CN113674366A - 皮肤颜色的识别方法、装置和电子设备 - Google Patents
皮肤颜色的识别方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113674366A CN113674366A CN202110773480.5A CN202110773480A CN113674366A CN 113674366 A CN113674366 A CN 113674366A CN 202110773480 A CN202110773480 A CN 202110773480A CN 113674366 A CN113674366 A CN 113674366A
- Authority
- CN
- China
- Prior art keywords
- pixel
- skin color
- target
- value
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 6
- 241000209140 Triticum Species 0.000 description 13
- 235000021307 Triticum Nutrition 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003796 beauty Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 210000000088 lip Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30088—Skin; Dermal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种皮肤颜色的识别方法、装置和电子设备,包括:确定待识别图像中的目标对象所对应的目标区域;获取目标区域中的至少一部分目标像素的像素值;基于像素值和各皮肤颜色类别所对应的像素值区间确定目标对象所属的目标皮肤颜色类别。本发明的皮肤颜色的识别方法直接将目标对象所对应的目标区域中的至少一部分目标像素的像素值与各皮肤颜色类别所对应的像素值区间进行匹配,进而确定得到目标对象所属的目标皮肤颜色类别,无需进行数据标注和深度模型训练,简单高效,节省成本,缓解了现有的皮肤颜色的识别方法耗时长、成本高的技术问题。
Description
技术领域
本发明涉及图像处理的技术领域,尤其是涉及一种皮肤颜色的识别方法、装置和电子设备。
背景技术
目前,人们在选择护肤品之前,往往会先通过相关设备对其自身的皮肤进行测试,然后根据测试结果再选择相应的护肤品。其中,皮肤颜色识别是人体皮肤测试的一部分。
现有的人体皮肤颜色识别大多是基于深度学习的图像识别技术,对输入的人体图像进行分类,以区分皮肤颜色的白皙程度(白皙、自然、小麦、黝黑等)。
例如,为了达到人体皮肤颜色识别的目的,需要提前训练人体皮肤颜色识别模型。而在训练人体皮肤颜色识别模型时,需要收集相应场景的人体图像数据并对其进行标注,然后通过有监督训练来迭代训练模型,进而通过训练好的人体皮肤颜色模型对人体皮肤颜色进行分类和识别。上述标注过程需要较多的人力和财力成本,且收集数据和迭代训练需要一定的时间成本。
综上,现有的皮肤颜色的识别方法存在耗时长、成本高的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种皮肤颜色的识别方法、装置和电子设备,以缓解现有的皮肤颜色的识别方法耗时长、成本高的技术问题。
第一方面,本发明实施例提供了一种皮肤颜色的识别方法,包括:确定待识别图像中的目标对象所对应的目标区域;获取所述目标区域中的至少一部分目标像素的像素值;其中,所述目标像素属于所述目标区域中的皮肤区域;基于所述像素值和各皮肤颜色类别所对应的像素值区间确定所述目标对象所属的目标皮肤颜色类别。
在一实施例中,所述基于所述像素值和各皮肤颜色类别所对应的像素值区间确定所述目标对象所属的目标皮肤颜色类别,包括:计算所述至少一部分目标像素的像素均值;将所述像素均值和所述各皮肤颜色类别所对应的像素值区间进行匹配,以确定所述目标对象所属的目标皮肤颜色类别。
在一实施例中,所述像素均值包括:红色通道的像素均值、绿色通道的像素均值和蓝色通道的像素均值;所述各皮肤颜色类别所对应的像素值区间包括:各皮肤颜色类别对应的红色通道的像素值区间、各皮肤颜色类别对应的绿色通道的像素值区间和各皮肤颜色类别对应的蓝色通道的像素值区间;相应的,所述计算所述至少一部分目标像素的像素均值,包括:分别计算所述至少一部分目标像素的红色通道的像素均值、绿色通道的像素均值以及蓝色通道的像素均值;所述将所述像素均值和所述各皮肤颜色类别所对应的像素值区间进行匹配,以确定所述目标对象所属的目标皮肤颜色类别,包括:将所述红色通道的像素均值与所述各皮肤颜色类别对应的红色通道的像素值区间进行匹配,得到第一匹配结果,将所述绿色通道的像素均值与所述各皮肤颜色类别对应的绿色通道的像素值区间进行匹配,得到第二匹配结果,以及,将所述蓝色通道的像素均值与所述各皮肤颜色类别对应的蓝色通道的像素值区间进行匹配,得到第三匹配结果;根据所述第一匹配结果、所述第二匹配结果和所述第三匹配结果确定所述目标对象所属的目标皮肤颜色类别。
在一实施例中,所述根据所述第一匹配结果、所述第二匹配结果、所述第三匹配结果,确定所述目标对象所属的目标皮肤颜色类别,包括:若所述第一匹配结果、所述第二匹配结果和所述第三匹配结果指示相同的皮肤颜色类别,则将所述第一匹配结果、所述第二匹配结果和所述第三匹配结果所指示的皮肤颜色类别确定为所述目标皮肤颜色类别;若所述第一匹配结果、所述第二匹配结果和所述第三匹配结果中的任意两个匹配结果指示相同的皮肤颜色类别,另外一个匹配结果所指示的皮肤颜色类别与所述任意两个匹配结果所指示的皮肤颜色类别相邻,则将所述任意两个匹配结果所指示的皮肤颜色类别确定为所述目标皮肤颜色类别;其中,相邻的像素值区间所对应的皮肤颜色类别相邻;若所述第一匹配结果、所述第二匹配结果和所述第三匹配结果中的任意两个匹配结果指示相同的皮肤颜色类别,且另外一个匹配结果所指示的皮肤颜色类别与所述任意两个匹配结果所指示的皮肤颜色类别不相邻,或者,所述第一匹配结果、所述第二匹配结果和所述第三匹配结果所指示的皮肤颜色类别各不相同,则计算所述红色通道的像素均值、所述绿色通道的像素均值和所述蓝色通道的像素均值的算数平均值,基于所述算数平均值确定所述目标皮肤颜色类别。
在一实施例中,基于所述算数平均值确定所述目标皮肤颜色类别,包括:针对各皮肤颜色类别,根据所述皮肤颜色类别所对应的红色通道的像素值区间的像素下限值、绿色通道的像素值区间的像素下限值和蓝色通道的像素值区间的像素下限值,确定所述皮肤颜色所对应的像素下限均值,以及,根据所述皮肤颜色类别所对应的红色通道的像素值区间的像素上限值、绿色通道的像素值区间的像素上限值和蓝色通道的像素值区间的像素上限值,确定所述皮肤颜色所对应的像素上限均值;将所述像素下限均值和所述像素上限均值所构成的区间确定为所述皮肤颜色所对应的像素值均值区间;将所述算数平均值与各像素值均值区间进行匹配,以确定所述算数平均值所属的像素值均值区间;将所述算数平均值所属的像素值均值区间对应的皮肤颜色类别确定为所述目标皮肤颜色类别。
在一实施例中,所述像素值包括:红色通道的像素值、绿色通道的像素值和蓝色通道的像素值,所述各皮肤颜色类别所对应的像素值区间包括:各皮肤颜色类别对应的红色通道的像素值区间、各皮肤颜色类别对应的绿色通道的像素值区间和各皮肤颜色类别对应的蓝色通道的像素值区间;相应的,所述基于所述像素值和各皮肤颜色类别所对应的像素值区间确定所述目标对象所属的目标皮肤颜色类别,包括:确定红色通道的像素值属于各皮肤颜色类别对应的红色通道的像素值区间的像素在所述目标像素中的第一像素占比、绿色通道的像素值属于各皮肤颜色类别对应的绿色通道的像素值区间的像素在所述目标像素中的第二像素占比,以及蓝色通道的像素值属于各皮肤颜色类别对应的蓝色通道的像素值区间的像素在所述目标像素中的第三像素占比;基于所述第一像素占比、所述第二像素占比和所述第三像素占比,确定所述目标皮肤颜色类别。
在一实施例中,所述基于所述第一像素占比、所述第二像素占比和所述第三像素占比,确定所述目标皮肤颜色类别,包括:若所述第一像素占比中的最大像素占比、所述第二像素占比中的最大像素占比和所述第三像素占比中的最大像素占比指示相同的皮肤颜色类别,则将所述第一像素占比中的最大像素占比、所述第二像素占比中的最大像素占比和所述第三像素占比中的最大像素占比所指示的皮肤颜色类别确定为所述目标皮肤颜色类别;若所述第一像素占比中的最大像素占比、所述第二像素占比中的最大像素占比和所述第三像素占比中的最大像素占比中的任意两个最大像素占比指示相同的皮肤颜色类别,另外一个最大像素占比所指示的皮肤颜色类别与所述任意两个最大像素占比所指示的皮肤颜色类别相邻,则将所述任意两个最大像素占比所指示的皮肤颜色类别确定为所述目标皮肤颜色类别;其中,相邻的像素值区间所对应的皮肤颜色类别相邻;若所述第一像素占比中的最大像素占比、所述第二像素占比中的最大像素占比和所述第三像素占比中的最大像素占比中的任意两个最大像素占比指示相同的皮肤颜色类别,且另外一个最大像素占比所指示的皮肤颜色类别与所述任意两个最大像素占比所指示的皮肤颜色类别不相邻,或者,所述第一像素占比中的最大像素占比、所述第二像素占比中的最大像素占比和所述第三像素占比中的最大像素占比所指示的皮肤颜色类别各不相同,则计算每个所述目标像素的红色通道的像素值、绿色通道的像素值和蓝色通道的像素值的像素平均值;基于每个目标像素的像素平均值确定所述目标皮肤颜色类别。
在一实施例中,所述基于每个目标像素的像素平均值确定所述目标皮肤颜色类别,包括:针对各皮肤颜色类别,根据所述皮肤颜色类别所对应的红色通道的像素值区间的像素下限值、绿色通道的像素值区间的像素下限值和蓝色通道的像素值区间的像素下限值,确定所述皮肤颜色所对应的像素下限均值,以及,根据所述皮肤颜色类别所对应的红色通道的像素值区间的像素上限值、绿色通道的像素值区间的像素上限值和蓝色通道的像素值区间的像素上限值,确定所述皮肤颜色所对应的像素上限均值;将所述像素下限均值和所述像素上限均值所构成的区间确定为所述皮肤颜色所对应的像素值均值区间;确定所述像素平均值属于各像素值均值区间的像素在所述目标像素中的占比;将所述占比中的最大占比所对应的皮肤颜色类别确定为所述目标皮肤颜色类别。
在一实施例中,通过如下步骤确定各皮肤颜色类别所对应的像素值区间:根据预设皮肤颜色类别和标准肤色色卡,确定临界色卡所对应的像素值;其中,所述临界色卡为皮肤颜色类别发生变化时所对应的色卡;基于所述临界色卡所对应的像素值,计算各皮肤颜色类别之间的像素阈值;基于各个所述像素阈值确定所述各皮肤颜色类别所对应的像素值区间。
在一实施例中,所述目标对象为人脸,所述目标区域为人脸区域;所述获取所述目标区域中的至少一部分目标像素的像素值,包括:对所述人脸区域进行特征提取,得到所述人脸区域中的人脸特征点;基于所述人脸特征点,确定所述人脸区域中的皮肤区域;将所述皮肤区域中的至少一部分像素作为所述目标像素,并获取所述目标像素的像素值。
在一实施例中,所述皮肤区域包括至少一个局部皮肤子区域;所述局部皮肤子区域包括:下巴区域、左脸颊上区域、左脸颊中区域、左脸颊下区域、右脸颊上区域、右脸颊中区域、右脸颊下区域、鼻根区域和眉间区域。
第二方面,本发明实施例还提供了一种皮肤颜色的识别装置,包括:第一确定单元,用于确定待识别图像中的目标对象所对应的目标区域;获取单元,用于获取所述目标区域中的至少一部分目标像素的像素值;其中,所述目标像素属于所述目标区域中的皮肤区域;第二确定单元,用于基于所述像素值和各皮肤颜色类别所对应的像素值区间确定所述目标对象所属的目标皮肤颜色类别。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
第四方面,本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述第一方面任一项所述的方法的步骤。
在本发明实施例中,首先,确定待识别图像中的目标对象所对应的目标区域,然后,获取目标区域中至少一部分目标像素的像素值,目标像素属于目标区域中的皮肤区域,最后,基于像素值和各皮肤颜色类别所对应的像素值区间确定目标对象所属的目标皮肤颜色类别。通过上述描述可知,本发明的皮肤颜色的识别方法直接将目标对象所对应的目标区域中的至少一部分目标像素的像素值与各皮肤颜色类别所对应的像素值区间进行匹配,进而确定得到目标对象所属的目标皮肤颜色类别,无需进行数据标注和深度模型训练,简单高效,节省成本,缓解了现有的皮肤颜色的识别方法耗时长、成本高的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种电子设备的示意图;
图2为本发明实施例提供的一种皮肤颜色的识别方法的流程图;
图3为本发明实施例提供的获取目标区域中的至少一部分目标像素的像素值的流程图;
图4为本发明实施例提供的人脸图像的局部皮肤子区域的示意图;
图5为本发明实施例提供的确定各皮肤颜色类别所对应的像素值区间的流程图;
图6为本发明实施例提供的人脸图像数据集中的图像的示意图;
图7为本发明实施例提供的预设色号的肤色色卡的示意图;
图8为本发明实施例提供的根据第一匹配结果、第二匹配结果、第三匹配结果,确定目标对象所属的目标皮肤颜色类别的流程图;
图9为本发明实施例提供的基于像素值和各皮肤颜色类别所对应的像素值区间确定目标对象所属的目标皮肤颜色类别的流程图;
图10为本发明实施例提供的一种皮肤颜色的识别装置的示意图。
具体实施方式
下面将结合实施例对本发明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,都属于本发明保护的范围。
实施例1:
首先,参照图1来描述用于实现本发明实施例的电子设备100,该电子设备可以用于运行本发明各实施例的皮肤颜色的识别方法。
如图1所示,电子设备100包括一个或多个处理器102、一个或多个存储器104、输入装置106和输出装置108,这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意,图1所示的电子设备100的组件和结构只是示例性的,而非限制性的,根据需要,所述电子设备也可以具有其他组件和结构。
所述处理器102可以采用数字信号处理器(DSP,Digital Signal Processing)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)、可编程逻辑阵列(PLA,Programmable Logic Array)和ASIC(Application Specific Integrated Circuit)中的至少一种硬件形式来实现,所述处理器102可以是中央处理单元(CPU,Central ProcessingUnit)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制所述电子设备100中的其它组件以执行期望的功能。
所述存储器104可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器102可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如,用户)输出各种信息(例如,图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
电子设备100得到待识别图像后,经过所述皮肤颜色的识别方法进行处理之后得到待识别图像中目标对象所属的目标皮肤颜色类别。
示例性地,用于实现根据本发明实施例的皮肤颜色的识别方法的电子设备可以被实现为诸如智能手机、平板电脑等智能移动终端。
实施例2:
近年来,基于人工智能的计算机视觉、深度学习、机器学习、图像处理、图像识别等技术研究取得了重要进展。人工智能(Artificial Intelligence,AI)是研究、开发用于模拟、延伸人的智能的理论、方法、技术及应用系统的新兴科学技术。人工智能学科是一门综合性学科,涉及芯片、大数据、云计算、物联网、分布式存储、深度学习、机器学习、神经网络等诸多技术种类。计算机视觉作为人工智能的一个重要分支,具体是让机器识别世界,计算机视觉技术通常包括人脸识别、活体检测、指纹识别与防伪验证、生物特征识别、人脸检测、行人检测、目标检测、行人识别、图像处理、图像识别、图像语义理解、图像检索、文字识别、视频处理、视频内容识别、行为识别、三维重建、虚拟现实、增强现实、同步定位与地图构建(SLAM)、计算摄影、机器人导航与定位等技术。随着人工智能技术的研究和进步,该项技术在众多领域展开了应用,例如安防、城市管理、交通管理、楼宇管理、园区管理、人脸通行、人脸考勤、物流管理、仓储管理、机器人、智能营销、计算摄影、手机影像、云服务、智能家居、穿戴设备、无人驾驶、自动驾驶、智能医疗、人脸支付、人脸解锁、指纹解锁、人证核验、智慧屏、智能电视、摄像机、移动互联网、网络直播、美颜、美妆、医疗美容、智能测温等领域。
本发明实施例,提供了一种皮肤颜色的识别方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本发明实施例的一种皮肤颜色的识别方法的流程图,如图2所示,该方法包括如下步骤:
步骤S202,确定待识别图像中的目标对象所对应的目标区域;
在本发明实施例中,待识别图像可以为目标对象图像,如人脸图像、手臂图像等;也可以为包含目标对象在内的全局图像,如目标对象为人脸时,待识别图像为整个人体或者半身图像,本发明实施例对上述待识别图像的具体形式不进行具体限制。目标对象是指对皮肤颜色进行识别的对象,具体可以为人体的某个部位,如人脸、脖子、手臂等,本发明实施例对上述目标对象不进行具体限制。当目标对象为人脸时,目标区域为待识别图像中的人脸区域;当目标对象为脖子时,目标区域为待识别图像中的脖子区域。
步骤S204,获取目标区域中的至少一部分目标像素的像素值;
其中,目标像素属于目标区域中的皮肤区域,上述像素值可以包括:至少一部分目标像素中的每个像素的红色通道的像素值、绿色通道的像素值和蓝色通道的像素值。
在本发明实施例中,可以获取目标区域内一部分的目标像素,也可以是获取目标区域内的全部目标像素。
步骤S206,基于像素值和各皮肤颜色类别所对应的像素值区间确定目标对象所属的目标皮肤颜色类别。
具体的,可以将像素值和各皮肤颜色类别所对应的像素值区间进行匹配,进而确定目标对象所属的目标皮肤颜色类别,下文中再对该过程进行详细描述,在此不再赘述。
在本发明实施例中,首先,确定待识别图像中的目标对象所对应的目标区域,然后,获取目标区域中至少一部分目标像素的像素值,目标像素属于目标区域中的皮肤区域,最后,基于像素值和各皮肤颜色类别所对应的像素值区间确定目标对象所属的目标皮肤颜色类别。通过上述描述可知,本发明的皮肤颜色的识别方法直接将目标对象所对应的目标区域中的至少一部分目标像素的像素值与各皮肤颜色类别所对应的像素值区间进行匹配,进而确定得到目标对象所属的目标皮肤颜色类别,无需进行数据标注和深度模型训练,简单高效,节省成本,缓解了现有的皮肤颜色的识别方法耗时长、成本高的技术问题。
上述内容对本发明的皮肤颜色的识别方法进行了简要介绍,下面对其中涉及到的具体内容进行详细描述。
当目标对象为人脸,目标区域为人脸区域时,参考图3,上述步骤S204,获取目标区域中的至少一部分目标像素的像素值,具体包括如下步骤:
步骤S301,对人脸区域进行特征提取,得到人脸区域中的人脸特征点;
具体的,可以通过ERT(ensemble of regression tree)算法对待识别图像的人脸区域进行特征提取,进而得到人脸区域中人脸特征点。
步骤S302,基于人脸特征点,确定人脸区域中的皮肤区域,其中,皮肤区域包括至少一个局部皮肤子区域;局部皮肤子区域包括:下巴区域、左脸颊上区域、左脸颊中区域、左脸颊下区域、右脸颊上区域、右脸颊中区域、右脸颊下区域、鼻根区域和眉间区域;
在得到人脸特征点后,可以根据人脸特征点对人脸区域进行划分,划分得到图4所示的9个局部皮肤子区域,分别是下巴区域、左脸颊上区域、左脸颊中区域、左脸颊下区域、右脸颊上区域、右脸颊中区域、右脸颊下区域、鼻根区域和眉间区域。
划分上述多个局部皮肤子区域的目的是为了避开人脸中其它非皮肤部分(例如,头发、眉毛、嘴唇)对皮肤颜色识别的影响,使得后续基于皮肤区域中的像素值确定的皮肤颜色更加准确。
步骤S303,将皮肤区域中的至少一部分像素作为目标像素,并获取目标像素的像素值。
具体的,可以将多个局部皮肤子区域(即9个区域)中的全部像素作为上述目标区域中的至少一部分目标像素,也可以取多个局部皮肤子区域(即9个区域)中的部分像素作为上述目标区域中的至少一部分目标像素,还可以是取多个局部皮肤子区域中的一个或者多个局部皮肤子区域中的全部像素作为上述目标区域中的至少一部分目标像素,本发明实施例对上述至少一部分目标像素的确定不进行具体限制。
若将多个局部皮肤子区域(即9个区域)中的全部像素作为上述目标区域中的至少一部分目标像素,其涵盖了人脸的大部分皮肤区域,能够准确的反应人脸皮肤的皮肤颜色类别;若取多个局部皮肤子区域中的一个或者多个局部皮肤子区域中的全部像素作为上述目标区域中的至少一部分目标像素,能够降低后续确定目标皮肤颜色类别时的计算量,减少资源消耗。
当目标区域为脖子区域时,获取目标区域中的至少一部分目标像素的像素值可以为:获取脖子区域中的全部或部分目标像素的像素值。
本发明下文中仅以目标区域为人脸区域为例进行说明,当目标区域为其它区域时,具体确定目标对象所属的目标皮肤颜色类别的过程与下述内容相似,本发明实施例不再一一赘述。
上述内容对本发明的获取目标区域中的至少一部分目标像素的像素值进行了详细介绍,下面对基于像素值和各皮肤颜色类别所对应的像素值区间确定目标对象所属的目标皮肤颜色类别的过程进行介绍:
基于像素值和各皮肤颜色类别所对应的像素值区间确定目标对象所属的目标皮肤颜色类别,至少可以通过如下两种方式实现,下面分别进行详细介绍:
方案一:
计算至少一部分目标像素的像素均值;将像素均值和各皮肤颜色类别所对应的像素值区间进行匹配,以确定目标对象所属的目标皮肤颜色类别。
上述像素均值包括:红色通道的像素均值、绿色通道的像素均值和蓝色通道的像素均值;各皮肤颜色类别所对应的像素值区间包括:各皮肤颜色类别对应的红色通道的像素值区间、各皮肤颜色类别对应的绿色通道的像素值区间和各皮肤颜色类别对应的蓝色通道的像素值区间;
相应的,上述计算至少一部分目标像素的像素均值,包括:
分别计算至少一部分目标像素的红色通道的像素均值、绿色通道的像素均值以及蓝色通道的像素均值;
将像素均值和各皮肤颜色类别所对应的像素值区间进行匹配,以确定目标对象所属的目标皮肤颜色类别,包括:
将红色通道的像素均值与各皮肤颜色类别对应的红色通道的像素值区间进行匹配,得到第一匹配结果,将绿色通道的像素均值与各皮肤颜色类别对应的绿色通道的像素值区间进行匹配,得到第二匹配结果,以及,将蓝色通道的像素均值与各皮肤颜色类别对应的蓝色通道的像素值区间进行匹配,得到第三匹配结果;根据第一匹配结果、第二匹配结果和第三匹配结果确定目标对象所属的目标皮肤颜色类别。
具体的,假设所获取的目标像素为N个像素,第i个像素的像素值可以表示为pi=[Ri,Gi,Bi],其中,Ri表示第i个像素的红色通道的像素值,Gi表示第i个像素的绿色通道的像素值,Bi表示第i个像素的蓝色通道的像素值,那么,目标像素的像素均值表示为: 其中,Rmean表示目标像素的红色通道的像素均值,Gmean表示目标像素的绿色通道的像素均值,Bmean表示目标像素的蓝色通道的像素均值,N表示目标像素的总数。
下面先对各皮肤颜色类别所对应的像素值区间的确定过程进行介绍,参考图5,包括如下步骤:
步骤S501,根据预设皮肤颜色类别和标准肤色色卡,确定临界色卡所对应的像素值;其中,临界色卡为皮肤颜色类别发生变化时所对应的色卡;
步骤S502,基于临界色卡所对应的像素值,计算各皮肤颜色类别之间的像素阈值;
步骤S503,基于各个像素阈值确定各皮肤颜色类别所对应的像素值区间。
具体的,先获取带有皮肤颜色类别的目标对象图像数据集,例如,先获取带有白皙皮肤颜色类别的人脸图像数据集、带有自然皮肤颜色类别的人脸图像数据集、带有小麦皮肤颜色类别的人脸图像数据集和带有黝黑皮肤颜色类别的人脸图像数据集,将带有上述皮肤颜色类别的人脸图像数据集中的各图像(如图6所示,图6中,左上角人脸图像对应的皮肤颜色类别为白皙,右上角人脸图像对应的皮肤颜色类别为自然,左下角人脸图像对应的皮肤颜色类别为小麦,右下角人脸图像对应的皮肤颜色类别为黝黑)与标准色卡(优选为潘通肤色色卡)进行对比,就能确定上述各皮肤颜色类别对应的临界色卡,进而获取临界色卡所对应的像素值(包括:红色通道像素值、绿色通道像素值和蓝色通道像素值)。其中,白皙皮肤颜色类别对应的标准色卡中的临界色卡为5y03,自然皮肤颜色类别对应的标准色卡中的临界色卡为5y06,小麦皮肤颜色类别对应的标准色卡中的临界色卡为5y09,黝黑皮肤颜色类别对应的标准色卡中的临界色卡为1R13(如图7所示),上述临界色卡对应的像素值(即RGB值)分别是(196,168,144)、(184,154,126)、(163,130,100)和(119,86,66)。需要说明的是,此处只是示例性的介绍临界色卡的色号以及对应的RGB值,并不构成对本申请实施例的限定。
上述通过皮肤颜色的色阶(也就是皮肤深浅程度)作为皮肤颜色类别的判定指标,更加直观,上述将主观色阶与人脸图像的目标区域像素值进行对应匹配,能够方便快捷的确定各皮肤颜色类别对应的标准色卡中的临界色卡。
在得到上述各皮肤颜色类别对应的标准色卡中的临界色卡的像素值后,进一步基于临界色卡所对应的像素值,计算各皮肤颜色类别之间的像素阈值。具体的,若临界色卡所对应的像素值的数量为M个,则确定得到的像素阈值的数量为M-1个,实现时,将临界色卡所对应的像素值降序排列,得到像素值序列,第一个像素阈值可以采用上述像素值序列中的最大的像素值(即临界色卡所对应的像素值中的最大像素值),后续中间的像素阈值可以采用后续相邻的两个像素值(像素值序列中相邻的两个像素值)的均值,最后的像素阈值可以采用上述像素值序列中的最小的像素值(即临界色卡所对应的像素值中的最小像素值)。
进而,基于各个像素阈值确定各皮肤颜色类别所对应的像素值区间。具体的,可以将大于最大像素阈值的区间确定为第一皮肤颜色类别所对应的像素值区间,而将与最大像素值阈值相邻的像素阈值、最大像素阈值组成的区间确定为第二皮肤颜色类别所对应的像素值区间,后续的像素值区间的端点均采用相邻的两个像素阈值,而最后一个像素值区间可以将小于最小像素阈值的区间确定为最后一种皮肤颜色类别所对应的像素值区间。
例如,得到上述像素值:
C1=(r1,g1,b1)=(196,168,144),C2=(r2,g2,b2)=(184,154,126),C3=(r3,g3,b3)=(163,130,100),C4=(r4,g4,b4)=(119,86,66)计算各皮肤颜色类别之间的像素阈值,具体过程包括:
计算各皮肤颜色类别之间的像素阈值:T1=C1=(r1,g1,b1)=(196,168,144);
T3=C4=(r4,g4,b4)=(119,86,66)。
基于各个像素阈值确定各皮肤颜色类别所对应的像素值区间,具体的:
白皙皮肤颜色类别对应的红色通道的像素值区间为:(196,+∞);
白皙皮肤颜色类别对应的绿色通道的像素值区间:(168,+∞);
白皙皮肤颜色类别对应的蓝色通道的像素值区间:(144,+∞);
自然皮肤颜色类别对应的红色通道的像素值区间:(173.5,196);
自然皮肤颜色类别对应的绿色通道的像素值区间:(142,168);
自然皮肤颜色类别对应的蓝色通道的像素值区间:(113,144);
小麦皮肤颜色类别对应的红色通道的像素值区间:(119,173.5);
小麦皮肤颜色类别对应的绿色通道的像素值区间:(86,142);
小麦皮肤颜色类别对应的蓝色通道的像素值区间:(66,113);
黝黑皮肤颜色类别对应的红色通道的像素值区间:(-∞,119);
黝黑皮肤颜色类别对应的绿色通道的像素值区间:(-∞,86);
黝黑皮肤颜色类别对应的蓝色通道的像素值区间:(-∞,66)。
在本发明的一个可选实施例中,参考图8,根据第一匹配结果、第二匹配结果、第三匹配结果,确定目标对象所属的目标皮肤颜色类别,具体包括如下步骤:
步骤S801,若第一匹配结果、第二匹配结果和第三匹配结果指示相同的皮肤颜色类别,则将第一匹配结果、第二匹配结果和第三匹配结果所指示的皮肤颜色类别确定为目标皮肤颜色类别;
步骤S802,若第一匹配结果、第二匹配结果和第三匹配结果中的任意两个匹配结果指示相同的皮肤颜色类别,另外一个匹配结果所指示的皮肤颜色类别与任意两个匹配结果所指示的皮肤颜色类别相邻,则将任意两个匹配结果所指示的皮肤颜色类别确定为目标皮肤颜色类别,其中,相邻的像素值区间所对应的皮肤颜色类别相邻;
例如:继续沿用上例,在上述举例中,红色通道的像素值区间(196,+∞)和红色通道的像素值区间(173.5,196)相邻,绿色通道的像素值区间(168,+∞)和绿色通道的像素值区间(142,168)相邻,蓝色通道的像素值区间(144,+∞)和蓝色通道的像素值区间(113,144)相邻,因此,红色通道的像素值区间(196,+∞),绿色通道的像素值区间(168,+∞),蓝色通道的像素值区间(144,+∞)所指示的白皙皮肤颜色类别和红色通道的像素值区间(173.5,196),绿色通道的像素值区间(142,168),蓝色通道的像素值区间(113,144)所指示的自然皮肤颜色类别相邻,即白皙皮肤颜色类别和自然皮肤颜色类别相邻,同理可知,自然皮肤颜色类别还与小麦皮肤颜色类别相邻,小麦皮肤颜色类别还与黝黑皮肤颜色类别相邻;假设,第一匹配结果和第二匹配结果指示的皮肤颜色类别为自然皮肤颜色类别,第三匹配结果指示的皮肤颜色类别为白皙皮肤颜色类别或小麦皮肤颜色类别,则目标皮肤颜色类别为自然皮肤颜色类别。
步骤S803,若第一匹配结果、第二匹配结果和第三匹配结果中的任意两个匹配结果指示相同的皮肤颜色类别,且另外一个匹配结果所指示的皮肤颜色类别与任意两个匹配结果所指示的皮肤颜色类别不相邻,或者,第一匹配结果、第二匹配结果和第三匹配结果所指示的皮肤颜色类别各不相同,则计算红色通道的像素均值、绿色通道的像素均值和蓝色通道的像素均值的算数平均值;
步骤S804,针对各皮肤颜色类别,根据皮肤颜色类别所对应的红色通道的像素值区间的像素下限值、绿色通道的像素值区间的像素下限值和蓝色通道的像素值区间的像素下限值,确定皮肤颜色所对应的像素下限均值,以及,根据皮肤颜色类别所对应的红色通道的像素值区间的像素上限值、绿色通道的像素值区间的像素上限值和蓝色通道的像素值区间的像素上限值,确定皮肤颜色所对应的像素上限均值;
步骤S805,将像素下限均值和像素上限均值所构成的区间确定为皮肤颜色所对应的像素值均值区间;
在本发明的一个可选实施例中:
其中,meanX表示X皮肤颜色类别对应的像素值均值区间,MINR表示X皮肤颜色类别对应的红色通道的像素值区间的像素下限值,MING表示X皮肤颜色类别对应的绿色通道的像素值区间的像素下限值,MINB表示X皮肤颜色类别对应的蓝色通道的像素值区间的像素下限值,表示X皮肤颜色类别对应的像素下限均值,MAXR表示X皮肤颜色类别对应的红色通道的像素值区间的像素上限值,MAXG表示X皮肤颜色类别对应的绿色通道的像素值区间的像素上限值,MAXB表示X皮肤颜色类别对应的蓝色通道的像素值区间的像素上限值,表示X皮肤颜色类别对应的像素上限均值。
步骤S806,将算数平均值与各像素值均值区间进行匹配,以确定算数平均值所属的像素值均值区间;
步骤S807,将算数平均值所属的像素值均值区间对应的皮肤颜色类别确定为目标皮肤颜色类别。
本发明方案一中确定目标对象所属的目标皮肤颜色类别的过程可以简单、快捷且准确的确定目标对象所属的目标皮肤颜色类别,计算量小,提高了确定目标对象所属的目标皮肤颜色类别的效率。
方案二:
在本发明的一个可选实施例中,像素值包括:红色通道的像素值、绿色通道的像素值和蓝色通道的像素值,各皮肤颜色类别所对应的像素值区间包括:各皮肤颜色类别对应的红色通道的像素值区间、各皮肤颜色类别对应的绿色通道的像素值区间和各皮肤颜色类别对应的蓝色通道的像素值区间(各皮肤颜色类别所对应的像素值区间已在上文中进行了介绍,在此不再赘述)。
参考图9,基于像素值和各皮肤颜色类别所对应的像素值区间确定目标对象所属的目标皮肤颜色类别,具体包括如下步骤:
步骤S901,确定红色通道的像素值属于各皮肤颜色类别对应的红色通道的像素值区间的像素在目标像素中的第一像素占比、绿色通道的像素值属于各皮肤颜色类别对应的绿色通道的像素值区间的像素在目标像素中的第二像素占比,以及蓝色通道的像素值属于各皮肤颜色类别对应的蓝色通道的像素值区间的像素在目标像素中的第三像素占比;
步骤S902,若第一像素占比中的最大像素占比、第二像素占比中的最大像素占比和第三像素占比中的最大像素占比指示相同的皮肤颜色类别,则将第一像素占比中的最大像素占比、第二像素占比中的最大像素占比和第三像素占比中的最大像素占比所指示的皮肤颜色类别确定为目标皮肤颜色类别;
步骤S903,若第一像素占比中的最大像素占比、第二像素占比中的最大像素占比和第三像素占比中的最大像素占比中的任意两个最大像素占比指示相同的皮肤颜色类别,另外一个最大像素占比所指示的皮肤颜色类别与任意两个最大像素占比所指示的皮肤颜色类别相邻,则将任意两个最大像素占比所指示的皮肤颜色类别确定为目标皮肤颜色类别,其中,相邻的像素值区间所对应的皮肤颜色类别相邻;
例如上述举例:白皙皮肤颜色类别和自然皮肤颜色类别相邻,自然皮肤颜色类别还与小麦皮肤颜色类别相邻,小麦皮肤颜色类别还与黝黑皮肤颜色类别相邻。若第一像素占比中的最大像素占比和第二像素占比中的最大像素占比所指示的皮肤颜色类别为自然皮肤颜色类别,第三像素占比中的最大像素占比所指示的皮肤颜色类别为白皙皮肤颜色类别或小麦皮肤颜色类别,则目标皮肤颜色类别为自然皮肤颜色类别。
步骤S904,若第一像素占比中的最大像素占比、第二像素占比中的最大像素占比和第三像素占比中的最大像素占比中的任意两个最大像素占比指示相同的皮肤颜色类别,且另外一个最大像素占比所指示的皮肤颜色类别与任意两个最大像素占比所指示的皮肤颜色类别不相邻,或者,第一像素占比中的最大像素占比、第二像素占比中的最大像素占比和第三像素占比中的最大像素占比所指示的皮肤颜色类别各不相同,则计算每个目标像素的红色通道的像素值、绿色通道的像素值和蓝色通道的像素值的像素平均值;
步骤S905,针对各皮肤颜色类别,根据皮肤颜色类别所对应的红色通道的像素值区间的像素下限值、绿色通道的像素值区间的像素下限值和蓝色通道的像素值区间的像素下限值,确定皮肤颜色所对应的像素下限均值,以及,根据皮肤颜色类别所对应的红色通道的像素值区间的像素上限值、绿色通道的像素值区间的像素上限值和蓝色通道的像素值区间的像素上限值,确定皮肤颜色所对应的像素上限均值;
步骤S906,将像素下限均值和像素上限均值所构成的区间确定为皮肤颜色所对应的像素值均值区间;
在本发明的一个可选实施例中:
其中,meanX表示X皮肤颜色类别对应的像素值均值区间,MINR表示X皮肤颜色类别对应的红色通道的像素值区间的像素下限值,MING表示X皮肤颜色类别对应的绿色通道的像素值区间的像素下限值,MINB表示X皮肤颜色类别对应的蓝色通道的像素值区间的像素下限值,表示X皮肤颜色类别对应的像素下限均值,MAXR表示X皮肤颜色类别对应的红色通道的像素值区间的像素上限值,MAXG表示X皮肤颜色类别对应的绿色通道的像素值区间的像素上限值,MAXB表示X皮肤颜色类别对应的蓝色通道的像素值区间的像素上限值,表示X皮肤颜色类别对应的像素上限均值。
具体的,白皙皮肤颜色类别对应的像素值均值区间为:
自然皮肤颜色类别对应的像素值均值区间为:
小麦皮肤颜色类别对应的像素值均值区间为:
黝黑皮肤颜色类别对应的像素值均值区间为:
步骤S907,确定像素平均值属于各像素值均值区间的像素在目标像素中的占比;
步骤S908,将占比中的最大占比所对应的皮肤颜色类别确定为目标皮肤颜色类别。
本发明方案二中确定目标对象所属的目标皮肤颜色类别的过程能够更准确的确定目标对象所属的目标皮肤颜色类别。
本发明的皮肤颜色的识别方法能够简单高效地识别待识别图中目标对象的皮肤颜色类别,不需要标注数据和训练深度模型,节省了人力成本和时间成本。
实施例3:
本发明实施例还提供了一种皮肤颜色的识别装置,该皮肤颜色的识别装置主要用于执行本发明实施例上述内容所提供的皮肤颜色的识别方法,以下对本发明实施例提供的皮肤颜色的识别装置做具体介绍。
图10是根据本发明实施例的一种皮肤颜色的识别装置的示意图,如图10所示,该皮肤颜色的识别装置主要包括:第一确定单元10,获取单元20和第二确定单元30,其中:
第一确定单元,用于确定待识别图像中的目标对象所对应的目标区域;
获取单元,用于获取目标区域中的至少一部分目标像素的像素值;其中,目标像素属于目标区域中的皮肤区域;
第二确定单元,用于基于像素值和各皮肤颜色类别所对应的像素值区间确定目标对象所属的目标皮肤颜色类别。
在本发明实施例中,首先,确定待识别图像中的目标对象所对应的目标区域,然后,获取目标区域中至少一部分目标像素的像素值,目标像素属于目标区域中的皮肤区域,最后,基于像素值和各皮肤颜色类别所对应的像素值区间确定目标对象所属的目标皮肤颜色类别。通过上述描述可知,本发明的皮肤颜色的识别方法直接将目标对象所对应的目标区域中的至少一部分目标像素的像素值与各皮肤颜色类别所对应的像素值区间进行匹配,进而确定得到目标对象所属的目标皮肤颜色类别,无需进行数据标注和深度模型训练,简单高效,节省成本,缓解了现有的皮肤颜色的识别方法耗时长、成本高的技术问题。
可选地,第二确定单元还用于:计算至少一部分目标像素的像素均值;将像素均值和各皮肤颜色类别所对应的像素值区间进行匹配,以确定目标对象所属的目标皮肤颜色类别。
可选地,像素均值包括:红色通道的像素均值、绿色通道的像素均值和蓝色通道的像素均值;各皮肤颜色类别所对应的像素值区间包括:各皮肤颜色类别对应的红色通道的像素值区间、各皮肤颜色类别对应的绿色通道的像素值区间和各皮肤颜色类别对应的蓝色通道的像素值区间;第二确定单元还用于:分别计算至少一部分目标像素的红色通道的像素均值、绿色通道的像素均值以及蓝色通道的像素均值;将红色通道的像素均值与各皮肤颜色类别对应的红色通道的像素值区间进行匹配,得到第一匹配结果,将绿色通道的像素均值与各皮肤颜色类别对应的绿色通道的像素值区间进行匹配,得到第二匹配结果,以及,将蓝色通道的像素均值与各皮肤颜色类别对应的蓝色通道的像素值区间进行匹配,得到第三匹配结果;根据第一匹配结果、第二匹配结果和第三匹配结果确定目标对象所属的目标皮肤颜色类别。
可选地,第二确定单元还用于:若第一匹配结果、第二匹配结果和第三匹配结果指示相同的皮肤颜色类别,则将第一匹配结果、第二匹配结果和第三匹配结果所指示的皮肤颜色类别确定为目标皮肤颜色类别;若第一匹配结果、第二匹配结果和第三匹配结果中的任意两个匹配结果指示相同的皮肤颜色类别,另外一个匹配结果所指示的皮肤颜色类别与任意两个匹配结果所指示的皮肤颜色类别相邻,则将任意两个匹配结果所指示的皮肤颜色类别确定为目标皮肤颜色类别;其中,相邻的像素值区间所对应的皮肤颜色类别相邻;若第一匹配结果、第二匹配结果和第三匹配结果中的任意两个匹配结果指示相同的皮肤颜色类别,且另外一个匹配结果所指示的皮肤颜色类别与任意两个匹配结果所指示的皮肤颜色类别不相邻,或者,第一匹配结果、第二匹配结果和第三匹配结果所指示的皮肤颜色类别各不相同,则计算红色通道的像素均值、绿色通道的像素均值和蓝色通道的像素均值的算数平均值,基于算数平均值确定目标皮肤颜色类别。
可选地,第二确定单元还用于:针对各皮肤颜色类别,根据皮肤颜色类别所对应的红色通道的像素值区间的像素下限值、绿色通道的像素值区间的像素下限值和蓝色通道的像素值区间的像素下限值,确定皮肤颜色所对应的像素下限均值,以及,根据皮肤颜色类别所对应的红色通道的像素值区间的像素上限值、绿色通道的像素值区间的像素上限值和蓝色通道的像素值区间的像素上限值,确定皮肤颜色所对应的像素上限均值;将像素下限均值和像素上限均值所构成的区间确定为皮肤颜色所对应的像素值均值区间;将算数平均值与各像素值均值区间进行匹配,以确定算数平均值所属的像素值均值区间;将算数平均值所属的像素值均值区间对应的皮肤颜色类别确定为目标皮肤颜色类别。
可选地,像素值包括:红色通道的像素值、绿色通道的像素值和蓝色通道的像素值,各皮肤颜色类别所对应的像素值区间包括:各皮肤颜色类别对应的红色通道的像素值区间、各皮肤颜色类别对应的绿色通道的像素值区间和各皮肤颜色类别对应的蓝色通道的像素值区间;第二确定单元还用于:确定红色通道的像素值属于各皮肤颜色类别对应的红色通道的像素值区间的像素在目标像素中的第一像素占比、绿色通道的像素值属于各皮肤颜色类别对应的绿色通道的像素值区间的像素在目标像素中的第二像素占比,以及蓝色通道的像素值属于各皮肤颜色类别对应的蓝色通道的像素值区间的像素在目标像素中的第三像素占比;基于第一像素占比、第二像素占比和第三像素占比,确定目标皮肤颜色类别。
可选地,第二确定单元还用于:若第一像素占比中的最大像素占比、第二像素占比中的最大像素占比和第三像素占比中的最大像素占比指示相同的皮肤颜色类别,则将第一像素占比中的最大像素占比、第二像素占比中的最大像素占比和第三像素占比中的最大像素占比所指示的皮肤颜色类别确定为目标皮肤颜色类别;若第一像素占比中的最大像素占比、第二像素占比中的最大像素占比和第三像素占比中的最大像素占比中的任意两个最大像素占比指示相同的皮肤颜色类别,另外一个最大像素占比所指示的皮肤颜色类别与任意两个最大像素占比所指示的皮肤颜色类别相邻,则将任意两个最大像素占比所指示的皮肤颜色类别确定为目标皮肤颜色类别;其中,相邻的像素值区间所对应的皮肤颜色类别相邻;若第一像素占比中的最大像素占比、第二像素占比中的最大像素占比和第三像素占比中的最大像素占比中的任意两个最大像素占比指示相同的皮肤颜色类别,且另外一个最大像素占比所指示的皮肤颜色类别与任意两个最大像素占比所指示的皮肤颜色类别不相邻,或者,第一像素占比中的最大像素占比、第二像素占比中的最大像素占比和第三像素占比中的最大像素占比所指示的皮肤颜色类别各不相同,则计算每个目标像素的红色通道的像素值、绿色通道的像素值和蓝色通道的像素值的像素平均值;基于每个目标像素的像素平均值确定目标皮肤颜色类别。
可选地,第二确定单元还用于:针对各皮肤颜色类别,根据皮肤颜色类别所对应的红色通道的像素值区间的像素下限值、绿色通道的像素值区间的像素下限值和蓝色通道的像素值区间的像素下限值,确定皮肤颜色所对应的像素下限均值,以及,根据皮肤颜色类别所对应的红色通道的像素值区间的像素上限值、绿色通道的像素值区间的像素上限值和蓝色通道的像素值区间的像素上限值,确定皮肤颜色所对应的像素上限均值;将像素下限均值和像素上限均值所构成的区间确定为皮肤颜色所对应的像素值均值区间;确定像素平均值属于各像素值均值区间的像素在目标像素中的占比;将占比中的最大占比所对应的皮肤颜色类别确定为目标皮肤颜色类别。
可选地,该装置还用于:根据预设皮肤颜色类别和标准肤色色卡,确定临界色卡所对应的像素值;其中,临界色卡为皮肤颜色类别发生变化时所对应的色卡;基于临界色卡所对应的像素值,计算各皮肤颜色类别之间的像素阈值;基于各个像素阈值确定各皮肤颜色类别所对应的像素值区间。
可选地,目标对象为人脸,目标区域为人脸区域,获取单元还用于:对人脸区域进行特征提取,得到人脸区域中的人脸特征点;基于人脸特征点,确定人脸区域中的皮肤区域;将皮肤区域中的至少一部分像素作为目标像素,并获取目标像素的像素值。
可选地,皮肤区域包括至少一个局部皮肤子区域;局部皮肤子区域包括:下巴区域、左脸颊上区域、左脸颊中区域、左脸颊下区域、右脸颊上区域、右脸颊中区域、右脸颊下区域、鼻根区域和眉间区域。
本发明的皮肤颜色的识别装置能够简单高效地识别待识别图中目标对象的皮肤颜色类别,不需要标注数据和训练深度模型,节省了人力成本和时间成本。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
在本发明的另一个实施例中,还提供了一种计算机存储介质,其上存储有计算机程序,计算机运行计算机程序时执行上述方法实施例的方法的步骤。
在本发明的另一个实施例中,还提供了一种计算机程序,该计算机程序可以存储在云端或本地的存储介质上。在该计算机程序被计算机或处理器运行时用于执行本发明实施例的所述方法的相应步骤,并且用于实现根据本发明实施例的皮肤颜色的识别装置中的相应模块。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
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。
在本申请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。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,又例如,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通信接口,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分析单元中,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。
所述功能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,可以存储在一个分析器可执行的非易失的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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (14)
1.一种皮肤颜色的识别方法,其特征在于,包括:
确定待识别图像中的目标对象所对应的目标区域;
获取所述目标区域中的至少一部分目标像素的像素值;其中,所述目标像素属于所述目标区域中的皮肤区域;
基于所述像素值和各皮肤颜色类别所对应的像素值区间确定所述目标对象所属的目标皮肤颜色类别。
2.根据权利要求1所述的方法,其特征在于,所述基于所述像素值和各皮肤颜色类别所对应的像素值区间确定所述目标对象所属的目标皮肤颜色类别,包括:
计算所述至少一部分目标像素的像素均值;
将所述像素均值和所述各皮肤颜色类别所对应的像素值区间进行匹配,以确定所述目标对象所属的目标皮肤颜色类别。
3.根据权利要求2所述的方法,其特征在于,所述像素均值包括:红色通道的像素均值、绿色通道的像素均值和蓝色通道的像素均值;所述各皮肤颜色类别所对应的像素值区间包括:各皮肤颜色类别对应的红色通道的像素值区间、各皮肤颜色类别对应的绿色通道的像素值区间和各皮肤颜色类别对应的蓝色通道的像素值区间;
相应的,所述计算所述至少一部分目标像素的像素均值,包括:
分别计算所述至少一部分目标像素的红色通道的像素均值、绿色通道的像素均值以及蓝色通道的像素均值;
所述将所述像素均值和所述各皮肤颜色类别所对应的像素值区间进行匹配,以确定所述目标对象所属的目标皮肤颜色类别,包括:
将所述红色通道的像素均值与所述各皮肤颜色类别对应的红色通道的像素值区间进行匹配,得到第一匹配结果,将所述绿色通道的像素均值与所述各皮肤颜色类别对应的绿色通道的像素值区间进行匹配,得到第二匹配结果,以及,将所述蓝色通道的像素均值与所述各皮肤颜色类别对应的蓝色通道的像素值区间进行匹配,得到第三匹配结果;
根据所述第一匹配结果、所述第二匹配结果和所述第三匹配结果确定所述目标对象所属的目标皮肤颜色类别。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一匹配结果、所述第二匹配结果、所述第三匹配结果,确定所述目标对象所属的目标皮肤颜色类别,包括:
若所述第一匹配结果、所述第二匹配结果和所述第三匹配结果指示相同的皮肤颜色类别,则将所述第一匹配结果、所述第二匹配结果和所述第三匹配结果所指示的皮肤颜色类别确定为所述目标皮肤颜色类别;
若所述第一匹配结果、所述第二匹配结果和所述第三匹配结果中的任意两个匹配结果指示相同的皮肤颜色类别,另外一个匹配结果所指示的皮肤颜色类别与所述任意两个匹配结果所指示的皮肤颜色类别相邻,则将所述任意两个匹配结果所指示的皮肤颜色类别确定为所述目标皮肤颜色类别;其中,相邻的像素值区间所对应的皮肤颜色类别相邻;
若所述第一匹配结果、所述第二匹配结果和所述第三匹配结果中的任意两个匹配结果指示相同的皮肤颜色类别,且另外一个匹配结果所指示的皮肤颜色类别与所述任意两个匹配结果所指示的皮肤颜色类别不相邻,或者,所述第一匹配结果、所述第二匹配结果和所述第三匹配结果所指示的皮肤颜色类别各不相同,则计算所述红色通道的像素均值、所述绿色通道的像素均值和所述蓝色通道的像素均值的算数平均值,基于所述算数平均值确定所述目标皮肤颜色类别。
5.根据权利要求4所述的方法,其特征在于,基于所述算数平均值确定所述目标皮肤颜色类别,包括:
针对各皮肤颜色类别,根据所述皮肤颜色类别所对应的红色通道的像素值区间的像素下限值、绿色通道的像素值区间的像素下限值和蓝色通道的像素值区间的像素下限值,确定所述皮肤颜色所对应的像素下限均值,以及,根据所述皮肤颜色类别所对应的红色通道的像素值区间的像素上限值、绿色通道的像素值区间的像素上限值和蓝色通道的像素值区间的像素上限值,确定所述皮肤颜色所对应的像素上限均值;
将所述像素下限均值和所述像素上限均值所构成的区间确定为所述皮肤颜色所对应的像素值均值区间;
将所述算数平均值与各像素值均值区间进行匹配,以确定所述算数平均值所属的像素值均值区间;
将所述算数平均值所属的像素值均值区间对应的皮肤颜色类别确定为所述目标皮肤颜色类别。
6.根据权利要求1所述的方法,其特征在于,所述像素值包括:红色通道的像素值、绿色通道的像素值和蓝色通道的像素值,所述各皮肤颜色类别所对应的像素值区间包括:各皮肤颜色类别对应的红色通道的像素值区间、各皮肤颜色类别对应的绿色通道的像素值区间和各皮肤颜色类别对应的蓝色通道的像素值区间;
相应的,所述基于所述像素值和各皮肤颜色类别所对应的像素值区间确定所述目标对象所属的目标皮肤颜色类别,包括:
确定红色通道的像素值属于各皮肤颜色类别对应的红色通道的像素值区间的像素在所述目标像素中的第一像素占比、绿色通道的像素值属于各皮肤颜色类别对应的绿色通道的像素值区间的像素在所述目标像素中的第二像素占比,以及蓝色通道的像素值属于各皮肤颜色类别对应的蓝色通道的像素值区间的像素在所述目标像素中的第三像素占比;
基于所述第一像素占比、所述第二像素占比和所述第三像素占比,确定所述目标皮肤颜色类别。
7.根据权利要求6所述的方法,其特征在于,所述基于所述第一像素占比、所述第二像素占比和所述第三像素占比,确定所述目标皮肤颜色类别,包括:
若所述第一像素占比中的最大像素占比、所述第二像素占比中的最大像素占比和所述第三像素占比中的最大像素占比指示相同的皮肤颜色类别,则将所述第一像素占比中的最大像素占比、所述第二像素占比中的最大像素占比和所述第三像素占比中的最大像素占比所指示的皮肤颜色类别确定为所述目标皮肤颜色类别;
若所述第一像素占比中的最大像素占比、所述第二像素占比中的最大像素占比和所述第三像素占比中的最大像素占比中的任意两个最大像素占比指示相同的皮肤颜色类别,另外一个最大像素占比所指示的皮肤颜色类别与所述任意两个最大像素占比所指示的皮肤颜色类别相邻,则将所述任意两个最大像素占比所指示的皮肤颜色类别确定为所述目标皮肤颜色类别;其中,相邻的像素值区间所对应的皮肤颜色类别相邻;
若所述第一像素占比中的最大像素占比、所述第二像素占比中的最大像素占比和所述第三像素占比中的最大像素占比中的任意两个最大像素占比指示相同的皮肤颜色类别,且另外一个最大像素占比所指示的皮肤颜色类别与所述任意两个最大像素占比所指示的皮肤颜色类别不相邻,或者,所述第一像素占比中的最大像素占比、所述第二像素占比中的最大像素占比和所述第三像素占比中的最大像素占比所指示的皮肤颜色类别各不相同,则计算每个所述目标像素的红色通道的像素值、绿色通道的像素值和蓝色通道的像素值的像素平均值;
基于每个目标像素的像素平均值确定所述目标皮肤颜色类别。
8.根据权利要求7所述的方法,其特征在于,所述基于每个目标像素的像素平均值确定所述目标皮肤颜色类别,包括:
针对各皮肤颜色类别,根据所述皮肤颜色类别所对应的红色通道的像素值区间的像素下限值、绿色通道的像素值区间的像素下限值和蓝色通道的像素值区间的像素下限值,确定所述皮肤颜色所对应的像素下限均值,以及,根据所述皮肤颜色类别所对应的红色通道的像素值区间的像素上限值、绿色通道的像素值区间的像素上限值和蓝色通道的像素值区间的像素上限值,确定所述皮肤颜色所对应的像素上限均值;
将所述像素下限均值和所述像素上限均值所构成的区间确定为所述皮肤颜色所对应的像素值均值区间;
确定所述像素平均值属于各像素值均值区间的像素在所述目标像素中的占比;
将所述占比中的最大占比所对应的皮肤颜色类别确定为所述目标皮肤颜色类别。
9.根据权利要求1至8中任一项所述的方法,其特征在于,通过如下步骤确定各皮肤颜色类别所对应的像素值区间:
根据预设皮肤颜色类别和标准肤色色卡,确定临界色卡所对应的像素值;其中,所述临界色卡为皮肤颜色类别发生变化时所对应的色卡;
基于所述临界色卡所对应的像素值,计算各皮肤颜色类别之间的像素阈值;
基于各个所述像素阈值确定所述各皮肤颜色类别所对应的像素值区间。
10.根据权利要求1至9中任一项所述的方法,其特征在于,所述目标对象为人脸,所述目标区域为人脸区域;
所述获取所述目标区域中的至少一部分目标像素的像素值,包括:
对所述人脸区域进行特征提取,得到所述人脸区域中的人脸特征点;
基于所述人脸特征点,确定所述人脸区域中的皮肤区域;
将所述皮肤区域中的至少一部分像素作为所述目标像素,并获取所述目标像素的像素值。
11.根据权利要求10所述的方法,其特征在于,所述皮肤区域包括至少一个局部皮肤子区域;所述局部皮肤子区域包括:下巴区域、左脸颊上区域、左脸颊中区域、左脸颊下区域、右脸颊上区域、右脸颊中区域、右脸颊下区域、鼻根区域和眉间区域。
12.一种皮肤颜色的识别装置,其特征在于,包括:
第一确定单元,用于确定待识别图像中的目标对象所对应的目标区域;
获取单元,用于获取所述目标区域中的至少一部分目标像素的像素值;其中,所述目标像素属于所述目标区域中的皮肤区域;
第二确定单元,用于基于所述像素值和各皮肤颜色类别所对应的像素值区间确定所述目标对象所属的目标皮肤颜色类别。
13.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至11中任一项所述的方法的步骤。
14.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行上述权利要求1至11中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110773480.5A CN113674366A (zh) | 2021-07-08 | 2021-07-08 | 皮肤颜色的识别方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110773480.5A CN113674366A (zh) | 2021-07-08 | 2021-07-08 | 皮肤颜色的识别方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113674366A true CN113674366A (zh) | 2021-11-19 |
Family
ID=78538704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110773480.5A Pending CN113674366A (zh) | 2021-07-08 | 2021-07-08 | 皮肤颜色的识别方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674366A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007035829A2 (en) * | 2005-09-20 | 2007-03-29 | Brightex Bio-Photonics, Llc | Systems and methods for analyzing skin conditions of people using digital images |
CN101477627A (zh) * | 2009-02-12 | 2009-07-08 | 北京像素软件科技股份有限公司 | 一种动作识别方法和系统 |
US20100316296A1 (en) * | 2005-09-20 | 2010-12-16 | Rajeshwar Chhibber | Method and system for analyzing lip conditions using digital images |
CN104732200A (zh) * | 2015-01-28 | 2015-06-24 | 广州远信网络科技发展有限公司 | 一种皮肤类型和皮肤问题的识别方法 |
US20170154238A1 (en) * | 2015-11-26 | 2017-06-01 | Le Holdings (Beijing) Co., Ltd. | Method and electronic device for skin color detection |
CN108269290A (zh) * | 2018-01-19 | 2018-07-10 | 厦门美图之家科技有限公司 | 皮肤肤色识别方法及装置 |
CN108701217A (zh) * | 2017-11-23 | 2018-10-23 | 深圳和而泰智能控制股份有限公司 | 一种人脸肤色识别方法、装置和智能终端 |
WO2019056986A1 (zh) * | 2017-09-19 | 2019-03-28 | 广州市百果园信息技术有限公司 | 肤色检测方法、装置及存储介质 |
CN110062155A (zh) * | 2019-03-25 | 2019-07-26 | 成都品果科技有限公司 | 一种基于自动测光的人像拍照优化系统、方法和装置 |
CN110148125A (zh) * | 2019-05-21 | 2019-08-20 | 苏州大学 | 基于颜色检测的自适应皮肤油脂检测方法 |
US20200210682A1 (en) * | 2017-09-14 | 2020-07-02 | Guangzhou Baiguoyuan Information Technology Co.. Ltd. | Skin color identification method, skin color identification apparatus and storage medium |
CN111476849A (zh) * | 2020-04-03 | 2020-07-31 | 腾讯科技(深圳)有限公司 | 对象颜色识别方法、装置、电子设备以及存储介质 |
CN111627076A (zh) * | 2020-04-28 | 2020-09-04 | 广州华多网络科技有限公司 | 换脸方法、装置及电子设备 |
CN111881789A (zh) * | 2020-07-14 | 2020-11-03 | 深圳数联天下智能科技有限公司 | 肤色识别方法、装置、计算设备及计算机存储介质 |
CN112102348A (zh) * | 2020-08-21 | 2020-12-18 | 深圳数联天下智能科技有限公司 | 图像处理设备 |
-
2021
- 2021-07-08 CN CN202110773480.5A patent/CN113674366A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100316296A1 (en) * | 2005-09-20 | 2010-12-16 | Rajeshwar Chhibber | Method and system for analyzing lip conditions using digital images |
WO2007035829A2 (en) * | 2005-09-20 | 2007-03-29 | Brightex Bio-Photonics, Llc | Systems and methods for analyzing skin conditions of people using digital images |
CN101477627A (zh) * | 2009-02-12 | 2009-07-08 | 北京像素软件科技股份有限公司 | 一种动作识别方法和系统 |
CN104732200A (zh) * | 2015-01-28 | 2015-06-24 | 广州远信网络科技发展有限公司 | 一种皮肤类型和皮肤问题的识别方法 |
US20170154238A1 (en) * | 2015-11-26 | 2017-06-01 | Le Holdings (Beijing) Co., Ltd. | Method and electronic device for skin color detection |
US20200210682A1 (en) * | 2017-09-14 | 2020-07-02 | Guangzhou Baiguoyuan Information Technology Co.. Ltd. | Skin color identification method, skin color identification apparatus and storage medium |
WO2019056986A1 (zh) * | 2017-09-19 | 2019-03-28 | 广州市百果园信息技术有限公司 | 肤色检测方法、装置及存储介质 |
CN108701217A (zh) * | 2017-11-23 | 2018-10-23 | 深圳和而泰智能控制股份有限公司 | 一种人脸肤色识别方法、装置和智能终端 |
CN108269290A (zh) * | 2018-01-19 | 2018-07-10 | 厦门美图之家科技有限公司 | 皮肤肤色识别方法及装置 |
CN110062155A (zh) * | 2019-03-25 | 2019-07-26 | 成都品果科技有限公司 | 一种基于自动测光的人像拍照优化系统、方法和装置 |
CN110148125A (zh) * | 2019-05-21 | 2019-08-20 | 苏州大学 | 基于颜色检测的自适应皮肤油脂检测方法 |
CN111476849A (zh) * | 2020-04-03 | 2020-07-31 | 腾讯科技(深圳)有限公司 | 对象颜色识别方法、装置、电子设备以及存储介质 |
CN111627076A (zh) * | 2020-04-28 | 2020-09-04 | 广州华多网络科技有限公司 | 换脸方法、装置及电子设备 |
CN111881789A (zh) * | 2020-07-14 | 2020-11-03 | 深圳数联天下智能科技有限公司 | 肤色识别方法、装置、计算设备及计算机存储介质 |
CN112102348A (zh) * | 2020-08-21 | 2020-12-18 | 深圳数联天下智能科技有限公司 | 图像处理设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jain et al. | Hybrid deep neural networks for face emotion recognition | |
TWI754887B (zh) | 活體檢測方法和裝置、電子設備及儲存介質 | |
Han et al. | Fast saliency-aware multi-modality image fusion | |
US20210118144A1 (en) | Image processing method, electronic device, and storage medium | |
CN109299658B (zh) | 脸部检测方法、脸部图像渲染方法、装置及存储介质 | |
Durga et al. | A ResNet deep learning based facial recognition design for future multimedia applications | |
CN108875540A (zh) | 图像处理方法、装置和系统及存储介质 | |
CN111368672A (zh) | 一种用于遗传病面部识别模型的构建方法及装置 | |
CN111008935B (zh) | 一种人脸图像增强方法、装置、系统及存储介质 | |
CN112464690A (zh) | 活体识别方法、装置、电子设备及可读存储介质 | |
CN112651333B (zh) | 静默活体检测方法、装置、终端设备和存储介质 | |
CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
Hebbale et al. | Real time COVID-19 facemask detection using deep learning | |
CN113011387A (zh) | 网络训练及人脸活体检测方法、装置、设备及存储介质 | |
CN115147936A (zh) | 一种活体检测方法、电子设备、存储介质及程序产品 | |
CN116311400A (zh) | 掌纹图像的处理方法、电子设备及存储介质 | |
Nanni et al. | A standardized approach for skin detection: Analysis of the literature and case studies | |
Ma'arif et al. | Face shape-based physiognomy in LinkedIn profiles with cascade classifier and K-means clustering | |
CN113706550A (zh) | 图像场景识别和模型训练方法、装置和计算机设备 | |
CN110795995B (zh) | 数据处理方法、装置及计算机可读存储介质 | |
CN111488887A (zh) | 基于人工智能的图像处理方法、装置 | |
CN116798041A (zh) | 图像识别方法、装置和电子设备 | |
CN116309050A (zh) | 图像超分辨率方法、程序产品、存储介质及电子设备 | |
CN113674366A (zh) | 皮肤颜色的识别方法、装置和电子设备 | |
CN113516003A (zh) | 一种应用于智慧安防的基于识别模型的识别方法及装置 |
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 |