CN113723310A - 基于神经网络的图像识别方法及相关装置 - Google Patents

基于神经网络的图像识别方法及相关装置 Download PDF

Info

Publication number
CN113723310A
CN113723310A CN202111017266.3A CN202111017266A CN113723310A CN 113723310 A CN113723310 A CN 113723310A CN 202111017266 A CN202111017266 A CN 202111017266A CN 113723310 A CN113723310 A CN 113723310A
Authority
CN
China
Prior art keywords
face
image
detection information
probability
acne
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
CN202111017266.3A
Other languages
English (en)
Other versions
CN113723310B (zh
Inventor
李康
周宸
陈远旭
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202111017266.3A priority Critical patent/CN113723310B/zh
Publication of CN113723310A publication Critical patent/CN113723310A/zh
Application granted granted Critical
Publication of CN113723310B publication Critical patent/CN113723310B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及人工智能技术领域，提出一种基于神经网络的图像识别方法及相关装置，其中方法包括：基于生成式对抗网络获取待识别人脸图像的高清人脸图像；对所述高清人脸图像进行人脸关键点提取，得到人脸感兴趣区域图像和面部轮廓二值掩码数据；对所述人脸感兴趣区域图像和所述面部轮廓二值掩码数据进行纹理提取，得到面部纹理特征；基于预设神经网络获取所述人脸感兴趣区域图像对应的第一痤疮检测信息、所述面部轮廓二值掩码对应的第二痤疮检测信息和所述面部纹理特征对应的第三痤疮检测信息；对所述第一痤疮检测信息、所述第二痤疮检测信息和所述第三痤疮检测信息进行融合决策，得到痤疮检测结果。采用本申请，可提高痤疮识别的准确率。

Description

基于神经网络的图像识别方法及相关装置
技术领域
本申请涉及人工智能技术领域，主要涉及了一种基于神经网络的图像识别方法及相关装置。
背景技术
随着生活水平的提高，人们对皮肤质量的关注度提升，如何检测人脸皮肤存在的缺陷问题及量化皮肤指标成为一项关键技术。且随着人工智能技术的快速发展以及大量的落地应用，可以将人工智能技术与医学领域的图像识别评估方法相结合，能够极大的提高病情评估的准确性和评估速率。
痤疮是一种非常常见的皮肤病，主要临床表现为粉刺、丘疹、脓包、结节、囊肿。目前，常用的痤疮识别方法包括非RGB图像识别类和传统的RGB图像识别类。非RGB图像识别的方法有荧光光谱成像技术和16波段多光谱线性判别分析。这两种方法能够有效地检测出面部痤疮色素沉淀水平，但是荧光图像和多光谱数据在诊所和研究实验室并不总是可用的，导致操作的便利性不足。
传统RGB图像识别的方法使用RGB模型或其转换中的颜色描述符执行基于内容的检测和分割。但是，业内实际应用场景中的人脸图像数据大部分都来自于使用者手动利用手机摄像头拍摄出来的，而拍摄时拍摄者所处的环境将会影响着图像的质量，存在不可控的光照或阴影，导致图像识别痤疮的准确率低。
发明内容
本申请实施例提供了一种基于神经网络的图像识别方法及相关装置，可提高痤疮识别的准确率。
第一方面，本申请实施例提供一种基于神经网络的图像识别方法，其中：
基于生成式对抗网络获取待识别人脸图像的高清人脸图像；
对所述高清人脸图像进行人脸关键点提取，得到人脸感兴趣区域图像和面部轮廓二值掩码数据；
对所述人脸感兴趣区域图像和所述面部轮廓二值掩码数据进行纹理提取，得到面部纹理特征；
基于预设神经网络获取所述人脸感兴趣区域图像对应的第一痤疮检测信息、所述面部轮廓二值掩码对应的第二痤疮检测信息和所述面部纹理特征对应的第三痤疮检测信息；
对所述第一痤疮检测信息、所述第二痤疮检测信息和所述第三痤疮检测信息进行融合决策，得到痤疮检测结果。
第二方面，本申请实施例提供一种基于神经网络的图像识别装置，其中：
第一获取单元，用于基于所述生成式对抗网络获取待识别人脸图像的高清人脸图像；
第二获取单元，用于对所述高清人脸图像进行人脸关键点提取，得到人脸感兴趣区域图像和面部轮廓二值掩码数据；
第三获取单元，用于对所述人脸感兴趣区域图像和所述面部轮廓二值掩码数据进行纹理提取，得到面部纹理特征；
第四获取单元，用于对所述人脸感兴趣区域图像、所述面部轮廓二值掩码和所述面部纹理特征进行融合决策，得到痤疮检测结果。
第三方面，本申请实施例提供一种计算机设备，包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，所述程序包括用于如第一方面中所描述的部分或全部步骤的指令。
第四方面，本申请实施例提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储计算机程序，其中，所述计算机程序使得计算机执行以实现如第一方面中所描述的部分或全部步骤。
实施本申请实施例，将具有如下有益效果：
采用了上述的基于神经网络的图像识别方法及相关装置之后，基于生成式对抗网络获取待识别人脸图像的高清人脸图像，可以强化人脸面部的细节特征，降低环境光线、电子设备等客观因素对人脸图像的影响，有利于提高痤疮识别的准确率。再对该高清人脸图像进行人脸关键点提取，得到人脸感兴趣区域图像和面部轮廓二值掩码数据。然后对人脸感兴趣区域图像和面部轮廓二值掩码数据进行纹理提取，得到面部纹理特征。然后基于预设神经网络获取人脸感兴趣区域图像对应的第一痤疮检测信息、面部轮廓二值掩码对应的第二痤疮检测信息和面部纹理特征对应的第三痤疮检测信息。最后对第一痤疮检测信息、第二痤疮检测信息和第三痤疮检测信息进行融合决策，得到痤疮检测结果。如此，可综合人脸感兴趣区域图像、面部轮廓二值掩码和面部纹理特征的优势，可进一步提高痤疮识别的准确率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为本申请实施例提供的一种基于神经网络的图像识别方法的流程示意图；
图2为本申请实施例提供的一种基于神经网络的图像识别装置的结构示意图；
图3为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。根据本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请实施例应用的网络架构包括服务器和电子设备。本申请实施例不限定电子设备和服务器的数量，服务器可同时为多个电子设备提供服务。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。服务器或者可以通过多个服务器组成的服务器集群来实现。
电子设备可以是个人计算机(personal computer，PC)、笔记本电脑或智能手机，还可以是一体机、掌上电脑、平板电脑(pad)、智能电视播放终端、车载终端或便捷式设备等。PC端的电子设备，例如一体机等，其操作系统可以包括但不限于Linux系统、Unix系统、Windows系列系统(例如Windows xp、Windows 7等)、Mac OS X系统(苹果电脑的操作系统)等操作系统。移动端的电子设备，例如智能手机等，其操作系统可以包括但不限于安卓系统、IOS(苹果手机的操作系统)、Window系统等操作系统。
电子设备可以安装并运行应用程序，服务器可以是电子设备所安装的应用程序对应的服务器，为应用程序提供应用服务。其中，应用程序可以是单独集成的应用软件，或其它应用中嵌入的小程序，或者网页上的系统等，在此不做限定。在本申请实施例中，应用程序用于识别人脸图像中的痤疮检测结果，可以应用于智慧医疗或智慧问诊等医学应用场景中。
在医学应用场景中，用户可以通过电子设备中的应用程序上传人脸图像。该应用程序或该应用程序对应的服务器可以获取人脸图像的痤疮检测结果，并通过电子设备显示该痤疮检测结果。
本申请实施例提出的一种基于神经网络的图像识别方法，该方法可以由基于神经网络的图像识别装置执行。该装置可由软件和/或硬件实现，一般可集成在电子设备或服务器中，可提高痤疮识别的准确率。
请参照图1，图1是本申请提供的一种基于神经网络的图像识别方法的流程示意图。以该方法应用在电子设备为例进行举例说明，包括如下步骤S101～S105，其中：
S101：基于生成式对抗网络获取待识别人脸图像的高清人脸图像。
在本申请实施例中，生成式对抗网络(Generative Adversarial Networks，GAN)是一种深度学习模型，包括生成器(Generator，G)和判别器(Discriminator，D)。G是一个生成图片的网络，它接收一个随机的噪声z，通过这个噪声生成图片，记做G(z)。D是一个判别网络，判别一张图片是不是“真实的”。它的输入参数是x，x代表一张图片，输出D(x)代表x为真实图片的概率，如果为1，就代表100％是真实的图片，而输出为0，就代表不可能是真实的图片。在训练过程中，G的目标就是尽量生成真实的图片去欺骗判别网络D。而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样，G和D构成了一个动态的“博弈过程”。
在本申请实施例中，G和D可使用卷积层，后连接BatchNorm层和非线性运算单元(Rectified Linear Unit，ReLU)激活函数的基础结构。G和D还可增加抛弃(dropout)层，并将其设置为0.5，以防止过拟合。且G的编码模块和解码模块之间为跳跃链接，使得对应大小的特征图以通道连接起来融合更多的特征信息。
本申请对于生成式对抗网络的训练方法不做限定，在一种可能的示例中，所述生成式对抗网络包括生成器和判别器，在步骤S101之前，还可以包括以下步骤A1～A5，其中：
A1：通过所述生成器对待训练的人脸图像进行图像处理，得到人脸图像的图像对。
在本申请实施例中，人脸图像的图像对可以包括人脸图像对应的模糊人脸图像和高清人脸图像。本申请对于图像处理的方法不做限定，步骤A1可以包括：通过所述生成器对待训练的人脸图像进行噪声扰动处理；和/或通过所述生成器对待训练的人脸图像进行颜色处理；和/或通过所述生成器对待训练的人脸图像进行对比度变换。
其中，噪声扰动处理是指对图像上的每个像素的RGB色彩模式进行随机扰动。常用的噪声模式是椒盐噪声和高斯噪声。颜色处理是指在人脸图像的RGB通道上添加随机扰动。对比度变换是指在色调(Hue，H)、饱和度(Saturation，S)和明度(Value，V)组成的颜色空间上，改变饱和度S和V亮度分量，保持色调H不变，对每一个像素的S和V分量进行指数运算，增加光照变化等。如此，通过对图像进行不同的图像处理方式，可得到不同的图像对，能够增加训练集的数据量以及样本丰富度。且图像对的处理方法中包括数据增强的数据，从而可强化人脸面部的细节特征，降低环境光线、电子设备等客观因素对人脸图像数据的影响，有利于提高痤疮检测的准确率。
A2：通过所述判别器确定所述图像对的识别率。
在本申请实施例中，图像对的识别率用于描述图像对中人脸图像的质量。该识别率可以为高清人脸图像的质量和模糊人脸图像的质量之间的平均值或最小值，或者可以为模糊人脸图像的质量等，在此不做限定。
A3：判断所述识别率是否小于预设阈值。
若所述识别率小于预设阈值，则执行步骤A4：基于所述识别率更新所述生成器，再执行步骤A1，直至训练次数等于预设次数。否则，若所述识别率大于或等于所述预设阈值，则执行步骤A5：基于所述识别率更新所述判别器，再执行步骤A1，直至所述训练次数等于所述预设次数。
本申请对于预设阈值和预设次数不做限定，预设阈值可以为指定的数值，例如，80％等。预设阈值或者可以基于训练次数和训练样本的数量进行确定，例如，训练次数越大，预设阈值越大。或者训练样本的数量越多，预设阈值越大等。预设次数为训练的最大次数，可以为指定的数值，例如，20等。预设次数或者可以基于训练样本的数量进行确定，例如，训练样本的数量为20，则预设次数为40，即每一训练样本每一次训练的次数为2次。
可以理解，通过生成器对待训练的人脸图像进行图像处理，得到人脸图像的图像对。再确定图像对的识别率，若识别率小于预设阈值，表示图像质量未达到要求，可以基于该识别率更新生成器。若识别率大于或等于预设阈值，表示图像质量达到要求，但为了提高识别精度，可以基于该识别率更新判别器。如此，经过多次训练，在训练次数等于预设次数时完成训练。将待识别人脸图像输入至训练完成的生成式对抗网络之后，可以输出该待识别人脸图像的高清人脸图像。
上述的生成式对抗网络可存储于区块链网络上创建一个区块中。区块链(Blockchain)是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。可见，通过区块链分布式存储数据，在保证数据安全性的同时，可实现信息在不同平台之间的数据共享。
S102：对所述高清人脸图像进行人脸关键点提取，得到人脸感兴趣区域图像和面部轮廓二值掩码数据。
人脸关键点检测用于识别高清人脸图像中的人脸关键点。人脸一般是有多个(例如，68、468等)关键点，可采用神经网络(该神经网络也可存储于区块链网络上创建一个区块中)实现人脸上关键点的定位。再基于同一区域的人脸关键点可所围成的人脸感兴趣区域图像，并生成面部轮廓二值掩码数据。
在本申请实施例中，人脸感兴趣区域图像是指面部轮廓区域，即过滤掉非人脸区域的图像。面部轮廓二值掩码数据只含0、1的二值矩阵数据，即对一个图像数据来说，属于人脸范围内的像素点其值为1，不属于人脸范围内的像素点其值为0。通过提取高清人脸图像中的人脸感兴趣区域图像和面部轮廓二值掩码数据，可以关注人脸面部轮廓，而过滤掉图像中非人脸区域信息影响的作用，有利于提高人脸识别的准确率。
在一种可能的示例中，步骤S102可以包括以下步骤：对所述高清人脸图像进行人脸关键点提取，得到多个关键点；基于所述关键点确定所述高清人脸图像的人脸角度；基于所述人脸角度对所述高清人脸图像进行对齐，得到参考图像；基于所述参考图像上的关键点获取人脸感兴趣区域图像和面部轮廓二值掩码数据。
其中，人脸角度可以基于眉毛(或眼睛)和鼻子(或嘴巴)对应的区域进行确定。例如，眉毛和鼻子所连接而成的三角形的角度进行确定等。可以理解，拍摄图像时可能出现倾斜，导致图像存在一定的人脸角度。在该示例中，基于关键点确定人脸角度，再进行对齐。再基于对齐之后的图像上的关键点获取人脸感兴趣区域图像和面部轮廓二值掩码数据，有利于进一步提高图像识别的准确率。
S103：对所述人脸感兴趣区域图像和所述面部轮廓二值掩码数据进行纹理提取，得到面部纹理特征。
在本申请实施例中，可采用灰度共生矩阵获取面部纹理特征。灰度共生矩阵也可存储于区块链网络上创建一个区块中。灰度共生矩阵被定义为从灰度为i的像素点出发，离开某个固定位置(相隔距离为d)的点上灰度值为j的概率，即所有估计的值可以表示成一个矩阵的形式。对于纹理变化缓慢的图像，其灰度共生矩阵对角线上的数值较大。对于纹理变化较快的图像，其灰度共生矩阵对角线上的数值较小，对角线两侧的值较大。可以理解，存在痤疮的皮肤与正常的皮肤之间的纹理特征是不同的，提取图像中的面部纹理特征有助于痤疮检测。
在一种可能的示例中，步骤S103可以包括以下步骤：基于所述面部轮廓二值掩码数据获取所述人脸感兴趣区域图像中的关键参考点；基于所述关键参考点获取面部纹理特征。
在本申请实施例中，关键参考点是指人脸感兴趣区域图像中痤疮位置对应的关键点。例如，嘴巴、鼻子、额头等区域。可以理解，基于面部轮廓二值掩码数据可以确定人脸感兴趣区域图像中五官的关键点，人脸感兴趣区域图像中除了五官之外的点可以作为关键参考点，从而可基于关键参考点的位置和走向获取面部纹理特征。如此，基于面部轮廓二值掩码数据获取人脸感兴趣区域图像中的关键参考点，再基于关键参考点获取面部纹理特征，可提高获取面部纹理特征的准确率。
S104：基于预设神经网络获取所述人脸感兴趣区域图像对应的第一痤疮检测信息、所述面部轮廓二值掩码对应的第二痤疮检测信息和所述面部纹理特征对应的第三痤疮检测信息。
在本申请实施例中，痤疮检测信息可以包括痤疮的特征信息，例如，数量、位置、大小、颜色等。痤疮检测结果可包括痤疮的类型和每一类型的概率。类型可包括痤疮粉刺、丘疹、脓包、结节、囊肿等。痤疮检测信息还可以包括痤疮的等级，例如，轻度、中度、重度等。预设神经网络获取人脸感兴趣区域图像的痤疮检测信息可以称为第一痤疮检测信息，预设神经网络获取面部轮廓二值掩码的痤疮检测信息可以称为第二痤疮检测信息。预设神经网络获取面部纹理特征的痤疮检测信息可以称为第三痤疮检测信息。
在本申请实施例中，预设神经网络可以采用一个神经网络(例如，yolov5等)获取人脸感兴趣区域图像、面部轮廓二值掩码和面部纹理特征对应的痤疮检测信息。或者采用预设神经网络中不同的子神经网络获取人脸感兴趣区域图像、面部轮廓二值掩码和面部纹理特征对应的痤疮检测信息。
例如，第一神经网络用于识别人脸感兴趣区域图像的第一痤疮检测信息，第二神经网络用于识别面部轮廓二值掩码对应的第二痤疮检测信息，第三神经网络用于识别面部纹理特征对应的第三痤疮检测信息。上述的第一神经网络、第二神经网络和第三神经网络或预设神经网络也可存储于区块链网络上创建一个区块中。
第一神经网络、第二神经网络和第三神经网络或预设神经网络均可以采用卷积神经网络。可以采用序列浮动前向选择(Sequential Floating Forward Selection，SFFS)方法进行特征选择。SFFS方法包括前向操作和返向操作两个步骤。其中，前向操作，建立一个特征集合(起始时为空集)，每次搜索时基于特定规则从特征全集中选择一个特征添加到该集合中，使已选择特征集合的分类正确率最大。返向操作，从已选特征集合中择取一个特征，若该特征同时满足去除该特征后，基于已选择特征集合的分类正确率达到最大，且大于去除前，从已选特征集合中删除该特征。
S105：对所述第一痤疮检测信息、所述第二痤疮检测信息和所述第三痤疮检测信息进行融合决策，得到痤疮检测结果。
在本申请实施例中，痤疮检测结果的内容可以参照痤疮检测信息的描述，是对第一痤疮检测信息、第二痤疮检测信息和第三痤疮检测信息进行融合决策得到的信息。本申请对于融合决策的方法不做限定，在一种可能的示例中，步骤S105可以包括以下步骤B1～B3，其中：
B1：确定所述第一痤疮检测信息、所述第二痤疮检测信息和所述第三痤疮检测信息中的差异概率和相同概率，所述差异概率包括所述第一痤疮检测信息中的第一子概率、所述第二痤疮检测信息中的第二子概率和所第三痤疮检测信息中的第三子概率。
在本申请实施例中，人脸感兴趣区域图像、面部轮廓二值掩码和面部纹理特征分别对应的痤疮检测信息中同一个维度对应的概率相同，则可以将该概率称为相同概率。人脸感兴趣区域图像、面部轮廓二值掩码和面部纹理特征分别对应的痤疮检测信息中同一个维度对应的概率不同，则可以将该概率称为差异概率。其中，与人脸感兴趣区域图像对应的第一痤疮检测信息中的差异概率称为第一子概率，与面部轮廓二值掩码对应的第二痤疮检测信息中的差异概率称为第二子概率，与面部纹理特征对应的第三痤疮检测信息中的差异概率称为第三子概率。可以理解，若人脸感兴趣区域图像、面部轮廓二值掩码和面部纹理特征之间的痤疮检测信息存在差异，可进一步确定该差异概率对应的痤疮检测结果。
B2：确定所述差异概率对应的目标概率。
在本申请实施例中，目标概率可以为对差异概率进行融合决策得到的概率。本申请对于确定目标概率的方法不做限定，在一种可能的示例中，步骤B2可以包括以下步骤B21～B23，其中：
B21：确定所述预设神经网络识别所述人脸感兴趣区域图像的第一准确率、所述面部轮廓二值掩码的第二准确率和所述面部纹理特征的第三准确率。在本申请实施例中，第一准确率是指预设神经网络识别人脸感兴趣区域图像中的痤疮检测信息的准确率，第二准确率是指预设神经网络识别面部轮廓二值掩码中的痤疮检测信息的准确率，第三准确率是指预设神经网络识别面部纹理特征中的痤疮检测信息的准确率。本申请对于确定第一准确率、第二准确率和第三准确率的方法不做限定。以下以第一准确率进行举例说明，在一种可能的示例中，步骤B21可以包括以下步骤B221～B215，其中：
B211：根据人脸感兴趣区域图像样本集中每一未标记样本和已标记样本对所述预神经网络进行训练，得到所述未标记样本的识别结果和所述已标记样本的识别结果。
在本申请实施例中，人脸感兴趣区域图像样本集中包括未标记的样本和已标记的样本，每一样本均可以为人脸感兴趣区域图像。可以将未标记的样本称为未标记样本，可以将已标记的样本称为已标记样本。已标记样本可以通过人工进行标记，或者通过神经网络进行标记。可以理解，分别将未标记样本和已标记样本输入至预设神经网络，可以得到该未标记样本的识别结果和已标记样本的识别结果。该识别结果可以为痤疮检测信息。
B212：基于所述已标记样本的识别结果和所述已标记样本的预设结果获取所述已标记样本的第一子准确率。
在本申请实施例中，已标记样本的预设结果可以为指经过人工确认的痤疮检测信息，或者为多次训练得到的痤疮检测信息。第一子准确率用于描述预设神经网络识别已标记样本的准确率，可以基于已标记样本的识别结果和预设结果之间的匹配值进行确定，例如，匹配值越大，准确率越大。
B213：基于无监督学习的神经网络获取所述未标记样本的异常概率。
在本申请实施例中，异常概率是指未标记样本为痤疮样本的概率。基于无监督学习的神经网络也可存储于区块链网络上创建一个区块中。常用的无监督学习的算法有矩阵分解算法、孤独森林算法(isolation forest)、主成分分析方法(principal componentsanalysis，PCA)、等距映射方法、局部线性嵌入方法、拉普拉斯特征映射方法、黑塞局部线性嵌入方法和局部切空间排列方法等。无监督学习里典型例子是聚类，聚类的目的在于把相似的东西聚在一起，而不关心这一类是什么。
B214：基于所述未标记样本的识别结果和所述异常概率获取所述未标记样本的第二子准确率。
在本申请实施例中，第二子准确率用于描述预设神经网络识别未标记样本的准确率。第二子准确率可以基于未标记样本的识别结果对应的痤疮概率和异常概率之间的乘积进行确定，或者基于痤疮概率和异常概率之间的最小值进行确定等。
B215：基于所述第一子准确率和所述第二子准确率确定所述预设神经网络识别所述人脸感兴趣区域图像的第一准确率。
在本申请实施例中，第一准确率可以为第一子准确率和第二子准确率的加权平均值。第一子准确率和第二子准确率的预设权值可以基于已标记样本的数量和未标记样本的数量进行确定，或者可以基于异常概率进行确定等，在此不做限定。
可以理解，在步骤B211～B215中，基于预设神经网络获取人脸感兴趣区域图像样本集中未标记样本和已标记样本的识别结果，以及未标记样本的异常概率确定预设神经网络识别人脸感兴趣区域图像的第一准确率。如此，可以在较少已标记样本的情况下，获取预设神经网络的第一准确率。B22：基于所述第一准确率、所述第二准确率和所述第三准确率确定所述第一痤疮检测信息对应的第一子权值、所述第二痤疮检测信息对应的第二子权值和所述第三痤疮检测信息对应的第三子权值。
在本申请实施例中，可预先设置不同准确率对应的权值。如此，可分别获取第一准确率对应的第一子权值、第二准确率对应的第二子权值和第三准确率对应的第三子权值。或者可以预设准确率和权值之间的计算公式。例如，第一子权值q1的计算公式如下：
Figure BDA0003240352460000121
其中，r1为第一准确率，r2为第二准确率，r3为第三准确率。
B23：对所述第一子权值和所述第一子概率、所述第二子权值和所述第二子概率以及所述第三子权值和所述第三子概率进行加权计算，得到目标概率。
目标概率p的计算公式如下：
p＝r1*q1+r2*q2+r3*q3
其中，r1为第一准确率，r2为第二准确率，r3为第三准确率。q1为第一子权值，q2为第二子权值，q3为第三子权值。
B3：基于所述目标概率和所述相同概率获取痤疮检测结果。
在一种可能的示例中，所述痤疮检测结果为痤疮检测概率，步骤B3可以包括以下步骤B31～B33，其中：
B31：确定所述目标概率对应的第一权值。
B32：确定所述相同概率对应的第二权值。
本申请对于步骤B31和步骤B32之间的执行顺序不做限定，可以先执行步骤B31，再执行步骤B32。或者先执行步骤B32，再执行步骤B32。或者同时执行步骤B31和步骤B32等。
在本申请实施例中，可预先设置不同概率对应的权值。如此，可分别获取目标概率对应的第一权值，相同概率对应的第二权值。或者可以预设概率和权值之间的计算公式。例如，第一权值为目标概率占总概率(目标概率和相同概率之间的和值)的比例，第二权值为相同概率占总概率的比例。
在一种可能的示例中，确定所述相同概率对应的维度的第一关联值；确定所述差异概率对应的维度的第二关联值；基于所述第一关联值和所述第二关联值确定所述目标概率对应的第一权值，和所述相同概率对应的第二权值。
其中，第一关联值用于描述相同概率对应的维度与痤疮检测结果的影响力，第二关联值用于描述差异概率对应的维度与痤疮检测结果的影响力。第一关联值、第二关联值可以与维度和关联维度之间的关系进行确定。可以理解，基于相同概率对应的维度的第一关联值和差异概率对应的维度的第二关联值确定目标概率对应的第一权值和相同概率对应的第二权值，可提高权值设置的准确率。
B33：对所述第一权值和所述目标概率，以及所述第二权值和所述相同概率进行加权计算，得到所述痤疮检测概率。
可以理解，在步骤B31～B33中，基于第一权值和目标概率、第二权值和相同概率获取痤疮检测概率，可以提高获取痤疮检测概率的准确率。且在步骤B1～B3中，先确定人脸感兴趣区域图像对应的第一痤疮检测信息、面部轮廓二值掩码对应的第二痤疮检测信息、面部纹理特征对应的第三痤疮检测信息中的差异概率和相同概率。再基于差异概率对应的目标概率和相同概率获取痤疮检测结果。如此，可综合人脸感兴趣区域图像、面部轮廓二值掩码和面部纹理特征的优势，可进一步提高痤疮识别的准确率。
在图1所示的方法中，基于生成式对抗网络获取待识别人脸图像的高清人脸图像，可以强化人脸面部的细节特征，降低环境光线、电子设备等客观因素对人脸图像的影响，有利于提高痤疮识别的准确率。再对该高清人脸图像进行人脸关键点提取，得到人脸感兴趣区域图像和面部轮廓二值掩码数据。然后对人脸感兴趣区域图像和面部轮廓二值掩码数据进行纹理提取，得到面部纹理特征。然后基于预设神经网络获取人脸感兴趣区域图像对应的第一痤疮检测信息、面部轮廓二值掩码对应的第二痤疮检测信息和面部纹理特征对应的第三痤疮检测信息。最后对第一痤疮检测信息、第二痤疮检测信息和第三痤疮检测信息进行融合决策，得到痤疮检测结果。如此，可综合人脸感兴趣区域图像、面部轮廓二值掩码和面部纹理特征的优势，可进一步提高痤疮识别的准确率。
上述详细阐述了本申请实施例的方法，下面提供了本申请实施例的装置。
与图1所示的实施例一致，请参照图2，图2是本申请提出的一种基于神经网络的图像识别装置的结构示意图，如图2所示，上述图像识别装置200包括：
第一获取单元201用于基于所述生成式对抗网络获取待识别人脸图像的高清人脸图像；
第二获取单元202用于对所述高清人脸图像进行人脸关键点提取，得到人脸感兴趣区域图像和面部轮廓二值掩码数据；
第三获取单元203用于对所述人脸感兴趣区域图像和所述面部轮廓二值掩码数据进行纹理提取，得到面部纹理特征；
第四获取单元204用于基于预设神经网络获取所述人脸感兴趣区域图像对应的第一痤疮检测信息、所述面部轮廓二值掩码对应的第二痤疮检测信息和所述面部纹理特征对应的第三痤疮检测信息；
融合决策单元205，用于对所述第一痤疮检测信息、所述第二痤疮检测信息和所述第三痤疮检测信息进行融合决策，得到痤疮检测结果。
在一种可能的示例中，所述融合决策单元205具体用于确定所述第一痤疮检测信息、所述第二痤疮检测信息和所述第三痤疮检测信息中的差异概率和相同概率，所述差异概率包括所述第一痤疮检测信息中的第一子概率、所述第二痤疮检测信息中的第二子概率和所第三痤疮检测信息中的第三子概率；确定所述差异概率对应的目标概率；基于所述目标概率和所述相同概率获取痤疮检测结果。
在一种可能的示例中，所述融合决策单元205具体用于确定所述预设神经网络识别所述人脸感兴趣区域图像的第一准确率、所述面部轮廓二值掩码的第二准确率和所述面部纹理特征的第三准确率；基于所述第一准确率、所述第二准确率和所述第三准确率确定所述第一痤疮检测信息对应的第一子权值、所述第二痤疮检测信息对应的第二子权值和所第三痤疮检测信息对应的第三子权值；对所述第一子权值和所述第一子概率、所述第二子权值和所述第二子概率以及所述第三子权值和所述第三子概率进行加权计算，得到目标概率。
在一种可能的示例中，所述融合决策单元205具体用于根据人脸感兴趣区域图像样本集中每一未标记样本和已标记样本对所述预设神经网络进行训练，得到所述未标记样本的识别结果和所述已标记样本的识别结果；基于所述已标记样本的识别结果和所述已标记样本的预设结果获取所述已标记样本的第一子准确率；基于无监督学习的神经网络获取所述未标记样本的异常概率；基于所述未标记样本的识别结果和所述异常概率获取所述未标记样本的第二子准确率；基于所述第一子准确率和所述第二子准确率确定所述预设神经网络识别所述人脸感兴趣区域图像的第一准确率。
在一种可能的示例中，所述痤疮检测结果为痤疮检测概率，所述融合决策单元205具体用于确定所述目标概率对应的第一权值；确定所述相同概率对应的第二权值；对所述第一权值和所述目标概率，以及所述第二权值和所述相同概率进行加权计算，得到所述痤疮检测概率。
在一种可能的示例中，所述生成式对抗网络包括生成器和判别器，所述图像处理装置200还包括训练单元206，用于通过所述生成器对待训练的人脸图像进行图像处理，得到人脸图像的图像对，所述人脸图像的图像对包括所述人脸图像对应的模糊人脸图像和高清人脸图像；通过所述判别器确定所述图像对的识别率；若所述识别率小于预设阈值，则基于所述识别率更新所述生成器，执行所述通过所述生成器对待训练的人脸图像进行图像处理，得到人脸图像的图像对的步骤，直至训练次数大于预设次数；或者若所述识别率大于或等于所述预设阈值，则基于所述识别率更新所述判别器，执行所述通过所述生成器对待训练的人脸图像进行图像处理，得到人脸图像的图像对的步骤，直至所述训练次数等于所述预设次数。
在一种可能的示例中，所述第三获取单元203具体用于基于所述面部轮廓二值掩码数据获取所述人脸感兴趣区域图像中的关键参考点；基于所述关键参考点获取面部纹理特征。
该图像识别装置200中各个单元执行详细过程可以参见前述方法实施例中的执行步骤，此处不在赘述。
与图1的实施例一致，请参照图3，图3是本申请实施例提供的一种计算机设备的结构示意图。如图3所示，该计算机设备300包括处理器310、存储器320、通信接口330以及一个或多个程序340。处理器310、存储器320和通信接口330之间通过总线350互相连接。图2所示的第一获取单元201、第二获取单元202、第三获取单元203、第四获取单元204、融合决策单元205和训练单元206所实现的相关功能可通过处理器310来实现。
上述一个或多个程序340被存储在上述存储器320中，并且被配置由上述处理器310执行，上述程序340包括用于执行以下步骤的指令：
基于生成式对抗网络获取待识别人脸图像的高清人脸图像；
对所述高清人脸图像进行人脸关键点提取，得到人脸感兴趣区域图像和面部轮廓二值掩码数据；
对所述人脸感兴趣区域图像和所述面部轮廓二值掩码数据进行纹理提取，得到面部纹理特征；
基于预设神经网络获取所述人脸感兴趣区域图像对应的第一痤疮检测信息、所述面部轮廓二值掩码对应的第二痤疮检测信息和所述面部纹理特征对应的第三痤疮检测信息；
对所述第一痤疮检测信息、所述第二痤疮检测信息和所述第三痤疮检测信息进行融合决策，得到痤疮检测结果。在一种可能的示例中，在所述对所述第一痤疮检测信息、所述第二痤疮检测信息和所述第三痤疮检测信息进行融合决策，得到痤疮检测结果方面，所述程序340具体用于执行以下步骤的指令：
确定所述第一痤疮检测信息、所述第二痤疮检测信息和所述第三痤疮检测信息中的差异概率和相同概率，所述差异概率包括所述第一痤疮检测信息中的第一子概率、所述第二痤疮检测信息中的第二子概率和所第三痤疮检测信息中的第三子概率；
确定所述差异概率对应的目标概率；
基于所述目标概率和所述相同概率获取痤疮检测结果。
在一种可能的示例中，在所述确定所述差异概率对应的目标概率方面，所述程序340具体用于执行以下步骤的指令：
确定所述预设神经网络识别所述人脸感兴趣区域图像的第一准确率、所述面部轮廓二值掩码的第二准确率和所述面部纹理特征的第三准确率；
基于所述第一准确率、所述第二准确率和所述第三准确率确定所述第一痤疮检测信息对应的第一子权值、所述第二痤疮检测信息对应的第二子权值和所第三痤疮检测信息对应的第三子权值；
对所述第一子权值和所述第一子概率、所述第二子权值和所述第二子概率以及所述第三子权值和所述第三子概率进行加权计算，得到目标概率。
在一种可能的示例中，在所述确定所述预设神经网络识别所述人脸感兴趣区域图像的第一准确率方面，所述程序340具体用于执行以下步骤的指令：
根据人脸感兴趣区域图像样本集中每一未标记样本和已标记样本对所述预设神经网络进行训练，得到所述未标记样本的识别结果和所述已标记样本的识别结果；
基于所述已标记样本的识别结果和所述已标记样本的预设结果获取所述已标记样本的第一子准确率；
基于无监督学习的神经网络获取所述未标记样本的异常概率；
基于所述未标记样本的识别结果和所述异常概率获取所述未标记样本的第二子准确率；
基于所述第一子准确率和所述第二子准确率确定所述预设神经网络识别所述人脸感兴趣区域图像的第一准确率。
在一种可能的示例中，所述痤疮检测结果为痤疮检测概率，在所述基于所述目标概率和所述相同概率获取痤疮检测结果方面，所述程序340具体用于执行以下步骤的指令：
确定所述目标概率对应的第一权值；
确定所述相同概率对应的第二权值；
对所述第一权值和所述目标概率，以及所述第二权值和所述相同概率进行加权计算，得到所述痤疮检测概率。
在一种可能的示例中，所述生成式对抗网络包括生成器和判别器，在所述基于生成式对抗网络获取待识别人脸图像的高清人脸图像之前，所述程序340还用于执行以下步骤的指令：
通过所述生成器对待训练的人脸图像进行图像处理，得到人脸图像的图像对，所述人脸图像的图像对包括所述人脸图像对应的模糊人脸图像和高清人脸图像；
通过所述判别器确定所述图像对的识别率；
若所述识别率小于预设阈值，则基于所述识别率更新所述生成器，执行所述通过所述生成器对待训练的人脸图像进行图像处理，得到人脸图像的图像对的步骤，直至训练次数大于预设次数；或者
若所述识别率大于或等于所述预设阈值，则基于所述识别率更新所述判别器，执行所述通过所述生成器对待训练的人脸图像进行图像处理，得到人脸图像的图像对的步骤，直至所述训练次数等于所述预设次数。
在一种可能的示例中，在所述对所述人脸感兴趣区域图像和所述面部轮廓二值掩码数据进行纹理提取，得到面部纹理特征方面，所述程序340具体用于执行以下步骤的指令：
基于所述面部轮廓二值掩码数据获取所述人脸感兴趣区域图像中的关键参考点；
基于所述关键参考点获取面部纹理特征。
本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于存储计算机程序，该计算机程序使得计算机执行以实现方法实施例中记载的任一方法的部分或全部步骤，计算机包括电子设备和服务器。
本申请实施例还提供一种计算机程序产品，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，计算机程序可操作来使计算机执行以实现方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包，计算机包括电子设备和服务器。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模式并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可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，例如至少一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，可以是电性或其它的形式。
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，或者也可以分布到至少一个网络单元上。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，在本申请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，也可以采用软件程序模式的形式实现。
集成的单元如果以软件程序模式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器中。根据这样的理解，本申请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器中，包括若干指令用以使得一台计算机(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(read-only memory，ROM)、随机存取存储器(random accessmemory，RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种基于神经网络的图像识别方法，其特征在于，包括：
基于生成式对抗网络获取待识别人脸图像的高清人脸图像；
对所述高清人脸图像进行人脸关键点提取，得到人脸感兴趣区域图像和面部轮廓二值掩码数据；
对所述人脸感兴趣区域图像和所述面部轮廓二值掩码数据进行纹理提取，得到面部纹理特征；
基于预设神经网络获取所述人脸感兴趣区域图像对应的第一痤疮检测信息、所述面部轮廓二值掩码对应的第二痤疮检测信息和所述面部纹理特征对应的第三痤疮检测信息；
对所述第一痤疮检测信息、所述第二痤疮检测信息和所述第三痤疮检测信息进行融合决策，得到痤疮检测结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述第一痤疮检测信息、所述第二痤疮检测信息和所述第三痤疮检测信息进行融合决策，得到痤疮检测结果，包括：
确定所述第一痤疮检测信息、所述第二痤疮检测信息和所述第三痤疮检测信息中的差异概率和相同概率，所述差异概率包括所述第一痤疮检测信息中的第一子概率、所述第二痤疮检测信息中的第二子概率和所第三痤疮检测信息中的第三子概率；
确定所述差异概率对应的目标概率；
基于所述目标概率和所述相同概率获取痤疮检测结果。
3.根据权利要求2所述的方法，其特征在于，所述确定所述差异概率对应的目标概率，包括：
确定所述预设神经网络识别所述人脸感兴趣区域图像的第一准确率、所述面部轮廓二值掩码的第二准确率和所述面部纹理特征的第三准确率；
基于所述第一准确率、所述第二准确率和所述第三准确率确定所述第一痤疮检测信息对应的第一子权值、所述第二痤疮检测信息对应的第二子权值和所第三痤疮检测信息对应的第三子权值；
对所述第一子权值和所述第一子概率、所述第二子权值和所述第二子概率以及所述第三子权值和所述第三子概率进行加权计算，得到目标概率。
4.根据权利要求3所述的方法，其特征在于，所述确定所述预设神经网络识别所述人脸感兴趣区域图像的第一准确率，包括：
根据人脸感兴趣区域图像样本集中每一未标记样本和已标记样本对所述预设神经网络进行训练，得到所述未标记样本的识别结果和所述已标记样本的识别结果；
基于所述已标记样本的识别结果和所述已标记样本的预设结果获取所述已标记样本的第一子准确率；
基于无监督学习的神经网络获取所述未标记样本的异常概率；
基于所述未标记样本的识别结果和所述异常概率获取所述未标记样本的第二子准确率；
基于所述第一子准确率和所述第二子准确率确定所述预设神经网络识别所述人脸感兴趣区域图像的第一准确率。
5.根据权利要求2所述的方法，其特征在于，所述痤疮检测结果为痤疮检测概率，所述基于所述目标概率和所述相同概率获取痤疮检测结果，包括：
确定所述目标概率对应的第一权值；
确定所述相同概率对应的第二权值；
对所述第一权值和所述目标概率，以及所述第二权值和所述相同概率进行加权计算，得到所述痤疮检测概率。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述生成式对抗网络包括生成器和判别器，在所述基于生成式对抗网络获取待识别人脸图像的高清人脸图像之前，所述方法还包括：
通过所述生成器对待训练的人脸图像进行图像处理，得到人脸图像的图像对，所述人脸图像的图像对包括所述人脸图像对应的模糊人脸图像和高清人脸图像；
通过所述判别器确定所述图像对的识别率；
若所述识别率小于预设阈值，则基于所述识别率更新所述生成器，执行所述通过所述生成器对待训练的人脸图像进行图像处理，得到人脸图像的图像对的步骤，直至训练次数等于预设次数；或者
若所述识别率大于或等于所述预设阈值，则基于所述识别率更新所述判别器，执行所述通过所述生成器对待训练的人脸图像进行图像处理，得到人脸图像的图像对的步骤，直至所述训练次数等于所述预设次数。
7.根据权利要求1-5中任一项所述的方法，其特征在于，所述对所述人脸感兴趣区域图像和所述面部轮廓二值掩码数据进行纹理提取，得到面部纹理特征，包括：
基于所述面部轮廓二值掩码数据获取所述人脸感兴趣区域图像中的关键参考点；
基于所述关键参考点获取面部纹理特征。
8.一种基于神经网络的图像识别装置，其特征在于，包括：
第一获取单元，用于基于所述生成式对抗网络获取待识别人脸图像的高清人脸图像；
第二获取单元，用于对所述高清人脸图像进行人脸关键点提取，得到人脸感兴趣区域图像和面部轮廓二值掩码数据；
第三获取单元，用于对所述人脸感兴趣区域图像和所述面部轮廓二值掩码数据进行纹理提取，得到面部纹理特征；
第四获取单元，用于基于预设神经网络获取所述人脸感兴趣区域图像对应的第一痤疮检测信息、所述面部轮廓二值掩码对应的第二痤疮检测信息和所述面部纹理特征对应的第三痤疮检测信息；
融合决策单元，用于对所述第一痤疮检测信息、所述第二痤疮检测信息和所述第三痤疮检测信息进行融合决策，得到痤疮检测结果。
9.一种计算机设备，其特征在于，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行权利要求1-7中任一项方法中的步骤的指令。
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存储计算机程序，所述计算机程序使得计算机执行以实现权利要求1-7中任一项所述的方法。
CN202111017266.3A 2021-08-31 2021-08-31 基于神经网络的图像识别方法及相关装置 Active CN113723310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111017266.3A CN113723310B (zh) 2021-08-31 2021-08-31 基于神经网络的图像识别方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111017266.3A CN113723310B (zh) 2021-08-31 2021-08-31 基于神经网络的图像识别方法及相关装置

Publications (2)

Publication Number Publication Date
CN113723310A true CN113723310A (zh) 2021-11-30
CN113723310B CN113723310B (zh) 2023-09-05

Family

ID=78680239

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111017266.3A Active CN113723310B (zh) 2021-08-31 2021-08-31 基于神经网络的图像识别方法及相关装置

Country Status (1)

Country Link
CN (1) CN113723310B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117333487A (zh) * 2023-12-01 2024-01-02 深圳市宗匠科技有限公司 一种痘痘分级方法、装置、设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090196475A1 (en) * 2008-02-01 2009-08-06 Canfield Scientific, Incorporated Automatic mask design and registration and feature detection for computer-aided skin analysis
CN103324952A (zh) * 2013-05-27 2013-09-25 北京工业大学 基于特征提取的痤疮分类方法
CN103745204A (zh) * 2014-01-17 2014-04-23 公安部第三研究所 一种基于斑痣点的体貌特征比对方法
CN107679490A (zh) * 2017-09-29 2018-02-09 百度在线网络技术（北京）有限公司 用于检测图像质量的方法和装置
CN108805018A (zh) * 2018-04-27 2018-11-13 淘然视界(杭州)科技有限公司 道路交通标志检测识别方法、电子设备、存储介质及系统
WO2019014812A1 (zh) * 2017-07-17 2019-01-24 深圳和而泰智能控制股份有限公司 一种检测人脸瑕疵点的方法和智能终端
CN109410318A (zh) * 2018-09-30 2019-03-01 先临三维科技股份有限公司 三维模型生成方法、装置、设备和存储介质
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
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
CN110321920A (zh) * 2019-05-08 2019-10-11 腾讯科技（深圳）有限公司 图像分类方法、装置、计算机可读存储介质和计算机设备
CN112633144A (zh) * 2020-12-21 2021-04-09 平安科技（深圳）有限公司 人脸遮挡检测方法、系统、设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090196475A1 (en) * 2008-02-01 2009-08-06 Canfield Scientific, Incorporated Automatic mask design and registration and feature detection for computer-aided skin analysis
CN103324952A (zh) * 2013-05-27 2013-09-25 北京工业大学 基于特征提取的痤疮分类方法
CN103745204A (zh) * 2014-01-17 2014-04-23 公安部第三研究所 一种基于斑痣点的体貌特征比对方法
WO2019014812A1 (zh) * 2017-07-17 2019-01-24 深圳和而泰智能控制股份有限公司 一种检测人脸瑕疵点的方法和智能终端
CN107679490A (zh) * 2017-09-29 2018-02-09 百度在线网络技术（北京）有限公司 用于检测图像质量的方法和装置
CN108805018A (zh) * 2018-04-27 2018-11-13 淘然视界(杭州)科技有限公司 道路交通标志检测识别方法、电子设备、存储介质及系统
CN109410318A (zh) * 2018-09-30 2019-03-01 先临三维科技股份有限公司 三维模型生成方法、装置、设备和存储介质
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
CN110321920A (zh) * 2019-05-08 2019-10-11 腾讯科技（深圳）有限公司 图像分类方法、装置、计算机可读存储介质和计算机设备
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
CN112633144A (zh) * 2020-12-21 2021-04-09 平安科技（深圳）有限公司 人脸遮挡检测方法、系统、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117333487A (zh) * 2023-12-01 2024-01-02 深圳市宗匠科技有限公司 一种痘痘分级方法、装置、设备及存储介质
CN117333487B (zh) * 2023-12-01 2024-03-29 深圳市宗匠科技有限公司 一种痘痘分级方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113723310B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
US11830230B2 (en) Living body detection method based on facial recognition, and electronic device and storage medium
CN110569756B (zh) 人脸识别模型构建方法、识别方法、设备和存储介质
Fourati et al. Anti-spoofing in face recognition-based biometric authentication using image quality assessment
CN108229297B (zh) 人脸识别方法和装置、电子设备、计算机存储介质
CN112084917B (zh) 一种活体检测方法及装置
CN111160313B (zh) 一种基于lbp-vae异常检测模型的人脸表示攻击检测方法
WO2021137946A1 (en) Forgery detection of face image
CN111626163B (zh) 一种人脸活体检测方法、装置及计算机设备
WO2022199419A1 (zh) 人脸检测方法、装置、终端设备及计算机可读存储介质
Chang et al. Face anti-spoofing detection based on multi-scale image quality assessment
Fried et al. Patch2vec: Globally consistent image patch representation
CN112052832A (zh) 人脸检测的方法、装置和计算机存储介质
CN114973349A (zh) 面部图像处理方法和面部图像处理模型的训练方法
Prakash et al. Background region based face orientation prediction through HSV skin color model and K-means clustering
CN113033305B (zh) 活体检测方法、装置、终端设备和存储介质
CN113723310B (zh) 基于神经网络的图像识别方法及相关装置
CN113743365A (zh) 人脸识别过程中的欺诈行为检测方法及装置
Aherrahrou et al. A novel cancelable finger vein templates based on LDM and RetinexGan
Ren et al. Face and facial expressions recognition and analysis
CN116188956A (zh) 一种深度伪造人脸图像检测的方法及相关设备
Elloumi et al. Anti-spoofing in face recognition: Deep learning and image quality assessment-based approaches
Ilyas et al. E-Cap Net: an efficient-capsule network for shallow and deepfakes forgery detection
CN115546906A (zh) 检测图像中人脸活度的系统和方法及电子设备
CN114118412A (zh) 证件识别模型训练及证件识别的方法、系统、设备及介质
Jain et al. Effective approach for facial expression recognition using hybrid square-based diagonal pattern geometric model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant