CN113128377A - 基于图像处理的黑眼圈识别方法、黑眼圈识别装置及终端 - Google Patents

基于图像处理的黑眼圈识别方法、黑眼圈识别装置及终端 Download PDF

Info

Publication number
CN113128377A
CN113128377A CN202110364920.1A CN202110364920A CN113128377A CN 113128377 A CN113128377 A CN 113128377A CN 202110364920 A CN202110364920 A CN 202110364920A CN 113128377 A CN113128377 A CN 113128377A
Authority
CN
China
Prior art keywords
image
pixel value
target area
determining
target
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
CN202110364920.1A
Other languages
English (en)
Other versions
CN113128377B (zh
Inventor
乔峤
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.)
Xi'an Rongzhifu Technology Co ltd
Original Assignee
Xi'an Rongzhifu 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 Xi'an Rongzhifu Technology Co ltd filed Critical Xi'an Rongzhifu Technology Co ltd
Priority to CN202110364920.1A priority Critical patent/CN113128377B/zh
Priority claimed from CN202110364920.1A external-priority patent/CN113128377B/zh
Publication of CN113128377A publication Critical patent/CN113128377A/zh
Application granted granted Critical
Publication of CN113128377B publication Critical patent/CN113128377B/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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • G06T5/70—
    • G06T5/90—
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20036—Morphological image processing
    • 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

本发明实施例公开了一种基于图像处理的黑眼圈识别方法、黑眼圈识别装置及终端，用于提高终端设备识别黑眼圈类型的准确性。本发明实施例方法包括：获取待识别图像；对所述待识别图像的绿色通道图像进行Frangi滤波，得到第一图像；对所述绿色通道图像进行Garbor滤波，得到第二图像；将所述第一图像的像素值乘以第一系数，以及所述第二图像的像素值乘以第二系数后进行叠加，得到第一目标图像，其中，所述第一系数和所述第二系数之和为1；在所述第一目标图像中，确定皱纹面积；当所述皱纹面积大于预设皱纹面积阈值时，确定黑眼圈的类型为结构型。

Description

基于图像处理的黑眼圈识别方法、黑眼圈识别装置及终端
技术领域
本发明涉及终端设备应用领域，尤其涉及一种基于图像处理的黑眼圈识别方法、黑眼圈识别装置及终端。
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，往往希望能够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。
目前，人们的皮肤质量评价会由美容师或者皮肤科医生来完成，这样一来不仅使得皮肤质量评价过程的效率低，而且使人们得到的皮肤质量评价往往缺乏客观性。黑眼圈作为脸部皮肤的重要组成部分，人们也会通过各种终端设备或者测量仪器对黑眼圈的类型进行检测与判定，但都在黑眼圈类型的识别过程中出现较多误差，从而导致这些终端设备或者测量仪器识别黑眼圈类型的准确性较低。
发明内容
本发明实施例提供了一种基于图像处理的黑眼圈识别方法、黑眼圈识别装置及终端，用于提高终端设备识别黑眼圈类型的准确性。
本发明实施例第一方面提供了一种基于图像处理的黑眼圈识别方法，可以包括：
获取待识别图像；
对该待识别图像的绿色通道图像进行Frangi滤波，得到第一图像；
对该绿色通道图像进行Garbor滤波，得到第二图像；
将该第一图像的像素值乘以第一系数，以及该第二图像的像素值乘以第二系数后进行叠加，得到第一目标图像，其中，该第一系数和该第二系数之和为1；
在该第一目标图像中，确定皱纹面积；
当该皱纹面积大于预设皱纹面积阈值时，确定黑眼圈的类型为结构型。
可选的，该对该待识别图像的绿色通道图像进行Frangi滤波，得到第一图像，包括：通过预设算法，在该待识别图像中，确定第一人脸特征点；根据该第一人脸特征点，确定第一目标区域图像；对该第一目标区域图像的绿色通道图像进行Frangi滤波，得到第一图像。
可选的，该对该待识别图像的绿色通道图像进行Frangi滤波，得到第一图像；包括：对该待识别图像的绿色通道图像进行Frangi滤波，并进行闭运算的形态学处理，得到第一图像；该对该绿色通道图像进行Garbor滤波，得到第二图像，包括：对该绿色通道图像进行Garbor滤波，并进行开运算的形态学处理，得到第二图像；该将该第一图像的像素值乘以第一系数，以及该第二图像的像素值乘以第二系数后进行叠加，得到第一目标图像，包括：将该第一图像的像素值乘以第一系数，以及该第二图像的像素值乘以第二系数后进行叠加，并进行闭运算的形态学处理，得到第一目标图像。
可选的，该将该第一图像的像素值乘以第一系数，以及该第二图像的像素值乘以第二系数后进行叠加，得到第一目标图像，包括：将该第一图像的像素值乘以第一系数，以及该第二图像的像素值乘以第二系数后进行叠加，得到第三图像；将该第三图像进行阈值分割，得到第一目标图像。
可选的，该方法还包括：通过预设算法，在该待识别图像中，确定第一人脸特征点；根据该第一人脸特征点，确定第一目标区域图像；对该第一目标区域图像进行灰度处理，得到第一灰度图像；通过该预设算法，在该待识别图像中，确定第二人脸特征点和第三人脸特征点；根据该第二人脸特征点，确定第二目标区域图像；根据该第三人脸特征点，确定第三目标区域图像；根据该第一目标区域图像、该第一灰度图像、该第二目标区域图像和该第三目标区域图像，确定该黑眼圈的类型。
可选的，该根据该第一目标区域图像、该第一灰度图像、该第二目标区域图像和该第三目标区域图像，确定该黑眼圈的类型，包括：将该第二目标区域图像的像素值转换为第一像素值，以及该第一目标区域图像中除去该第二目标区域图像以外的图像的像素值转换为第二像素值，得到第四目标区域图像；将该第三目标区域图像的像素值转换为该第一像素值，以及该第一目标区域图像中除去该第三目标区域图像以外的图像的像素值转换为该第二像素值，得到第五目标区域图像；将该第四目标区域图像的像素值与该第一灰度图像的像素值相乘，得到第三像素值；将该第五目标区域图像的像素值与该第一灰度图像的像素值相乘，得到第四像素值；计算得到该第三像素值和该第四像素值的第一差值；当该第一差值大于等于预设像素差阈值时，确定黑眼圈的类型为色素型；当该第一差值小于该预设像素差阈值时，确定黑眼圈的类型为血管型。
可选的，该方法还包括：通过预设算法，在该待识别图像中，确定第一人脸特征点；根据该第一人脸特征点，确定第一目标区域图像；在进行二值化后的待识别图像中，确定像素值的总数量和黑色像素值的数量；根据该总数量和该黑色像素值的数量，确定黑眼圈的面积。
可选的，该方法还包括：对该第一目标区域图像的红色像素值进行灰度处理，得到第二灰度图像，以及该第二灰度图像的第一平均像素值和第二平均像素值；计算得到该第一平均像素值和该第二平均像素值的第二差值；根据该第二差值和该黑眼圈的面积，得到目标数值，该目标数值用于表征对黑眼圈的严重程度进行评价。
本发明实施例第二方面提供了一种黑眼圈识别装置，可以包括：
获取模块，用于获取待识别图像；对该待识别图像的绿色通道图像进行Frangi滤波，得到第一图像；对该绿色通道图像进行Garbor滤波，得到第二图像；将该第一图像的像素值乘以第一系数，以及该第二图像的像素值乘以第二系数后进行叠加，得到第一目标图像，其中，该第一系数和该第二系数之和为1；
处理模块，用于在该第一目标图像中，确定皱纹面积；当该皱纹面积大于预设皱纹面积阈值时，确定黑眼圈的类型为结构型。
可选的，处理模块，具体用于通过预设算法，在该待识别图像中，确定第一人脸特征点；根据该第一人脸特征点，确定第一目标区域图像；
获取模块，具体用于对该第一目标区域图像的绿色通道图像进行Frangi滤波，得到第一图像。
可选的，获取模块，具体用于对该待识别图像的绿色通道图像进行Frangi滤波，并进行闭运算的形态学处理，得到第一图像；对该绿色通道图像进行Garbor滤波，并进行开运算的形态学处理，得到第二图像；
处理模块，具体用于将该第一图像的像素值乘以第一系数，以及该第二图像的像素值乘以第二系数后进行叠加，并进行闭运算的形态学处理，得到第一目标图像。
可选的，处理模块，具体用于将该第一图像的像素值乘以第一系数，以及该第二图像的像素值乘以第二系数后进行叠加，得到第三图像；
获取模块，具体用于将该第三图像进行阈值分割，得到第一目标图像。
可选的，处理模块，还用于通过预设算法，在该待识别图像中，确定第一人脸特征点；根据该第一人脸特征点，确定第一目标区域图像；
获取模块，还用于对该第一目标区域图像进行灰度处理，得到第一灰度图像；
处理模块，还用于通过该预设算法，在该待识别图像中，确定第二人脸特征点和第三人脸特征点；根据该第二人脸特征点，确定第二目标区域图像；根据该第三人脸特征点，确定第三目标区域图像；根据该第一目标区域图像、该第一灰度图像、该第二目标区域图像和该第三目标区域图像，确定该黑眼圈的类型。
可选的，获取模块，具体用于将该第二目标区域图像的像素值转换为第一像素值，以及该第一目标区域图像中除去该第二目标区域图像以外的图像的像素值转换为第二像素值，得到第四目标区域图像；将该第三目标区域图像的像素值转换为该第一像素值，以及该第一目标区域图像中除去该第三目标区域图像以外的图像的像素值转换为该第二像素值，得到第五目标区域图像；
处理模块，具体用于将该第四目标区域图像的像素值与该第一灰度图像的像素值相乘，得到第三像素值；将该第五目标区域图像的像素值与该第一灰度图像的像素值相乘，得到第四像素值；计算得到该第三像素值和该第四像素值的第一差值；当该第一差值大于等于预设像素差阈值时，确定黑眼圈的类型为色素型；当该第一差值小于该预设像素差阈值时，确定黑眼圈的类型为血管型。
可选的，处理模块，还用于通过预设算法，在该待识别图像中，确定第一人脸特征点；根据该第一人脸特征点，确定第一目标区域图像；在进行二值化后的待识别图像中，确定像素值的总数量和黑色像素值的数量；根据该总数量和该黑色像素值的数量，确定黑眼圈的面积。
可选的，获取模块，还用于对该第一目标区域图像的红色像素值进行灰度处理，得到第二灰度图像，以及该第二灰度图像的第一平均像素值和第二平均像素值；
处理模块，还用于计算得到该第一平均像素值和该第二平均像素值的第二差值；
获取模块，还用于根据该第二差值和该黑眼圈的面积，得到目标数值，该目标数值用于表征对黑眼圈的严重程度进行评价。
本发明实施例第三方面提供了一种黑眼圈识别装置，可以包括：
存储有可执行程序代码的存储器；
以及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，所述可执行程序代码被所述处理器执行时，使得所述处理器实现如本发明实施例第一方面所述的方法。
本发明实施例第四方面提供一种终端设备，可以包括如本发明实施例第二方面或第三方面所述的黑眼圈识别装置。
本发明实施例又一方面提供一种计算机可读存储介质，其上存储有可执行程序代码，所述可执行程序代码被处理器执行时，实现如本发明实施例第一方面所述的方法。
本发明实施例又一方面公开一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得该计算机执行本发明实施例第一方面公开的任意一种所述的方法。
本发明实施例又一方面公开一种应用发布平台，该应用发布平台用于发布计算机程序产品，其中，当该计算机程序产品在计算机上运行时，使得该计算机执行本发明实施例第一方面公开的任意一种所述的方法。
从以上技术方案可以看出，本发明实施例具有以下优点：
在本发明实施例中，获取待识别图像；对所述待识别图像的绿色通道图像进行Frangi滤波，得到第一图像；对所述绿色通道图像进行Garbor滤波，得到第二图像；将所述第一图像的像素值乘以第一系数，以及所述第二图像的像素值乘以第二系数后进行叠加，得到第一目标图像，其中，所述第一系数和所述第二系数之和为1；在所述第一目标图像中，确定皱纹面积；当所述皱纹面积大于预设皱纹面积阈值时，确定黑眼圈的类型为结构型。即终端设备可以将获取的待识别图像的绿色通道图像进行Frangi滤波后，得到第一图像，并将该绿色通道图像进行Garbor滤波后，得到第二图像；该终端设备可以根据该第一图像和该第二图像，确定皱纹面积；该终端设备再根据该皱纹面积，确定黑眼圈的类型，即当该皱纹面积大于预设皱纹面积阈值时，该终端设备可以确定黑眼圈的类型为结构型。这种方法可以提高终端设备识别黑眼圈类型的准确性。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例和现有技术描述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发明的一些实施例，还可以根据这些附图获得其它的附图。
图1a为本发明实施例中基于图像处理的黑眼圈识别方法的一个实施例示意图；
图1b为本发明实施例中第一目标区域图像的一个实施例示意图；
图1c为本发明实施例中第一目标区域图像的另一个实施例示意图；
图2a为本发明实施例中基于图像处理的黑眼圈识别方法的另一个实施例示意图；
图2b为本发明实施例中第二目标区域图像的一个实施例示意图；
图2c为本发明实施例中第三目标区域图像的一个实施例示意图；
图3为本发明实施例中基于图像处理的黑眼圈识别方法的另一个实施例示意图；
图4a为本发明实施例中基于图像处理的黑眼圈识别方法的另一个实施例示意图；
图4b为本发明实施例中第二灰度图像的一个实施例示意图；
图4c为本发明实施例中二值化图像的一个实施例示意图；
图5为本发明实施例中黑眼圈识别装置的一个实施例示意图；
图6为本发明实施例中黑眼圈识别装置的另一个实施例示意图；
图7为本发明实施例中终端设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于图像处理的黑眼圈识别方法、黑眼圈识别装置及终端，用于提高终端设备识别黑眼圈类型的准确性。
为了使本技术领域的人员更好地理解本发明方案，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描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，都应当属于本发明保护的范围。
可以理解的是，本发明实施例中所涉及的终端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(PersonalDigitalAssistant，PDA)、便携式多媒体播放器(PersonalMediaPlayer，PMP)装置、笔记本电脑、笔记本(NotePad)、无线宽带(WirelessBroadband，Wibro)终端、平板电脑(PersonalComputer，PC)、智能PC、销售终端(PointofSales，POS)和车载电脑等。
终端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。
需要说明的是，本发明实施例的执行主体可以是黑眼圈识别装置，也可以是终端设备。下面以终端设备为例，对本发明技术方案做进一步的说明。
如图1a所示，为本发明实施例中基于图像处理的黑眼圈识别方法的一个实施例示意图，可以包括：
101、获取待识别图像。
需要说明的是，待识别图像可以是用户的脸部区域图像，可以是用户脸部和其它部位(例如：脖子和肩膀)的图像；该待识别图像可以通过终端设备中的摄像头拍摄得到，也可以通过终端设备中的其他拍摄装置拍摄得到，此处不做具体限定。
可选的，终端设备获取待识别图像，可以包括但不限于以下实现方式：
实现方式1：终端设备检测用户与该终端设备之间的距离；当该距离位于预设距离范围内时，该终端设备获取待识别图像。
需要说明的是，预设距离范围是第一距离阈值和第二距离阈值构建的区间。该距离位于预距离设范围内，即该距离大于该第一距离阈值，且小于等于该第二距离阈值。
示例性的，假设第一距离阈值为10厘米(简称：cm)，第二距离阈值为25cm，那么，预设距离范围为(10cm，25cm)。终端设备检测用户与该终端设备之间的距离为18cm，该18cm位于预设距离设范围(10cm，25cm)内，此时，该终端设备获取待识别图像。
实现方式2：终端设备检测当前环境亮度值；当该当前环境亮度值位于预设亮度范围内时，该终端设备获取待识别图像。
需要说明的是，预设亮度范围是第一亮度阈值和第二亮度阈值构建的区间。该当前环境亮度值位于预设亮度范围内，即该当前环境亮度值大于该第一亮度阈值，且小于等于该第二亮度阈值。
示例性的，假设第一亮度阈值为120坎德拉/平方米(简称：cd/m2)，第二亮度阈值为150cd/m2，那么，预设亮度范围为(120cd/m2，150cd/m2)。终端设备检测到当前环境亮度值为136cd/m2，该136cd/m2位于预设亮度设范围(120cd/m2，150cd/m2)内，此时，该终端设备获取待识别图像。
可以理解的是，终端设备在预设距离范围内或预设亮度范围内获取的待识别图像较为清晰，便于对该待识别图像进行后续处理。
102、对所述待识别图像的绿色通道图像进行Frangi滤波，得到第一图像。
需要说明的是，Frangi滤波可以分为二维Frangi滤波和三维Frangi滤波；该Frangi滤波指的是终端设备对待识别图像的绿色像素值进行过滤。
可选的，终端设备对该待识别图像的绿色通道图像进行Frangi滤波，得到第一图像，可以包括但不限于以下实现方式：
实现方式1：终端设备通过预设算法，在该待识别图像中，确定第一人脸特征点；该终端设备根据该第一人脸特征点，确定第一目标区域图像；该终端设备对该第一目标区域图像的绿色通道图像进行Frangi滤波，得到第一图像。
需要说明的是，预设算法可以是跨平台计算机视觉函数库(Open SourceComputer Vision Library，OpenCV函数库)、边缘检测算法、索贝尔算法以及主动轮廓线模型中的至少一项。人脸特征点可以从预设算法中进行提取。
可选的，终端设备根据该第一人脸特征点，确定第一目标区域图像，其中，该第一人脸特征点包括第一特征点、第二特征点，第三特征点、第四特征点、第五特征点，第六特征点、第七特征点以及第八特征点。
示例性的，第一特征点为OpenCV函数库的40号特征点、第二特征点为41号特征点，第三特征点为36号特征点、第四特征点为39号特征点、第五特征点为46号特征点，第六特征点为47号特征点、第七特征点为42号特征点，以及第八特征点为45号特征点。
终端设备可以先确定40号特征点的纵坐标和41号特征点的纵坐标中数值较大的第一纵坐标，将该第一纵坐标作为第一眼部区域(例如：左眼)对应的目标区域图像的上边界，将该第一纵坐标加h1个单位长度，作为该左眼对应的目标区域图像的下边界，将36号特征点的横坐标减去w1个单位长度，作为该左眼对应的目标区域图像的左边界，将39号特征点的横坐标加上该w1个单位长度，作为该左眼对应的目标区域图像的右边界，这样就可以确定左眼对应的目标区域图像。同理，该终端设备可以先确定46号特征点的纵坐标和47号特征点的纵坐标中数值较大的第二纵坐标，将该第二纵坐标作为第二眼部区域(例如：右眼)对应的目标区域图像的上边界，将该第二纵坐标加该h1个单位长度，作为该右眼对应的目标区域图像的下边界，将42号特征点的横坐标减去w1个单位长度，作为该右眼对应的目标区域图像的左边界，将45号特征点的横坐标加上该w1个单位长度，作为该右眼对应的目标区域图像的右边界，这样就可以确定右眼对应的目标区域图像。
其中，h1和w1为正整数。
可选的，如图1b所示，为本发明实施例中第一目标区域图像的一个实施例示意图，可以包括：左眼对应的目标区域图像107和右眼对应的目标区域图像108。
需要说明的是，图中，只是显示了左眼对应的目标区域图像107的确定过程，右眼对应的目标区域图像108的确定过程与左眼对应的目标区域图像107的确定过程类似，此处不做具体赘述。
可选的，如图1c所示，为本发明实施例中第一目标区域图像的另一个实施例示意图。
可以理解的是，第一目标区域图像可以是用户的眼部区域图像，也可以是该用户的脸部区域图像，上述内容以眼部区域图像为例进行说明的。
实现方式2：终端设备对该待识别图像的绿色通道图像进行Frangi滤波，并进行闭运算的形态学处理，得到第一图像。
需要说明的是，闭运算的形态学处理指的是终端设备将Frangi滤波后的图像进行先腐蚀再膨胀的形态学处理，该形态学处理可以得到Frangi滤波后图像对应的轮廓，便于该终端设备对黑眼圈进行识别。
103、对所述绿色通道图像进行Garbor滤波，得到第二图像。
需要说明的是，Garbor滤波指的是终端设对待识别图像的绿色通道图像进行边缘敏感识别，能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏感的图像，可以提供对光照变化良好的适应性。
需要说明的是，终端设备可以根据Garbor滤波时使用的第一公式，对绿色通道图像进行滤波，得到第二图像。
其中，Garbor滤波时使用的第一公式如下：
Figure BDA0003006487420000081
Figure BDA0003006487420000084
表示x轴上的可选标准偏差；
Figure BDA0003006487420000085
表示y轴上的可选标准偏差；f表示浮点谐波函数的空间频率；λ表示空间纵横比，该λ决定了Garbor函数形状的椭圆率。
示例性的，
Figure BDA0003006487420000083
f＝0.1，λ＝0.5。x1，x2和x′1，x′2的映射关系如第二公式所示：
Figure BDA0003006487420000082
α表示可选的弧度方向。
示例性的，α＝π/4。
可选的，终端设备对该绿色通道图像进行Garbor滤波，得到第二图像，可以包括：终端设备对该绿色通道图像进行Garbor滤波，并进行开运算的形态学处理，得到第二图像。
需要说明的是，开运算的形态学处理指的是终端设备将Garbor滤波后的图像进行先膨胀再腐蚀的形态学处理，该形态学处理可以分离Garbor滤波后图像上的特定区域，消除一些无关区域，终端设备在识别黑眼圈的过程中，可以避免有效降低这些无关区域对该过程的影响，从而便于终端设备对黑眼圈进行识别。
可以理解的是，无论是开运算的形态学处理还是闭运算的形态学处理，都可以去除图像中的噪声，以使得到的图像更为清晰。
104、将所述第一图像的像素值乘以第一系数，以及所述第二图像的像素值乘以第二系数后进行叠加，得到第一目标图像。
其中，该第一系数和该第二系数之和为1。该第一系数和该第二系数可以是终端设备通过实验数据得到的。
示例性的，该第一系数与该第二系数之比可以为：0.01:0.99。
可以理解的是，终端设备将第一图像的像素值乘以第一系数，得到第一目标像素值；该终端设备将第二图像的像素值乘以第二系数后，得到第二目标像素值。终端设备可以将该第一目标像素值和该第二目标像素值进行叠加，得到第一目标图像。其中，该第一目标图像的像素值为第一目标像素值和第二目标像素值叠加后得到的像素值。
可选的，终端设备将该第一图像的像素值乘以第一系数，以及该第二图像的像素值乘以第二系数后进行叠加，得到第一目标图像，可以包括但不限于以下实现方式：
实现方式1：将该第一图像的像素值乘以第一系数，以及该第二图像的像素值乘以第二系数后进行叠加，并进行闭运算的形态学处理，得到第一目标图像。
实现方式2：将所述第一图像的像素值乘以第一系数，以及所述第二图像的像素值乘以第二系数后进行叠加，得到第三图像；将所述第三图像进行阈值分割，得到第一目标图像
需要说明的是，终端设备可以通过阈值分割，即将位于预设像素值范围内的像素值进行保留，将位于该预设像素值范围之外的像素值进行过滤，以得到第一目标图像。
其中，预设像素值范围是第一像素阈值和第二像素阈值构建的区间。像素值位于预设像素值范围内，即该像素大于第一像素阈值，且小于等于第二像素阈值。
105、在所述第一目标图像中，确定皱纹面积。
106、当所述皱纹面积大于预设皱纹面积阈值时，确定黑眼圈的类型为结构型。
其中，预设皱纹面积阈值可以是终端设备在出厂前设置的，也可以是终端设备根据不同用户的情况设置的，此处不做具体限定。
在本发明实施例中，获取待识别图像；对所述待识别图像的绿色通道图像进行Frangi滤波，得到第一图像；对所述绿色通道图像进行Garbor滤波，得到第二图像；将所述第一图像的像素值乘以第一系数，以及所述第二图像的像素值乘以第二系数后进行叠加，得到第一目标图像，其中，所述第一系数和所述第二系数之和为1；在所述第一目标图像中，确定皱纹面积；当所述皱纹面积大于预设皱纹面积阈值时，确定黑眼圈的类型为结构型。即终端设备可以将获取的待识别图像的绿色通道图像进行Frangi滤波后，得到第一图像，并将该绿色通道图像进行Garbor滤波后，得到第二图像；该终端设备可以根据该第一图像和该第二图像，确定皱纹面积；该终端设备再根据该皱纹面积，确定黑眼圈的类型，即当该皱纹面积大于预设皱纹面积阈值时，该终端设备可以确定黑眼圈的类型为结构型。这种方法可以提高终端设备识别黑眼圈类型的准确性。
如图2a所示，为本发明实施例中基于图像处理的黑眼圈识别方法的另一个实施例示意图，可以包括：
201、获取待识别图像。
202、对所述待识别图像的绿色通道图像进行Frangi滤波，得到第一图像。
203、对所述绿色通道图像进行Garbor滤波，得到第二图像。
204、将所述第一图像的像素值乘以第一系数，以及所述第二图像的像素值乘以第二系数后进行叠加，得到第一目标图像。
其中，该第一系数和该第二系数之和为1。
205、在所述第一目标图像中，确定皱纹面积。
206、当所述皱纹面积大于预设皱纹面积阈值时，确定黑眼圈的类型为结构型。
需要说明的是，步骤201-206与本实施例中图1所示的步骤101-106类似，此处不再赘述。
207、通过预设算法，在所述待识别图像中，确定第一人脸特征点。
208、根据所述第一人脸特征点，确定第一目标区域图像。
需要说明的是，步骤207和208与本实施例中图1所示的步骤102中实现方式1类似，此处不再赘述。
209、对所述第一目标区域图像进行灰度处理，得到第一灰度图像。
需要说明的是，灰度处理是指终端设备对第一目标区域图像上的三种颜色分量进行处理，该三种颜色分量分别包括：红色(Red，R)、绿色(Green，G)和蓝色(Blue，B)。该灰度处理可以包括但不限于以下四种方法：分量法、最大值法、平均值法以及加权平均法。
其中，分类法是指终端设备将第一目标区域图像上的RGB，分别确定为三种目标颜色分量，例如：将R确定为第一目标颜色分量，该第一目标颜色分量的灰度为N；将G确定为第二目标颜色分量，该第二目标颜色分量的灰度为P；将B确定为第三目标颜色分量，该第三目标颜色分量的灰度为Q。最大值法是指终端设备将第一目标区域图像上的RGB中亮度值最大的颜色分量，确定为最大目标颜色分量，该最大目标颜色分量的灰度为M。平均值法是指终端设备将第一目标区域图像上的RGB对应的三个亮度值进行平均，得到第四目标颜色分量，该第四目标颜色分量的灰度值为RGB的平均灰度值。加权平均法是指终端设备将第一目标区域图像上的RGB对应的三个亮度值按照不同的权重比例，进行加权平均，得到第五目标颜色分量，该第五目标颜色分量的灰度值为RGB的加权平均灰度值H。
需要说明的是，N、P、Q、M以及H都表示不同于R、G和B的灰度值；N、P、Q、M以及H可以相同，也可以不相同，此处不做具体限定。
210、通过所述预设算法，在所述待识别图像中，确定第二人脸特征点和第三人脸特征点。
其中，第二人脸特征点可以包括36号特征点、39号特征点、40号特征点和41号特征点，该第二人脸特征点还可以包括42号特征点、45号特征点、46号特征点和47号特征点；第三人脸特征点可以包括29号特征点和40号特征点；该第三人脸特征点还可以包括47号特征点。
可选的，终端设备通过该预设算法，在该待识别图像中，确定第二人脸特征点和第三人脸特征点，可以包括：终端设备通过该预设算法，在第一目标区域图像中，确定第二人脸特征点和第三人脸特征点。
211、根据所述第二人脸特征点，确定第二目标区域图像。
示例性的，终端设备将36号特征点、39号特征点、40号特征点和41号特征点作为第二目标区域图像(例如：左眼带状区域)的上边界点；将这四个特征点的纵坐标分别加40个单位长度，得到该第二目标区域图像的下边界点；将上边界点和下边接点围成的区域，作为左眼带状区域掩模。同理，终端设备将42号特征点、45号特征点、46号特征点和47号特征点作为第二目标区域图像(例如：右眼带状区域)的上边界点；将这四个特征点的纵坐标分别加40个单位长度，得到该第二目标区域图像的下边界点；将上边界点和下边接点围成的区域，作为右眼带状区域掩模。
可选的，如图2b所示，为本发明实施例中第二目标区域图像的一个实施例示意图，可以包括左眼带状区域掩模214和右眼带状区域掩模215。
212、根据所述第三人脸特征点，确定第三目标区域图像。
示例性的，终端设备先确定三角区域的顶点，即将29号特征点的纵坐标作为三角区域掩模顶点的纵坐标，将40号特征点的横坐标作为三角区域掩模顶点的横坐标；将该顶点与左眼带状区域的下边界点的区域，作为第三目标区域图像，即作为左眼三角区域掩模。同理，终端设备先确定三角区域的顶点，即将29号特征点的纵坐标作为三角区域掩模顶点的纵坐标，将47号特征点的横坐标作为三角区域掩模顶点的横坐标；将该顶点与右眼带状区域的下边界点的区域，作为第三目标区域图像，即作为右眼三角区域掩模。
可选的，如图2c所示，为本发明实施例中第三目标区域图像的一个实施例示意图，可以包括左眼三角区域掩模216和右眼三角区域掩模217。
213、根据所述第一目标区域图像、所述第一灰度图像、所述第二目标区域图像和所述第三目标区域图像，确定所述黑眼圈的类型。
可选的，终端设备根据该第一目标区域图像、该第一灰度图像、该第二目标区域图像和该第三目标区域图像，确定该黑眼圈的类型，可以包括但不限于以下实现方式：
实现方式1：终端设备将该第二目标区域图像的像素值转换为第一像素值，以及该第一目标区域图像中除去该第二目标区域图像以外的图像的像素值转换为第二像素值，得到第四目标区域图像；该终端设备将该第三目标区域图像的像素值转换为该第一像素值，以及该第一目标区域图像中除去该第三目标区域图像以外的图像的像素值转换为该第二像素值，得到第五目标区域图像；该终端设备将该第四目标区域图像的像素值与该第一灰度图像的像素值相乘，得到第三像素值；该终端设备将该第五目标区域图像的像素值与该第一灰度图像的像素值相乘，得到第四像素值；该终端设备计算得到该第三像素值和该第四像素值的第一差值；该终端设备当该第一差值大于等于预设像素差阈值时，确定黑眼圈的类型为色素型；该终端设备当该第一差值小于该预设像素差阈值时，确定黑眼圈的类型为血管型。
其中，第一像素值可以为0，第二像素值可以为255。
实现方式2：终端设备将该第一目标区域图像的像素值转换为第一像素值，将该第二目标区域图像的像素值转换为第二像素值，得到第六目标区域图像，以及将该第三目标区域图像的像素值转换为该第二像素值，得到第七目标区域图像；该终端设备将该第六目标区域图像的像素值与该第一灰度图像的像素值相乘，得到第五像素值；该终端设备将该第七目标区域图像的像素值与该第一灰度图像的像素值相乘，得到第六像素值；该终端设备计算得到该第五像素值和该第六像素值的第二差值；该终端设备当该第二差值大于等于预设像素差阈值时，确定黑眼圈的类型为色素型；该终端设备当该第二差值小于该预设像素差阈值时，确定黑眼圈的类型为血管型。
可以理解的是，第四目标区域图像和第六目标区域图像是相同的，第五目标区域图像和第七目标区域图像是相同的，区别在于终端设备获取第四目标区域图像和该终端设备获取第六目标区域图像的方式不同，该终端设备获取第五目标区域图像和该终端设备获取第七目标区域图像的方式不同。
在本发明实施例中，终端设备可以将获取的待识别图像的绿色通道图像进行Frangi滤波后，得到第一图像，并将该绿色通道图像进行Garbor滤波后，得到第二图像；该终端设备可以根据该第一图像和该第二图像，确定皱纹面积；该终端设备再根据该皱纹面积，确定黑眼圈的类型，即当该皱纹面积大于预设皱纹面积阈值时，该终端设备可以确定黑眼圈的类型为结构型；终端设备通过预设算法，在该待识别图像中，确定第一人脸特征点，进而确定第一目标区域图像；该终端设备对该第一目标区域图像进行灰度处理，得到第一灰度图像；该终端设备通过该预设算法，在该待识别图像中，确定第二人脸特征点，进而确定第二目标区域图像，以及确定第三人脸特征点，进而确定第三目标区域图像；终端设备再根据该第一目标区域图像、该第一灰度图像、该第二目标区域图像和该第三目标区域图像，确定该黑眼圈的类型。这种方法使得终端设备可以识别出黑眼圈的类型是结构型、血管型，还是色素型，进而可以提高终端设备识别黑眼圈类型的准确性。
如图3所示，为本发明实施例中基于图像处理的黑眼圈识别方法的另一个实施例示意图，可以包括：
301、获取待识别图像。
302、对所述待识别图像的绿色通道图像进行Frangi滤波，得到第一图像。
303、对所述绿色通道图像进行Garbor滤波，得到第二图像。
304、将所述第一图像的像素值乘以第一系数，以及所述第二图像的像素值乘以第二系数后进行叠加，得到第一目标图像。
其中，该第一系数和该第二系数之和为1。
305、在所述第一目标图像中，确定皱纹面积。
306、当所述皱纹面积大于预设皱纹面积阈值时，确定黑眼圈的类型为结构型。
307、通过预设算法，在所述待识别图像中，确定第一人脸特征点；
308、根据所述第一人脸特征点，确定第一目标区域图像；
需要说明的是，步骤301-308与本实施例中图1所示的步骤201-208类似，此处不再赘述。
309、在进行二值化后的待识别图像中，确定像素值的总数量和黑色像素值的数量。
可选的，终端设备在进行二值化后的待识别图像中，确定像素值的总数量和黑色像素值的数量，可以包括：终端设备将待识别图像进行阈值分割，得到第四图像；该终端设备将该第四图像进行二值化后，得到第五图像；该终端设备在该第五图像上，确定确定像素值的总数量和黑色像素值的数量。
可以理解的是，终端设备将该待识别图像进行二值化后得到的图像是只存在像素值为0和像素值为255的图像，即二值化后的待识别图像上只有黑色像素点和白色像素点。其中，第五图像即为终端设备进行二值化后得到的图像。
310、根据所述总数量和所述黑色像素值的数量，确定黑眼圈的面积。
可选的，终端设备根据所述总数量和所述黑色像素值的数量，确定黑眼圈的面积，可以包括：根据第三公式，确定黑眼圈的面积。
该第三公式为S＝m/M；
其中，S表示该黑眼圈的面积；m表示该黑色像素值的数量；M表示该像素值的总数量。
可选的，在步骤310之后，该方法还可以包括：根据该黑眼圈的面积，输出第一建议信息。
可以理解的是，该第一建议信息可以用于终端设备根据该黑眼圈的面积，针对用户提出改善该面积的建议。
在本发明实施例中，终端设备可以将获取的待识别图像的绿色通道图像进行Frangi滤波后，得到第一图像，并将该绿色通道图像进行Garbor滤波后，得到第二图像；该终端设备可以根据该第一图像和该第二图像，确定皱纹面积；该终端设备再根据该皱纹面积，确定黑眼圈的类型，即当该皱纹面积大于预设皱纹面积阈值时，该终端设备可以确定黑眼圈的类型为结构型；终端设备通过预设算法，在该待识别图像中，确定第一人脸特征点，进而确定第一目标区域图像；该终端设备在进行二值化后的待识别图像中，确定像素值的总数量和黑色像素值的数量，并根据该总数量和该黑色像素值的数量，确定黑眼圈的面积。这种方法不仅可以提高终端设备识别黑眼圈类型的准确性，还可以根据确定的黑眼圈的面积，针对用户提出改善该面积的建议，以改善用户皮肤质量。
如图4a所示，为本发明实施例中基于图像处理的黑眼圈识别方法的另一个实施例示意图，可以包括：
401、获取待识别图像。
402、对所述待识别图像的绿色通道图像进行Frangi滤波，得到第一图像。
403、对所述绿色通道图像进行Garbor滤波，得到第二图像。
404、将所述第一图像的像素值乘以第一系数，以及所述第二图像的像素值乘以第二系数后进行叠加，得到第一目标图像。
其中，该第一系数和该第二系数之和为1。
405、在所述第一目标图像中，确定皱纹面积。
406、当所述皱纹面积大于预设皱纹面积阈值时，确定黑眼圈的类型为结构型。
407、通过预设算法，在所述待识别图像中，确定第一人脸特征点；
408、根据所述第一人脸特征点，确定第一目标区域图像；
409、在进行二值化后的待识别图像中，确定像素值的总数量和黑色像素值的数量；
410、根据所述总数量和所述黑色像素值的数量，确定黑眼圈的面积。
需要说明的是，步骤401-410与本实施例中图3所示的步骤301-310类似，此处不再赘述。
411、对所述第一目标区域图像的红色像素值进行灰度处理，得到第二灰度图像，以及所述第二灰度图像的第一平均像素值和第二像素值。
可选的，终端设备对该待识别图像的红色像素值进行灰度处理，得到第二灰度图像，以及该第二灰度图像的第一平均像素值，可以包括：终端设备对该待识别图像的红色像素值进行灰度处理，得到第二灰度图像；该终端设备将进行二值化后的待识别图像，确定为二值化图像；该终端设备在该二值化图像上，确定黑色像素点和白色像素点，并在该第二灰度图像上，确定该黑色像素点对应的像素点，以及该白色像素点对应的像素点；该终端设备根据统计的该黑色像素点对应的像素点的个数，以及该黑色像素点对应的像素点的像素值总和，得到该第二灰度图像的第一平均像素值；该终端设备根据统计的该白色像素点对应的像素点的个数，以及该白色像素点对应的像素点的像素值总和，得到该第二灰度图像的第二平均像素值。
可选的，终端设备根据统计的该黑色像素点对应的像素点的个数，以及该黑色像素点对应的像素点的像素值总和，得到该第二灰度图像的第一平均像素值；该终端设备根据统计的该白色像素点对应的像素点的个数，以及该白色像素点对应的像素点的像素值总和，得到该第二灰度图像的第二平均像素值，可以包括：终端设备根据第四公式，得到该第二灰度图像的第一平均像素值；该终端设备根据第五公式，得到该第二灰度图像的第二平均像素值。
其中，该第四公式；ave1＝pixel1/N1；
ave1表示该第一平均像素值；pixel1表示该黑色像素点对应的像素点的像素值总和；N1表示该黑色像素点对应的像素点的个数。
该第五公式；ave2＝ave2＝pixel1/N2；
ave2表示该第二平均像素值；pixel1表示该白色像素点对应的像素点的像素值总和；N2表示该白色像素点对应的像素点的个数。
示例性的，如图4b所示，为本发明实施例中第二灰度图像的一个实施例示意图；如图4c所示，为本发明实施例中二值化图像的一个实施例示意图。需要说明的是，图4b所示的第二灰度图像可以是左眼区域对应的灰度图像，图4c所示的二值化图像可以是左眼区域对应的黑白图像。
412、计算得到所述第一平均像素值和所述第二平均像素值的第二差值。
可选的，终端设备计算得到所述第一平均像素值和所述第二平均像素值的第二差值，可以包括：终端设备根据第六公式，得到第二差值。
其中，该第六公式为dev＝ave2-ave1；dev表示该第二差值。
413、根据所述第二差值和所述黑眼圈的面积，得到目标数值。
其中，该目标数值用于表征对黑眼圈的严重程度进行评价。
可选的，终端设备根据所述第二差值和所述黑眼圈的面积，得到目标数值，可以包括但不限于以下实现方式：
实现方式1：当黑眼圈的面积小于等于第一面积阈值时，或，当该黑眼圈的面积大于第一面积阈值，小于等于第二面积阈值，且该第二差值小于第一差值阈值时，终端设备根据第六公式，得到第一目标数值。
其中，该第六公式为G1＝100-(10S)/S1；
G1表示该第一目标数值；S表示该黑眼圈的面积；S1表示该第一面积阈值。
实现方式2：当该黑眼圈的面积大于第一面积阈值，小于等于第三面积阈值，且该第二差值大于等于该第一差值阈值，小于第二差值阈值时，终端设备根据第七公式，得到第二目标数值。
其中，该第七公式为G2＝90-[10(S-S1)]/(S2-S1)；
G2表示该第二目标数值；S2表示该第二面积阈值。
实现方式3：当该黑眼圈的面积大于第二面积阈值，小于等于第三面积阈值，且该第二差值大于等于第二差值阈值时，或，当黑眼圈的面积大于该第三面积阈值时，终端设备根据第八公式，得到第三目标数值。
其中，第二面积阈值位于第一面积阈值和第三面积阈值之间。
该第八公式为G3＝80-[10(S-S2)]/(1–S2)；
G3表示该第三目标数值。
可选的，S1＝0.18；S2＝0.28；S3＝0.43；dev1＝28；dev2＝31。
可以理解的是，S1、S2、S3、dev1和dev2可以是终端设备根据实验数据得到的。
示例性的，当S＝0.324，dev＝31.368时，G3＝80-[10(0.324-0.28)]/(1–0.28)＝79.39分。
可以理解的是，不同的目标数值对黑眼圈不同的严重程度进行针对性地评价。
可选的，步骤414之后，该方法还可以包括：输出第一提示信息，该第一提示信息用于用户黑眼圈的面积，和/或，黑眼圈的严重程度以及该黑眼圈的严重程度的相应评价与建议。
在本发明实施例中，终端设备可以将获取的待识别图像的绿色通道图像进行Frangi滤波后，得到第一图像，并将该绿色通道图像进行Garbor滤波后，得到第二图像；该终端设备可以根据该第一图像和该第二图像，确定皱纹面积；该终端设备再根据该皱纹面积，确定黑眼圈的类型，即当该皱纹面积大于预设皱纹面积阈值时，该终端设备可以确定黑眼圈的类型为结构型；终端设备通过预设算法，在该待识别图像中，确定第一人脸特征点，进而确定第一目标区域图像；该终端设备在进行二值化后的待识别图像中，确定像素值的总数量和黑色像素值的数量，并根据该总数量和该黑色像素值的数量，确定黑眼圈的面积；该终端设备对该第一目标区域图像的红色像素值进行灰度处理，得到第二灰度图像，以及该第二灰度图像的第一平均像素值和第二平均像素值；该终端设备计算得到该第一平均像素值和该第二平均像素值的第二差值，并根据该第二差值和该黑眼圈的面积，得到目标数值。这种方法不仅可以提高终端设备识别黑眼圈类型的准确性，还可以确定黑眼圈的严重程度，并对该黑眼圈的严重程度进行相应评价。
如图5所示，为本发明实施例中黑眼圈识别装置的一个实施例示意图，可以包括：获取模块501和处理模块502。
获取模块501，用于获取待识别图像；对该待识别图像的绿色通道图像进行Frangi滤波，得到第一图像；对该绿色通道图像进行Garbor滤波，得到第二图像；将该第一图像的像素值乘以第一系数，以及该第二图像的像素值乘以第二系数后进行叠加，得到第一目标图像，其中，该第一系数和该第二系数之和为1；
处理模块502，用于在该第一目标图像中，确定皱纹面积；当该皱纹面积大于预设皱纹面积阈值时，确定黑眼圈的类型为结构型。
可选的，在本发明的一些实施例中，
处理模块502，具体用于通过预设算法，在该待识别图像中，确定第一人脸特征点；根据该第一人脸特征点，确定第一目标区域图像；
获取模块501，具体用于对该第一目标区域图像的绿色通道图像进行Frangi滤波，得到第一图像。
可选的，在本发明的一些实施例中，
获取模块501，具体用于对该待识别图像的绿色通道图像进行Frangi滤波，并进行闭运算的形态学处理，得到第一图像；对该绿色通道图像进行Garbor滤波，并进行开运算的形态学处理，得到第二图像；
处理模块502，具体用于将该第一图像的像素值乘以第一系数，以及该第二图像的像素值乘以第二系数后进行叠加，并进行闭运算的形态学处理，得到第一目标图像。
可选的，在本发明的一些实施例中，
处理模块502，具体用于将该第一图像的像素值乘以第一系数，以及该第二图像的像素值乘以第二系数后进行叠加，得到第三图像；
获取模块501，具体用于将该第三图像进行阈值分割，得到第一目标图像。
可选的，在本发明的一些实施例中，
处理模块502，还用于通过预设算法，在该待识别图像中，确定第一人脸特征点；根据该第一人脸特征点，确定第一目标区域图像；
获取模块501，还用于对该第一目标区域图像进行灰度处理，得到第一灰度图像；
处理模块502，还用于通过该预设算法，在该待识别图像中，确定第二人脸特征点和第三人脸特征点；根据该第二人脸特征点，确定第二目标区域图像；根据该第三人脸特征点，确定第三目标区域图像；根据该第一目标区域图像、该第一灰度图像、该第二目标区域图像和该第三目标区域图像，确定该黑眼圈的类型。
可选的，在本发明的一些实施例中，
获取模块501，具体用于将该第二目标区域图像的像素值转换为第一像素值，以及该第一目标区域图像中除去该第二目标区域图像以外的图像的像素值转换为第二像素值，得到第四目标区域图像；将该第三目标区域图像的像素值转换为该第一像素值，以及该第一目标区域图像中除去该第三目标区域图像以外的图像的像素值转换为该第二像素值，得到第五目标区域图像；
处理模块502，具体用于将该第四目标区域图像的像素值与该第一灰度图像的像素值相乘，得到第三像素值；将该第五目标区域图像的像素值与该第一灰度图像的像素值相乘，得到第四像素值；计算得到该第三像素值和该第四像素值的第一差值；当该第一差值大于等于预设像素差阈值时，确定黑眼圈的类型为色素型；当该第一差值小于该预设像素差阈值时，确定黑眼圈的类型为血管型。
可选的，在本发明的一些实施例中，
处理模块502，还用于通过预设算法，在该待识别图像中，确定第一人脸特征点；根据该第一人脸特征点，确定第一目标区域图像；在进行二值化后的待识别图像中，确定像素值的总数量和黑色像素值的数量；根据该总数量和该黑色像素值的数量，确定黑眼圈的面积。
可选的，在本发明的一些实施例中，
获取模块501，还用于对该第一目标区域图像的红色像素值进行灰度处理，得到第二灰度图像，以及该第二灰度图像的第一平均像素值和第二平均像素值；
处理模块502，还用于计算得到该第一平均像素值和该第二平均像素值的第二差值；
获取模块501，还用于根据该第二差值和该黑眼圈的面积，得到目标数值，该目标数值用于表征对黑眼圈的严重程度进行评价。
如图6所示，为本发明实施例中黑眼圈识别装置的另一个实施例示意图，可以包括：处理器601和存储器602。
在本实施例中，处理器601具有以下功能：
获取待识别图像；
对该待识别图像的绿色通道图像进行Frangi滤波，得到第一图像；
对该绿色通道图像进行Garbor滤波，得到第二图像；
将该第一图像的像素值乘以第一系数，以及该第二图像的像素值乘以第二系数后进行叠加，得到第一目标图像，其中，该第一系数和该第二系数之和为1；
在该第一目标图像中，确定皱纹面积；
当该皱纹面积大于预设皱纹面积阈值时，确定黑眼圈的类型为结构型。
在本实施例中，处理器601还具有以下功能：
该对该待识别图像的绿色通道图像进行Frangi滤波，得到第一图像，包括：通过预设算法，在该待识别图像中，确定第一人脸特征点；根据该第一人脸特征点，确定第一目标区域图像；对该第一目标区域图像的绿色通道图像进行Frangi滤波，得到第一图像。
在本实施例中，处理器601具有以下功能：
对该待识别图像的绿色通道图像进行Frangi滤波，并进行闭运算的形态学处理，得到第一图像；对该绿色通道图像进行Garbor滤波，并进行开运算的形态学处理，得到第二图像；将该第一图像的像素值乘以第一系数，以及该第二图像的像素值乘以第二系数后进行叠加，并进行闭运算的形态学处理，得到第一目标图像。
在本实施例中，处理器601具有以下功能：
该将该第一图像的像素值乘以第一系数，以及该第二图像的像素值乘以第二系数后进行叠加，得到第一目标图像，包括：将该第一图像的像素值乘以第一系数，以及该第二图像的像素值乘以第二系数后进行叠加，得到第三图像；将该第三图像进行阈值分割，得到第一目标图像。
在本实施例中，处理器601具有以下功能：
通过预设算法，在该待识别图像中，确定第一人脸特征点；根据该第一人脸特征点，确定第一目标区域图像；对该第一目标区域图像进行灰度处理，得到第一灰度图像；通过该预设算法，在该待识别图像中，确定第二人脸特征点和第三人脸特征点；根据该第二人脸特征点，确定第二目标区域图像；根据该第三人脸特征点，确定第三目标区域图像；根据该第一目标区域图像、该第一灰度图像、该第二目标区域图像和该第三目标区域图像，确定该黑眼圈的类型。
在本实施例中，处理器601具有以下功能：
该根据该第一目标区域图像、该第一灰度图像、该第二目标区域图像和该第三目标区域图像，确定该黑眼圈的类型，包括：将该第二目标区域图像的像素值转换为第一像素值，以及该第一目标区域图像中除去该第二目标区域图像以外的图像的像素值转换为第二像素值，得到第四目标区域图像；将该第三目标区域图像的像素值转换为该第一像素值，以及该第一目标区域图像中除去该第三目标区域图像以外的图像的像素值转换为该第二像素值，得到第五目标区域图像；将该第四目标区域图像的像素值与该第一灰度图像的像素值相乘，得到第三像素值；将该第五目标区域图像的像素值与该第一灰度图像的像素值相乘，得到第四像素值；计算得到该第三像素值和该第四像素值的第一差值；当该第一差值大于等于预设像素差阈值时，确定黑眼圈的类型为色素型；当该第一差值小于该预设像素差阈值时，确定黑眼圈的类型为血管型。
在本实施例中，处理器601具有以下功能：
通过预设算法，在该待识别图像中，确定第一人脸特征点；根据该第一人脸特征点，确定第一目标区域图像；在进行二值化后的待识别图像中，确定像素值的总数量和黑色像素值的数量；根据该总数量和该黑色像素值的数量，确定黑眼圈的面积。
在本实施例中，处理器601具有以下功能：
对该第一目标区域图像的红色像素值进行灰度处理，得到第二灰度图像，以及该第二灰度图像的第一平均像素值和第二平均像素值；计算得到该第一平均像素值和该第二平均像素值的第二差值；根据该第二差值和该黑眼圈的面积，得到目标数值，该目标数值用于表征对黑眼圈的严重程度进行评价。
在本实施例中，存储器602具有以下功能：
用于存储处理器601的处理过程和处理结果。
如图7所示，为本发明实施例中终端设备的一个实施例示意图，可以包括如图5或图6所示的黑眼圈识别装置。
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)

1.一种基于图像处理的黑眼圈识别方法，其特征在于，包括：
获取待识别图像；
对所述待识别图像的绿色通道图像进行Frangi滤波，得到第一图像；
对所述绿色通道图像进行Garbor滤波，得到第二图像；
将所述第一图像的像素值乘以第一系数，以及所述第二图像的像素值乘以第二系数后进行叠加，得到第一目标图像，其中，所述第一系数和所述第二系数之和为1；
在所述第一目标图像中，确定皱纹面积；
当所述皱纹面积大于预设皱纹面积阈值时，确定黑眼圈的类型为结构型。
2.根据权利要求1所述的方法，其特征在于，所述对所述待识别图像的绿色通道图像进行Frangi滤波，得到第一图像，包括：
通过预设算法，在所述待识别图像中，确定第一人脸特征点；
根据所述第一人脸特征点，确定第一目标区域图像；
对所述第一目标区域图像的绿色通道图像进行Frangi滤波，得到第一图像。
3.根据权利要求1所述的方法，其特征在于，所述对所述待识别图像的绿色通道图像进行Frangi滤波，得到第一图像；包括：
对所述待识别图像的绿色通道图像进行Frangi滤波，并进行闭运算的形态学处理，得到第一图像；
所述对所述绿色通道图像进行Garbor滤波，得到第二图像，包括：
对所述绿色通道图像进行Garbor滤波，并进行开运算的形态学处理，得到第二图像；
所述将所述第一图像的像素值乘以第一系数，以及所述第二图像的像素值乘以第二系数后进行叠加，得到第一目标图像，包括：
将所述第一图像的像素值乘以第一系数，以及所述第二图像的像素值乘以第二系数后进行叠加，并进行闭运算的形态学处理，得到第一目标图像。
4.根据权利要求1或3所述的方法，其特征在于，所述将所述第一图像的像素值乘以第一系数，以及所述第二图像的像素值乘以第二系数后进行叠加，得到第一目标图像，包括：
将所述第一图像的像素值乘以第一系数，以及所述第二图像的像素值乘以第二系数后进行叠加，得到第三图像；
将所述第三图像进行阈值分割，得到第一目标图像。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
通过预设算法，在所述待识别图像中，确定第一人脸特征点；
根据所述第一人脸特征点，确定第一目标区域图像；
对所述第一目标区域图像进行灰度处理，得到第一灰度图像；
通过所述预设算法，在所述待识别图像中，确定第二人脸特征点和第三人脸特征点；
根据所述第二人脸特征点，确定第二目标区域图像；
根据所述第三人脸特征点，确定第三目标区域图像；
根据所述第一目标区域图像、所述第一灰度图像、所述第二目标区域图像和所述第三目标区域图像，确定所述黑眼圈的类型。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第一目标区域图像、所述第一灰度图像、所述第二目标区域图像和所述第三目标区域图像，确定所述黑眼圈的类型，包括：
将所述第二目标区域图像的像素值转换为第一像素值，以及所述第一目标区域图像中除去所述第二目标区域图像以外的图像的像素值转换为第二像素值，得到第四目标区域图像；
将所述第三目标区域图像的像素值转换为所述第一像素值，以及所述第一目标区域图像中除去所述第三目标区域图像以外的图像的像素值转换为所述第二像素值，得到第五目标区域图像；
将所述第四目标区域图像的像素值与所述第一灰度图像的像素值相乘，得到第三像素值；
将所述第五目标区域图像的像素值与所述第一灰度图像的像素值相乘，得到第四像素值；
计算得到所述第三像素值和所述第四像素值的第一差值；
当所述第一差值大于等于预设像素差阈值时，确定黑眼圈的类型为色素型；
当所述第一差值小于所述预设像素差阈值时，确定黑眼圈的类型为血管型。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
通过预设算法，在所述待识别图像中，确定第一人脸特征点；
根据所述第一人脸特征点，确定第一目标区域图像；
在进行二值化后的待识别图像中，确定像素值的总数量和黑色像素值的数量；
根据所述总数量和所述黑色像素值的数量，确定黑眼圈的面积。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
对所述第一目标区域图像的红色像素值进行灰度处理，得到第二灰度图像，以及所述第二灰度图像的第一平均像素值和第二平均像素值；
计算得到所述第一平均像素值和所述第二平均像素值的第二差值；
根据所述第二差值和所述黑眼圈的面积，得到目标数值，所述目标数值用于表征对黑眼圈的严重程度进行评价。
9.一种黑眼圈识别装置，其特征在于，包括：
获取模块，用于获取待识别图像；对所述待识别图像的绿色通道图像进行Frangi滤波，得到第一图像；对所述绿色通道图像进行Garbor滤波，得到第二图像；将所述第一图像的像素值乘以第一系数，以及所述第二图像的像素值乘以第二系数后进行叠加，得到第一目标图像，其中，所述第一系数和所述第二系数之和为1；
处理模块，用于在所述第一目标图像中，确定皱纹面积；当所述皱纹面积大于预设皱纹面积阈值时，确定黑眼圈的类型为结构型。
10.一种黑眼圈识别装置，其特征在于，包括：
存储有可执行程序代码的存储器；
以及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，所述可执行程序代码被所述处理器执行时，使得所述处理器实现如权利要求1-8中任一所述的方法。
CN202110364920.1A 2021-04-02 基于图像处理的黑眼圈识别方法、黑眼圈识别装置及终端 Active CN113128377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110364920.1A CN113128377B (zh) 2021-04-02 基于图像处理的黑眼圈识别方法、黑眼圈识别装置及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110364920.1A CN113128377B (zh) 2021-04-02 基于图像处理的黑眼圈识别方法、黑眼圈识别装置及终端

Publications (2)

Publication Number Publication Date
CN113128377A true CN113128377A (zh) 2021-07-16
CN113128377B CN113128377B (zh) 2024-05-17

Family

ID=

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128376A (zh) * 2021-04-02 2021-07-16 西安融智芙科技有限责任公司 基于图像处理的皱纹识别方法、皱纹识别装置及终端设备
CN113128376B (zh) * 2021-04-02 2024-05-14 西安融智芙科技有限责任公司 基于图像处理的皱纹识别方法、皱纹识别装置及终端设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070086651A1 (en) * 2005-10-04 2007-04-19 Lvmh Recherche Method and apparatus for characterizing the imperfections of skin and method of assessing the anti-aging effect of a cosmetic product
WO2013098512A1 (fr) * 2011-12-26 2013-07-04 Chanel Parfums Beaute Procédé et dispositif de détection et de quantification de signes cutanés sur une zone de peau
US20140323873A1 (en) * 2013-04-09 2014-10-30 Elc Management Llc Skin diagnostic and image processing methods
US8879813B1 (en) * 2013-10-22 2014-11-04 Eyenuk, Inc. Systems and methods for automated interest region detection in retinal images
CN105844213A (zh) * 2016-02-05 2016-08-10 宁波工程学院 一种绿色果实识别方法
CN109919030A (zh) * 2019-01-31 2019-06-21 深圳和而泰数据资源与云技术有限公司 黑眼圈类型识别方法、装置、计算机设备和存储介质
CN109919029A (zh) * 2019-01-31 2019-06-21 深圳和而泰数据资源与云技术有限公司 黑眼圈类型识别方法、装置、计算机设备和存储介质
CN110533651A (zh) * 2019-08-29 2019-12-03 维沃移动通信有限公司 一种图像处理方法及装置
CN111241889A (zh) * 2018-11-29 2020-06-05 华为技术有限公司 检测和评价黑眼圈的方法和装置
CN111814520A (zh) * 2019-04-12 2020-10-23 虹软科技股份有限公司 肤质检测方法、肤质等级分类方法及肤质检测装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070086651A1 (en) * 2005-10-04 2007-04-19 Lvmh Recherche Method and apparatus for characterizing the imperfections of skin and method of assessing the anti-aging effect of a cosmetic product
WO2013098512A1 (fr) * 2011-12-26 2013-07-04 Chanel Parfums Beaute Procédé et dispositif de détection et de quantification de signes cutanés sur une zone de peau
US20140323873A1 (en) * 2013-04-09 2014-10-30 Elc Management Llc Skin diagnostic and image processing methods
US8879813B1 (en) * 2013-10-22 2014-11-04 Eyenuk, Inc. Systems and methods for automated interest region detection in retinal images
CN105844213A (zh) * 2016-02-05 2016-08-10 宁波工程学院 一种绿色果实识别方法
CN111241889A (zh) * 2018-11-29 2020-06-05 华为技术有限公司 检测和评价黑眼圈的方法和装置
CN109919030A (zh) * 2019-01-31 2019-06-21 深圳和而泰数据资源与云技术有限公司 黑眼圈类型识别方法、装置、计算机设备和存储介质
CN109919029A (zh) * 2019-01-31 2019-06-21 深圳和而泰数据资源与云技术有限公司 黑眼圈类型识别方法、装置、计算机设备和存储介质
CN111814520A (zh) * 2019-04-12 2020-10-23 虹软科技股份有限公司 肤质检测方法、肤质等级分类方法及肤质检测装置
CN110533651A (zh) * 2019-08-29 2019-12-03 维沃移动通信有限公司 一种图像处理方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
FOURMI: "图像特征的提取（gaussian, gabor, frangi, hessian, Morphology...）及将图片保存为txt文件", pages 1 - 5, Retrieved from the Internet <URL:https://www.cnblogs.com/fourmi/p/8453762.html> *
WENDESON S. OLIVEIRA等: "Unsupervised Retinal Vessel Segmentation Using Combined Filters", 《PLOS ONE》, pages 1 - 21 *
叶龙宝: "基于人脸识别的图像美化系统设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 138 - 1715 *
许言兵等: "基于超像素仿射传播聚类的视网膜血管分割", 光学学报, no. 02, pages 60 - 70 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128376A (zh) * 2021-04-02 2021-07-16 西安融智芙科技有限责任公司 基于图像处理的皱纹识别方法、皱纹识别装置及终端设备
CN113128376B (zh) * 2021-04-02 2024-05-14 西安融智芙科技有限责任公司 基于图像处理的皱纹识别方法、皱纹识别装置及终端设备

Similar Documents

Publication Publication Date Title
Ramlakhan et al. A mobile automated skin lesion classification system
CN105243371B (zh) 一种人脸美颜程度的检测方法、系统及拍摄终端
CN111488756A (zh) 基于面部识别的活体检测的方法、电子设备和存储介质
CN111062891A (zh) 图像处理方法、装置、终端及计算机可读存储介质
CN111814520A (zh) 肤质检测方法、肤质等级分类方法及肤质检测装置
CN106022209A (zh) 一种基于人脸检测的距离估算和处理的方法及装置
CN110111245A (zh) 图像处理方法、装置、终端及计算机可读存储介质
CN107506708B (zh) 解锁控制方法及相关产品
CN113570052B (zh) 图像处理方法、装置、电子设备及存储介质
CN112884666B (zh) 图像处理方法、装置及计算机存储介质
CN111444555A (zh) 一种测温信息显示方法、装置及终端设备
WO2020175878A1 (en) Electronic device for measuring biometric information and method for operating the same
CN109583330B (zh) 一种用于人脸照片的毛孔检测方法
US20160345887A1 (en) Moisture feeling evaluation device, moisture feeling evaluation method, and moisture feeling evaluation program
WO2021218696A1 (zh) 肤色检测方法、装置、终端和存储介质
CN113128377A (zh) 基于图像处理的黑眼圈识别方法、黑眼圈识别装置及终端
CN108805838A (zh) 一种图像处理方法、移动终端及计算机可读存储介质
CN113128377B (zh) 基于图像处理的黑眼圈识别方法、黑眼圈识别装置及终端
CN112257501A (zh) 人脸特征增强显示方法、装置、电子设备和介质
CN113516602B (zh) 一种图像去雾方法、图像去雾装置、电子设备及存储介质
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
CN107316281B (zh) 图像处理方法、装置和终端设备
CN115330610A (zh) 图像处理方法、装置、电子设备以及存储介质
CN113128374B (zh) 基于图像处理的敏感皮肤检测方法和敏感皮肤检测装置
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

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