性的,红色为0度,绿色为120度,蓝色为240度;S表示的是颜色接近光谱色的程度;V表示颜色明亮的程度。
由于在RGB颜色空间的图像中,面部区域的像素多数集中在B分量中,所以B分量的像素中背景像素最少,所以,在对RGB颜色空间下的第三图像中的B分量的像素进行边缘强化处理得到边界图中,面部区域会较为突出。在一些实施例中,电子设备对RGB颜色空间下的第三图像中的B分量的像素进行边缘化强处理,得到边界图,可以包括:电子设备可以利用高频增强算子,对RGB颜色空间下的第三图像中的B分量的像素进行卷积锐化处理,得到边界图。可选的,高频增强算子可以拉普拉斯(laplace)算子、高斯拉普拉斯(laplace ofgauss)算子或者索贝尔(sobel)算子等。
在一些实施例中,面部区域对应的位置信息可以包括指示面部区域的坐标点集,电子设备可以根据指示面部区域的坐标点集,从用户图像中提取面部区域的对应的第一图像。
202、从第一图像中提取各个关键区域对应的第二图像;其中,各个关键区域至少包括上额区域、脸部区域以及下颌区域。
请参阅图2B,图2B是本申请实施例公开的一种获取第二图像的示意图。如图2B所示的第二图像包括上额区域对应的第二图像、脸部区域对应的第二图像以及下颌区域对应的第二图像。
在一些实施例中,电子设备从第一图像中提取各个关键区域对应的第二图像,可以包括:电子设备获取第一图像中的人脸特征点的标号;根据获取的人脸特征点的标号,对第一图像中的每一关键区域进行识别;从第一图像中提取每一关键区域对应的第二图像。
在一些实施例中,电子设备可以利用预设的人脸特征点数据库,确定第一图像中的人脸特征点的标号。可选的,人脸特征点数据库中可以包括多个人脸特征点中每一人脸特征点的标号以及每一人脸特征点对应的灰度特征信息。示例性的,人脸特征点数据库中的人脸特征点的个数可以是68个。
电子设备根据获取的人脸特征点的标号,对第一图像中的每一关键区域进行识别,可以包括:电子设备获取每一关键区域对应的标号,每一关键区域对应的标号可以包括多个;根据第一图像中的人脸特征点的标号和每一关键区域对应的标号,对第一图像中的每一关键区域进行识别。示例性的,上额区域对应的标号可以为0号特征点和16号特征点,以0号特征点和16号特征点之间的距离值作为上额的宽度;脸部区域对应的标号可以包括1号特征点、15号特征点、47号特征点以及50号特征点,可以以47号特征点和50号特征点之间的距离值作为高,以15号特征点与1号特征点之间的距离值作为宽,将1号特征点、15号特征点、47号特征点以及50号特征点所围成的矩形作为脸部区域;下颌区域的标号可以包括3号特征点、8号特征点、13号特征点以及33号特征点,可以以33号特征点与8号特征点之间的距离值作为高,以13号特征点和3号特征点的距离值作为宽,将3号特征点、8号特征点、13号特征点以及33号特征点所围成的矩形作为下颌区域。
在一些实施例中,人脸特征点数据库的训练过程可以包括:获取训练图像样本集中,标记每一图像样本的人脸特征点,并记录每一图像样本中每一人脸特征点的坐标信息,以得到每一图像样本对应的第一形状向量;对得到的所有第一形状向量进行归一化(平移、旋转、缩放)处理,得到每一图像样本的目标形状向量;对每一目标形状向量进行分析和降维,得到每一人脸特征点对应的统计形状模型,其中,统计形状模型的参数反映的是人脸特征点点形状的可变化模式;根据每一人脸特征点对应的统计形状模型,得到每一人脸特征点对应的局部区域的像素灰度信息;根据每一人脸特征点对应的局部区域的像素灰度信息,得到每一人脸特征点的灰度特征信息,以及根据每一人脸特征点的灰度特征信息,得到人脸特征点数据库。
203、利用预置的痤疮评分模型,确定每一第二图像对应的痤疮评分。
在一些实施例中,电子设备预置的痤疮评分模型可以卷积神经网络模型,该卷积神经网络模型可以由大量样本训练得到,有利于提高针对每一第二图像对应的痤疮评分的准确性。需要说明的是,该卷积神经网络模型可以是二维卷积神经网络模型或三维卷积神经网络模型,此处不做限定。
204、根据每一第二图像对应的痤疮评分,得到针对用户图像的痤疮评分。
在一些实施例中,电子设备根据每一第二图像对应的痤疮评分,得到针对用户图像的痤疮评分,可以包括但不限于以下实现方式:
方式1、电子设备累加每一第二图像对应的痤疮评分,得到第一计算值;根据第二图像的个数和第一计算值,得到针对用户图像的痤疮评分。示例性的,关键区域包括上额区域、脸部区域以及下颌区域,第二图像的个数为3个,若包括上额区域的第二图像的痤疮评分为50分、包括脸部区域的第二图像的痤疮评分为60分、包括下颌区域的第二图像的痤疮评分为70时,则用户图像的痤疮评分可以为(50+60+70)/3=60分。
方式2、电子设备获取每一第二图像对应的痤疮评分的权重系数;根据每一第二图像对应的痤疮评分和每一第二图像对应的痤疮评分的权重系数,得到针对用户图像的痤疮评分。示例性的,关键区域包括上额区域、脸部区域以及下颌区域,第二图像的个数为3个,若包括上额区域的第二图像的痤疮评分为50分、包括脸部区域的第二图像的痤疮评分为60分、包括下颌区域的第二图像的痤疮评分为70分,且包括上额区域的第二图像对应的痤疮评分的权重系数为0.3、包括脸部区域的第二图像对应的痤疮评分的权重系数为0.3、包括下颌区域的第二图像对应的痤疮评分的权重系数为0.4,则用户图像的痤疮评分可以为(50×0.3+60×0.3+70×0.4)=37分。
通过实施上述方法,由于预置的痤疮评分模型可以由大量样本训练得到,可靠性较强,因此,基于痤疮评分模型对痤疮高发区域对应的图像进行分析,所得到的痤疮评分的准确性较好,进而提高了针对脸部痤疮的评价准确性。此外,利用痤疮评分模型仅对痤疮高发区域对应的图像区域进行分析,可以进一步提高针对脸部痤疮的评价效率。
请参阅图3A,图3A是本申请实施例公开的一种图像识别方法的流程示意图。可以包括:
301、从采集到的用户图像中提取面部区域对应的第一图像。
302、从第一图像中提取各个关键区域对应的第二图像;其中,各个关键区域至少包括上额区域、脸部区域以及下颌区域。
在一些实施例中,步骤302之后,电子设备还可以将每一第二图像由RGB颜色空间转换为LAB颜色空间;从为LAB颜色空间的每一第二图像中,提取A分量对应的特征图;从该特征图中获取痤疮区域的位置信息;根据从特征图中获取痤疮区域的位置信息,对每一第二图像中的痤疮区域进行标注。
其中,Lab色彩模型是由L(亮度,Luminosity)和有关色彩的A和B三个要素组成,A表示从洋红色至绿色的范围,B表示从黄色至蓝色的范围。需要说明的是,由于痤疮的像素颜色为红色,因此痤疮区域在A分量对应的特征图中表现较为明亮,基于此,可以更精确的进行痤疮标注。
进一步的,电子设备根据从特征图中获取痤疮区域的位置信息,对每一第二图像中的痤疮区域进行标注,可以包括:电子设备根据从该特征图中获取痤疮区域的位置信息,确定每一第二图像中指示痤疮区域的标记区域;按照预设方式,标注每一标记区域的边界。
在一些实施例中,电子设备从特征图中获取的痤疮区域的位置信息可以包括每一痤疮区域对应的坐标点,电子设备可以根据每一痤疮区域对应的坐标点,确定指示该痤疮区域的标记区域。进一步的,标记区域可以为圆形、三角形或者矩形等,本申请实施例不做限定。
电子设备按照预设方式,标注每一标记区域的边界可以包括但不限于以下方式:
方式1、电子设备以预设颜色的实线,标注每一标记区域的边界;
方式2、电子设备以预设颜色的虚线,标注每一标记区域的边界;
需要说明的是,预设颜色可以为较为显眼的颜色,例如红色、黄色等。
通过实施上述方法,可以在图像中精准地进行痤疮标注。
303、利用预置的轻量级卷积神经网络,对每一第二图像进行特征提取,得到每一第二图像的特征向量。
其中,轻量级卷积神经网络,也即微型神经网络,是指需要参数数量较少和计算代价较小的神经网络模型。由于计算开销小的特性,微型神经网络可以部署在计算资源有限的设备上,如智能手机、平板电脑或其他嵌入式设备。需要说明的是,预置的轻量级卷积神经网络可以包括多个预设痤疮等级。在一些实施例中,每一第二图像的特征向量可以是基于多维度的特征向量。
下面对预置的轻量级卷积神经网络的训练过程进行说明:
(1)标注训练样本集中图像的痤疮等级;其中,标注的痤疮等级为3个等级,标注标准为:对于各区域图像,不存在任何痤疮或者极少量白头粉刺的标注为0等级,存在明显白头粉刺或者有1-5颗明显红肿痤疮判定为1等级,存在5颗以上红色痤疮或者呈现成片凸起、红肿、结块标注为2等级。
需要说明的是,样本集中的图像可以包括3类,第一类是额头区域对应的图像,第二类是脸部区域对应的图像,第三类是下颌区域对应的图像。样本集中图像的尺寸为512*512像素。
(2)针对每一类图像,将每一等级的图像的80%划分为训练集,20%划分为测试集,利用每一类图像的训练集进行模型训练,即可得到轻量级卷积神经网络。需要说明的是,模型训练过程中的参数设置如下:使用交叉熵损失函数,权重[1,1,3],batch-size设置为32,迭代次数为40次,初始学习率为0.0006,每20个迭代次数衰减0.8。
304、根据归一化指数函数和特征向量,确定每一第二图像的痤疮等级为每一预设痤疮等级的概率值。
其中,由于轻量级卷积神经网络包括多个预设痤疮等级,因此,每一第二图像的痤疮等级为每一预设痤疮等级的概率值可以为多个。示例性的,若多个预设痤疮等级包括第一痤疮等级、第二痤疮等级以及第三痤疮等级,则每一预设痤疮等级的概率值可以包括每一第二图像的痤疮等级为第一痤疮等级的第一概率值、每一第二图像的痤疮等级为第二痤疮等级的第二概率值,以及每一第二图像的痤疮等级为第三痤疮等级的第三概率值。
请参阅图3B,图3B是本申请实施例公开的获取每一第二图像的痤疮等级为每一预设痤疮等级的概率值的示意图。
305、根据每一第二图像的痤疮等级为每一预设痤疮等级的概率值,确定每一第二图像对应的痤疮评分。
在一些实施例中,电子设备根据每一第二图像的痤疮等级为每一预设痤疮等级的概率值,确定每一第二图像对应的痤疮评分可以包括但不限以下实现方式:
方式1、电子设备根据每一第二图像的痤疮等级为每一预设痤疮等级的概率值,从多个预设痤疮等级中确定每一第二图像所对应的目标痤疮等级,以及根据目标痤疮等级,得到每一第二图像对应的痤疮得分。其中,多个预设痤疮等级中的每一预设痤疮等级对应一个评分值。需要说明的是,痤疮等级和评分值呈正相关关系,痤疮等级越高,其对应的评分值越大。示例性的,第一痤疮等级的评分值小于第二痤疮等级的评分值,第二痤疮等级的评分值小于第三痤疮等级的评分值。
方式2、电子设备根据第一公式和每一第二图像的痤疮等级为每一预设痤疮等级的概率值,得到每一第二图像对应的痤疮评分。在一些实施例中,第一公式可以为score=AP0+BP1-CP2+D;其中,score为每一第二图像对应的痤疮评分,P0表示第一概率值,P1表示第二概率值,P2表示第三概率值,A表示第一概率值对应的分值系数,B表示第二概率值对应的分值系数,C表示第三概率值对应的分值系数,D为分值常数。示例性的,若A为10、B为20、C为5、D为70,则score=10P0+20P1-5P2+70。
306、根据每一第二图像对应的痤疮评分,得到针对用户图像的痤疮评分。
需要说明的是,在本申请实施例中,关于步骤301和步骤306的详细介绍,请参照图2A所示实施例中步骤201和步骤204的描述,此处不再赘述。
通过实施上述方法,可以基于轻量级卷积神经网络,得到每一第二图像的痤疮等级为每一预设痤疮等级的概率值。由于轻量级卷积神经网络可以部署在计算资源有限的设备上,如智能手机、平板电脑或其他嵌入式设备,因此,除了提高针对脸部痤疮的评价准确性和评价效率之外,还极大提高了针对痤疮评价的便捷性。
请参阅图4,图4是本申请实施例公开的一种电子设备的结构示意图。
包括:
获取模块401,用于从采集到的用户图像中提取面部区域对应的第一图像;从第一图像中提取各个关键区域对应的第二图像;其中,各个关键区域至少包括上额区域、脸部区域以及下颌区域;
处理模块402,用于利用预置的痤疮评分模型,确定每一第二图像对应的痤疮评分;根据每一第二图像对应的痤疮评分,得到针对用户图像的痤疮评分。
可选的,在一些实施例中,
痤疮评分模型可以包括轻量级卷积神经网络,该轻量级卷积神经网络包括多个预设痤疮等级,处理模块402用于利用预置的痤疮评分模型,确定每一第二图像对应的痤疮评分的方式具体可以包括:
处理模块402,用于利用轻量级卷积神经网络,对每一第二图像进行特征提取,得到每一第二图像的特征向量;根据归一化指数函数和特征向量,确定每一第二图像的痤疮等级为每一预设痤疮等级的概率值;根据该概率值,确定每一第二图像对应的痤疮评分。
可选的,在一些实施例中,
若多个预设痤疮等级包括第一痤疮等级、第二痤疮等级以及第三痤疮等级,上述概率值包括每一第二图像的痤疮等级为第一痤疮等级的第一概率值、每一第二图像的痤疮等级为第二痤疮等级的第二概率值,以及每一第二图像的痤疮等级为第三痤疮等级的第三概率值;
其中,处理模块402用于根据上述概率值,确定每一第二图像对应的痤疮评分的方式具体可以包括:处理模块402,用于根据第一公式,得到每一第二图像对应的痤疮评分;第一公式为score=AP0+BP1-CP2+D;其中,score为每一第二图像对应的痤疮评分,P0表示第一概率值,P1表示第二概率值,P2表示第三概率值,A表示第一概率值对应的分值系数,B表示第二概率值对应的分值系数,C表示第三概率值对应的分值系数,D为分值常数。
可选的,在一些实施例中,
处理模块402用于根据每一第二图像对应的痤疮评分,得到针对用户图像的痤疮评分的方式具体可以包括:
处理模块402,用于累加每一第二图像对应的痤疮评分,得到第一计算值;根据第二图像的个数和第一计算值,得到针对用户图像的痤疮评分;
或者;
处理模块402,用于获取每一第二图像对应的痤疮评分的权重系数;根据每一第二图像对应的痤疮评分和每一第二图像对应的痤疮评分的权重系数,得到用户图像的痤疮评分。
可选的,在一些实施例中,
处理模块402,还用于获取模块401从第一图像中提取每一关键区域对应的第二图像之后,将每一第二图像由RGB颜色空间转换为LAB颜色空间;从为LAB颜色空间的每一第二图像中,提取A分量对应的特征图;从该特征图中获取痤疮区域的位置信息;根据从特征图中获取痤疮区域的位置信息,对每一第二图像中的痤疮区域进行标注。
可选的,在一些实施例中,
处理模块402用于根据从特征图中获取痤疮区域的位置信息,对每一第二图像中的痤疮区域进行标注的方式具体可以包括:
处理模块402,用于根据从特征图中获取痤疮区域的位置信息,确定每一第二图像中指示痤疮区域的标记区域;按照预设方式,标注标记区域的边界。
可选的,在一些实施例中,
获取单元401用于从第一图像中提取每一关键区域对应的第二图像的方式具体可以包括:
获取单元401,用于获取第一图像中的人脸特征点的标号;根据人脸特征点的标号,对第一图像中的每一关键区域进行识别;从第一图像中提取每一关键区域对应的第二图像。
请参阅图5,图5是本申请实施例公开的一种电子设备的结构示意图。包括:处理器501和存储器502。
其中,处理器501具有以下功能:
从采集到的用户图像中提取面部区域对应的第一图像;从第一图像中提取各个关键区域对应的第二图像;其中,各个关键区域至少包括上额区域、脸部区域以及下颌区域;
利用预置的痤疮评分模型,确定每一第二图像对应的痤疮评分;根据每一第二图像对应的痤疮评分,得到针对用户图像的痤疮评分。
可选的,在一些实施例中,处理器501还具有以下功能:
在痤疮评分模型可以包括轻量级卷积神经网络,该轻量级卷积神经网络包括多个预设痤疮等级时,利用轻量级卷积神经网络,对每一第二图像进行特征提取,得到每一第二图像的特征向量;根据归一化指数函数和特征向量,确定每一第二图像的痤疮等级为每一预设痤疮等级的概率值;根据该概率值,确定每一第二图像对应的痤疮评分。
可选的,在一些实施例中,处理器501还具有以下功能:
若多个预设痤疮等级包括第一痤疮等级、第二痤疮等级以及第三痤疮等级,上述概率值包括每一第二图像的痤疮等级为第一痤疮等级的第一概率值、每一第二图像的痤疮等级为第二痤疮等级的第二概率值,以及每一第二图像的痤疮等级为第三痤疮等级的第三概率值;
根据第一公式,得到每一第二图像对应的痤疮评分;第一公式为score=AP0+BP1-CP2+D;其中,score为每一第二图像对应的痤疮评分,P0表示第一概率值,P1表示第二概率值,P2表示第三概率值,A表示第一概率值对应的分值系数,B表示第二概率值对应的分值系数,C表示第三概率值对应的分值系数,D为分值常数。
可选的,在一些实施例中,处理器501还具有以下功能:
累加每一第二图像对应的痤疮评分,得到第一计算值;根据第二图像的个数和第一计算值,得到针对用户图像的痤疮评分;
或者;
获取每一第二图像对应的痤疮评分的权重系数;根据每一第二图像对应的痤疮评分和每一第二图像对应的痤疮评分的权重系数,得到用户图像的痤疮评分。
可选的,在一些实施例中,处理器501还具有以下功能:
将每一第二图像由RGB颜色空间转换为LAB颜色空间;从为LAB颜色空间的每一第二图像中,提取A分量对应的特征图;从该特征图中获取痤疮区域的位置信息;根据从特征图中获取痤疮区域的位置信息,对每一第二图像中的痤疮区域进行标注。
可选的,在一些实施例中,处理器501还具有以下功能:
根据从特征图中获取痤疮区域的位置信息,确定每一第二图像中指示痤疮区域的标记区域;按照预设方式,标注标记区域的边界。
可选的,在一些实施例中,处理器501还具有以下功能:
获取第一图像中的人脸特征点的标号;根据人脸特征点的标号,对第一图像中的每一关键区域进行识别;从第一图像中提取每一关键区域对应的第二图像。
存储器502具有以下功能:
存储处理器501的处理过程和处理结果。
本申请实施例公开一种计算机可读存储介质,其存储计算机程序,该计算机程序被处理器执行时实现上述方法实施例中的任一方法。
本申请实施例公开一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行上述方法实施例中的任一方法。
本申请实施例公开一种应用发布平台,其中,应用发布平台用于发布计算机程序产品,其中,当计算机程序产品在计算机上运行时,使得计算机执行上述方法实施例中的任一方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidStateDisk(SSD))等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;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精神和范围。
Claims (10)
1.一种图像识别方法,其特征在于,包括:
从采集到的用户图像中提取面部区域对应的第一图像;
从所述第一图像中提取各个关键区域对应的第二图像;其中,所述各个关键区域至少包括上额区域、脸部区域以及下颌区域;
利用预置的痤疮评分模型,确定每一所述第二图像对应的痤疮评分;
根据每一所述第二图像对应的痤疮评分,得到针对所述用户图像的痤疮评分。
2.根据权利要求1所述的方法,其特征在于,所述痤疮评分模型包括轻量级卷积神经网络,所述轻量级卷积神经网络包括多个预设痤疮等级,所述利用预置的痤疮评分模型,确定每一所述第二图像对应的痤疮评分,包括:
利用所述轻量级卷积神经网络,对每一所述第二图像进行特征提取,得到每一第二图像的特征向量;
根据归一化指数函数和所述特征向量,确定每一所述第二图像的痤疮等级为每一预设痤疮等级的概率值;
根据所述概率值,确定每一所述第二图像对应的痤疮评分。
3.根据权利要求2所述的方法,其特征在于,若所述多个预设痤疮等级包括第一痤疮等级、第二痤疮等级以及第三痤疮等级,所述概率值包括每一所述第二图像的痤疮等级为所述第一痤疮等级的第一概率值、每一所述第二图像的痤疮等级为所述第二痤疮等级的第二概率值,以及每一所述第二图像的痤疮等级为所述第三痤疮等级的第三概率值;
其中,所述根据所述概率值,确定每一所述第二图像对应的痤疮评分,包括:
根据第一公式,得到每一所述第二图像对应的痤疮评分;
所述第一公式为score=AP0+BP1-CP2+D;其中,score为每一所述第二图像对应的痤疮评分,P0表示所述第一概率值,P1表示所述第二概率值,P2表示所述第三概率值,A表示所述第一概率值对应的分值系数,B表示所述第二概率值对应的分值系数,C表示所述第三概率值对应的分值系数,D为分值常数。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述根据每一所述第二图像对应的痤疮评分,得到针对所述用户图像的痤疮评分,包括:
累加每一所述第二图像对应的痤疮评分,得到第一计算值;根据所述第二图像的个数和所述第一计算值,得到针对所述用户图像的痤疮评分;
或者;
获取每一所述第二图像对应的痤疮评分的权重系数;根据所述每一所述第二图像对应的痤疮评分和每一所述第二图像对应的痤疮评分的权重系数,得到针对所述用户图像的痤疮评分。
5.根据权利要求1所述的方法,其特征在于,所述从所述第一图像中提取每一关键区域对应的第二图像之后,所述方法还包括:
将每一所述第二图像由RGB颜色空间转换为LAB颜色空间;
从为所述LAB颜色空间的每一所述第二图像中,提取A分量对应的特征图;
从所述特征图中获取痤疮区域的位置信息;
根据所述位置信息,对每一所述第二图像中的痤疮区域进行标注。
6.根据权利要求5所述的方法,其特征在于,所述根据所述位置信息,对每一所述第二图像中的痤疮区域进行标注,包括:
根据所述位置信息,确定每一所述第二图像中指示痤疮区域的标记区域;
按照预设方式,标注所述标记区域的边界。
7.根据权利要求1-3、5-6任一项所述的方法,其特征在于,所述从所述第一图像中提取每一关键区域对应的第二图像,包括:
获取所述第一图像中的人脸特征点的标号;
根据所述人脸特征点的标号,对所述第一图像中的每一关键区域进行识别;
从所述第一图像中提取每一关键区域对应的第二图像。
8.一种电子设备,其特征在于,
获取模块,用于从采集到的用户图像中提取面部区域对应的第一图像;从所述第一图像中提取各个关键区域对应的第二图像;其中,所述各个关键区域至少包括上额区域、脸部区域以及下颌区域;
处理模块,用于利用预置的痤疮评分模型,确定每一所述第二图像对应的痤疮评分;根据每一所述第二图像对应的痤疮评分,得到针对所述用户图像的痤疮评分。
9.一种电子设备,其特征在于,包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行权利要求1~7任一项所述的方法。
10.一种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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110364663.1A CN113128375B (zh) | 2021-04-02 | 图像识别方法及电子设备、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110364663.1A CN113128375B (zh) | 2021-04-02 | 图像识别方法及电子设备、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128375A true CN113128375A (zh) | 2021-07-16 |
CN113128375B CN113128375B (zh) | 2024-05-10 |
Family
ID=
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016182607A1 (en) * | 2015-05-14 | 2016-11-17 | Sri International | Selecting optimal image from mobile device captures |
CN108876766A (zh) * | 2018-05-23 | 2018-11-23 | 平安科技(深圳)有限公司 | 基于面部识别的痤疮判断方法、终端及存储介质 |
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 |
CN110008887A (zh) * | 2019-03-29 | 2019-07-12 | 南京所由所以信息科技有限公司 | 一种基于深度学习的痤疮自动分级方法 |
CN110097034A (zh) * | 2019-05-15 | 2019-08-06 | 广州纳丽生物科技有限公司 | 一种智能人脸健康程度的识别与评估方法 |
CN110473199A (zh) * | 2019-08-21 | 2019-11-19 | 广州纳丽生物科技有限公司 | 一种基于深度学习实例分割的色斑痤疮检测与健康评价方法 |
CN112037162A (zh) * | 2019-05-17 | 2020-12-04 | 华为技术有限公司 | 一种面部痤疮的检测方法及设备 |
CN113128373A (zh) * | 2021-04-02 | 2021-07-16 | 西安融智芙科技有限责任公司 | 基于图像处理的色斑评分方法、色斑评分装置及终端设备 |
CN117392733A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市宗匠科技有限公司 | 一种痤疮分级检测方法、装置、电子设备及存储介质 |
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016182607A1 (en) * | 2015-05-14 | 2016-11-17 | Sri International | Selecting optimal image from mobile device captures |
CN108876766A (zh) * | 2018-05-23 | 2018-11-23 | 平安科技(深圳)有限公司 | 基于面部识别的痤疮判断方法、终端及存储介质 |
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 |
CN110008887A (zh) * | 2019-03-29 | 2019-07-12 | 南京所由所以信息科技有限公司 | 一种基于深度学习的痤疮自动分级方法 |
CN110097034A (zh) * | 2019-05-15 | 2019-08-06 | 广州纳丽生物科技有限公司 | 一种智能人脸健康程度的识别与评估方法 |
CN112037162A (zh) * | 2019-05-17 | 2020-12-04 | 华为技术有限公司 | 一种面部痤疮的检测方法及设备 |
CN110473199A (zh) * | 2019-08-21 | 2019-11-19 | 广州纳丽生物科技有限公司 | 一种基于深度学习实例分割的色斑痤疮检测与健康评价方法 |
CN113128373A (zh) * | 2021-04-02 | 2021-07-16 | 西安融智芙科技有限责任公司 | 基于图像处理的色斑评分方法、色斑评分装置及终端设备 |
CN117392733A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市宗匠科技有限公司 | 一种痤疮分级检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
ANIF HANIFA SETIANINGRUM等: "Performance of Acne Type Identification Using GLCM and SVM", 《2020 8TH INTERNATIONAL CONFERENCE ON CYBER AND IT SERVICE MANAGEMENT (CITSM)》, pages 1 - 4 * |
冯相辉: "人脸图像中毛孔的检测及定量评价研究", 《CNKI优秀硕士学位论文全文库 医药卫生科技辑》, no. 02, pages 075 - 4 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aquino et al. | vitisBerry: An Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis | |
Ramlakhan et al. | A mobile automated skin lesion classification system | |
US10534957B2 (en) | Eyeball movement analysis method and device, and storage medium | |
US20210334524A1 (en) | Gesture recognition method and terminal device and computer readable storage medium using the same | |
CN106133752B (zh) | 眼睛注视跟踪 | |
WO2019100282A1 (zh) | 一种人脸肤色识别方法、装置和智能终端 | |
Soltany et al. | Fast and accurate pupil positioning algorithm using circular Hough transform and gray projection | |
KR101141643B1 (ko) | 캐리커쳐 생성 기능을 갖는 이동통신 단말기 및 이를 이용한 생성 방법 | |
US20160162673A1 (en) | Technologies for learning body part geometry for use in biometric authentication | |
KR100904916B1 (ko) | 얼굴 인식 시스템 및 방법 | |
Atharifard et al. | Robust component-based face detection using color feature | |
KR102470873B1 (ko) | 영상처리를 이용한 작물 생육량 측정 장치 및 그 방법 | |
CN107506738A (zh) | 特征提取方法、图像识别方法、装置及电子设备 | |
Ren et al. | Hand gesture recognition with multiscale weighted histogram of contour direction normalization for wearable applications | |
CN115035581A (zh) | 面部表情识别方法、终端设备及存储介质 | |
CN111199198A (zh) | 一种图像目标定位方法、图像目标定位装置及移动机器人 | |
CN110598574A (zh) | 智能人脸监控识别方法及系统 | |
CN108197563B (zh) | 用于获取信息的方法及装置 | |
Kwaśniewska et al. | Real-time facial feature tracking in poor quality thermal imagery | |
CN113128373B (zh) | 基于图像处理的色斑评分方法、色斑评分装置及终端设备 | |
CN113128375A (zh) | 图像识别方法及电子设备、计算机可读存储介质 | |
CN113128375B (zh) | 图像识别方法及电子设备、计算机可读存储介质 | |
Huang et al. | Accurate and efficient pulse measurement from facial videos on smartphones | |
CN112348112A (zh) | 图像识别模型的训练方法、训练装置及终端设备 | |
Breneman | Towards early-stage malignant melanoma detection using consumer mobile devices |
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 |