CN116091487B - 一种基于图像识别的皮肤皱纹分析比对方法及系统 - Google Patents

一种基于图像识别的皮肤皱纹分析比对方法及系统 Download PDF

Info

Publication number
CN116091487B
CN116091487B CN202310206398.3A CN202310206398A CN116091487B CN 116091487 B CN116091487 B CN 116091487B CN 202310206398 A CN202310206398 A CN 202310206398A CN 116091487 B CN116091487 B CN 116091487B
Authority
CN
China
Prior art keywords
wrinkle
target person
resolution
wrinkles
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.)
Active
Application number
CN202310206398.3A
Other languages
English (en)
Other versions
CN116091487A (zh
Inventor
班慧珍
余丹丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHENZHEN CITY BAOAN DISTRICT SHIYAN PEOPLE'S HOSPITAL
Original Assignee
SHENZHEN CITY BAOAN DISTRICT SHIYAN PEOPLE'S HOSPITAL
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SHENZHEN CITY BAOAN DISTRICT SHIYAN PEOPLE'S HOSPITAL filed Critical SHENZHEN CITY BAOAN DISTRICT SHIYAN PEOPLE'S HOSPITAL
Priority to CN202310206398.3A priority Critical patent/CN116091487B/zh
Publication of CN116091487A publication Critical patent/CN116091487A/zh
Application granted granted Critical
Publication of CN116091487B publication Critical patent/CN116091487B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • 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
    • G06V40/172—Classification, e.g. identification
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及皮肤皱纹分析比对技术领域，具体公开一种基于图像识别的皮肤皱纹分析比对方法及系统，包括：面部图像采集模块、面部图像预处理模块、面部皱纹灰度处理分析模块、面部皱纹滤波处理分析模块、面部皱纹综合分析模块、面部皱纹调理分析与显示模块和云存储库。通过对目标人员对应各分辨率的灰度面部图像进行各重点关注区域和各常态关注区域划分，并由此对目标人员对应各分辨率中重点关注区域的皱纹评估指数和常态关注区域的皱纹评估指数进行分析，实现了对目标人员对应各分辨率的灰度面部图像中皱纹的分区分析，进一步提升了目标人员对应各分辨率的灰度面部图像中皱纹分析结果的针对性和可靠性。

Description

一种基于图像识别的皮肤皱纹分析比对方法及系统
技术领域
本发明涉及皮肤皱纹分析比对技术领域，具体而言，涉及一种基于图像识别的皮肤皱纹分析比对方法及系统。
背景技术
随着人民生活水平的提高，人们对于美的追求也越来越高，皮肤的美容护理也成为人们的关注重点。其中，脸部皮肤作为广受关注的皮肤部位之一，其衰老研究和抗衰老研究多如繁星。皱纹不仅作为皮肤老化的重要特征，同时还作为生理年龄的相关特征，其皮肤皱纹分析比对的重要性不言而喻。
目前的美容院对用户的皮肤皱纹进行分析时，主要是通过对其面部图像进行采集，并对其面部图像进行灰度化处理或进行滤波处理，而不是对用户对应灰度化处理的面部图像和滤波处理的面部图像进行综合分析，造成了用户对应皱纹分析结果的片面性和单一性，无法确保用户对应皱纹分析结果的可靠性和说服力。
目前的美容院对用户的皮肤皱纹进行分析时，不仅没有对用户面部的粗大皱纹区域和细小皱纹区域进行针对性分析，同时还忽略了对用户面部的高发皱纹区域进行深入性分析，容易造成后续用户皮肤皱纹状态分析结果存在误差性，不利于对用户面部皮肤皱纹区域进行针对性的改善，进一步降低了用户面部皱纹分析的实用性和有效性。
发明内容
为了克服背景技术中的缺点，本发明实施例提供了一种基于图像识别的皮肤皱纹分析比对方法及系统,能够有效解决上述背景技术中涉及的问题。
本发明的目的可以通过以下技术方案来实现：本发明第一方面提供一种基于图像识别的皮肤皱纹分析比对方法，包括：F1、面部图像采集：对目标人员对应的面部图像进行采集，并对目标人员对应的面部图像进行各分辨率显示。
F2、面部图像预处理：对目标人员对应各分辨率的面部图像进行预处理，得到目标人员对应各分辨率的预处理面部图像。
F3、面部皱纹灰度处理分析：对目标人员对应各分辨率的预处理面部图像进行灰度化处理和分析，并由此对目标人员对应灰度处理的皱纹评估指数进行分析。
F4、面部皱纹滤波处理分析：对目标人员对应各分辨率的预处理面部图像进行滤波处理和分析，并由此对目标人员对应滤波处理的皱纹评估指数进行分析。
F5、面部皱纹综合分析：对目标人员对应的综合皱纹评估系数进行分析。
F6、面部皱纹调理分析与显示：对目标人员对应的面部皱纹状态进行分析，若目标人员对应的面部皱纹状态为异常状态，则对目标人员对应的调理难度评估指数进行分析，并进行相应的显示。
在一个具体的实施例中，所述对目标人员对应的面部图像进行各分辨率显示，其具体执行过程为：将目标人员对应的面部图像通过各屏幕分辨率标准进行相应的显示，由此得到目标人员对应各分辨率的面部图像。
在一个具体的实施例中，所述对目标人员对应各分辨率的面部图像进行预处理，其具体预处理方式为：从目标人员对应各分辨率的面部图像内识别各非皱纹特征，并对目标人员对应各分辨率上各非皱纹特征进行剔除，得到目标人员对应各分辨率的预处理面部图像。
在一个具体的实施例中，所述对目标人员对应各分辨率的预处理面部图像进行灰度化处理和分析，其具体处理和分析方式如下：将目标人员对应各分辨率的预处理面部图像进行灰度化处理，并从目标人员对应各分辨率的灰度面部图像中提取其对应的五官特征，同时将其进行区域标记，得到目标人员对应各分辨率中各标记区域的灰度图像，并通过分析得到目标人员对应各分辨率中各皱纹高发区域的灰度图像。
将目标人员对应各分辨率的灰度面部图像中的各标记区域和各皱纹高发区域进行剔除，得到目标人员对应各分辨率的目标灰度面部图像，并将其按照预设的划分方式进行区域划分，得到目标人员对应各分辨率中各子目标区域的灰度图像。
将目标人员对应各分辨率的各皱纹高发区域的灰度图像和各子目标区域的灰度图像按照设定的放大比例进行等比例放大，并分别记为各重点关注区域和各常态关注区域。
在一个具体的实施例中，所述对目标人员对应灰度处理的皱纹评估指数进行分析，其具体分析方式如下：对目标人员对应各重点关注区域的面积进行获取，记为
Figure SMS_1
，j表示为各重点关注区域的编号，/>
Figure SMS_2
，对目标人员对应各常态关注区域的面积进行获取，记为/>
Figure SMS_3
，r表示为各常态关注区域的编号，/>
Figure SMS_4
。
从目标人员对应各分辨率的各重点关注区域的灰度图像中提取目标人员对应各分辨率中各重点关注区域的皱纹数量、各皱纹的长度和各皱纹的宽度，并分别记为
Figure SMS_5
和/>
Figure SMS_6
，i表示为各分辨率的编号，/>
Figure SMS_7
，f表示为各皱纹的编号，
Figure SMS_8
，进而通过计算得到目标人员对应各分辨率中各重点关注区域的皱纹分布密度，记为/>
Figure SMS_9
。
从云存储库中提取各分辨率对应重点关注区域的参考皱纹数量、参考皱纹长度、参考皱纹宽度、参考皱纹密度，并分别记为
Figure SMS_10
。
依据公式
Figure SMS_11
计算出目标人员对应各分辨率中重点关注区域的皱纹评估指数，/>
Figure SMS_12
表示为目标人员对应第i个分辨率中重点关注区域的皱纹评估指数，e表示为自然常数，/>
Figure SMS_13
分别表示为设定的重点关注区域对应皱纹数量、皱纹长度、皱纹宽度、皱纹密度的皱纹评估因子。
从目标人员对应各分辨率的各常态关注区域的灰度图像中提取目标人员对应各分辨率中各常态关注区域的皱纹数量、各皱纹的长度和各皱纹的宽度，并分别记为
Figure SMS_14
和/>
Figure SMS_15
，p表示为各皱纹的编号，/>
Figure SMS_16
，进而通过计算得到目标人员对应各分辨率中各常态关注区域的皱纹分布密度，记为/>
Figure SMS_17
。
从云存储库中提取各分辨率对应常态关注区域的参考皱纹数量、参考皱纹长度、参考皱纹宽度、参考皱纹密度，并分别记为
Figure SMS_18
。
依据公式
Figure SMS_19
计算出目标人员对应各分辨率中常态关注区域的皱纹评估指数，/>
Figure SMS_20
表示为目标人员对应第i个分辨率中常态关注区域的皱纹评估指数，/>
Figure SMS_21
分别表示为设定的常态关注区域对应皱纹数量、皱纹长度、皱纹宽度、皱纹密度的皱纹评估因子。
依据公式
Figure SMS_22
计算出目标人员对应灰度处理的皱纹评估指数，/>
Figure SMS_23
表示为目标人员对应灰度处理的皱纹评估指数，/>
Figure SMS_24
分别表示为设定的重点关注区域皱纹评估指数、常态关注区域皱纹评估指数对应的系数因子。
在一个具体的实施例中，所述对目标人员对应各分辨率的预处理面部图像进行滤波处理和分析，其具体处理方式如下：从目标人员对应各分辨率的预处理面部图像中提取其对应的五官特征，并将目标人员对应各分辨率的预处理面部图像中的五官特征进行剔除，得到目标人员对应各分辨率的二次处理面部图像。
将目标人员对应各分辨率的二次处理面部图像进行灰度化处理，并从中提取各皱纹的宽度，将目标人员对应各分辨率的二次处理面部灰度图像中各皱纹的宽度与设定的粗大皱纹对应的宽度进行对比，若某皱纹的宽度大于或等于设定的粗大皱纹对应的宽度，则将该皱纹记为粗大皱纹，反之，则将该皱纹记为细小皱纹。
按照各粗大皱纹和各细小皱纹对应的区域将目标人员对应各分辨率的二次处理面部图像分割为各粗大皱纹区域和各细小皱纹区域，并通过Gabor滤波器对目标人员对应各分辨率中各细小皱纹区域的二次处理面部图像进行滤波处理，得到目标人员对应各分辨率中各细小皱纹区域的滤波图像，同时通过Frangi滤波器对目标人员对应各分辨率中各粗大皱纹区域的二次处理面部图像进行滤波处理，得到目标人员对应各分辨率中各粗大皱纹区域的滤波图像。
在一个具体的实施例中，所述对目标人员对应滤波处理的皱纹评估指数进行分析，其具体分析方式如下：从目标人员对应各分辨率中各细小皱纹区域的滤波图像中提取目标人员对应各分辨率中各细小皱纹区域的皱纹长度、皱纹宽度，分别记为
Figure SMS_25
，q表示为各细小皱纹区域的编号，/>
Figure SMS_26
，同时统计目标人员对应各分辨率的滤波图像中细小皱纹数量，记为/>
Figure SMS_27
，并通过计算得到目标人员对应各分辨率中细小皱纹区域的皱纹评估指数，记为/>
Figure SMS_28
。
从目标人员对应各分辨率中各粗大皱纹区域的滤波图像中提取目标人员对应各分辨率中各粗大皱纹区域的皱纹长度、皱纹宽度，分别记为
Figure SMS_29
，k表示为各粗大皱纹区域的编号，/>
Figure SMS_30
，同时统计目标人员对应各分辨率的滤波图像中粗大皱纹数量，记为/>
Figure SMS_31
，并通过计算得到目标人员对应各分辨率中粗大皱纹区域的皱纹评估指数，记为
Figure SMS_32
。
依据公式
Figure SMS_33
计算出目标人员对应滤波处理的皱纹评估指数，/>
Figure SMS_34
表示为目标人员对应滤波处理的皱纹评估指数，/>
Figure SMS_35
分别表示为设定的细小皱纹区域的皱纹评估指数、粗大皱纹区域的皱纹评估指数对应的皱纹评估因子。
在一个具体的实施例中，所述对目标人员对应的综合皱纹评估系数进行分析，其具体分析公式为：
Figure SMS_36
，/>
Figure SMS_37
表示为目标人员的对应的综合皱纹评估系数，/>
Figure SMS_38
分别表示为设定的灰度处理皱纹评估指数、滤波处理皱纹评估指数对应的系数因子。
在一个具体的实施例中，所述对目标人员对应的面部皱纹状态及调理难度评估指数进行分析，其具体分析方式为：通过分析得到目标人员对应的参考综合皱纹评估系数，记为
Figure SMS_39
，并通过分析得到目标人员对应的面部皱纹状态，若其面部皱纹状态为异常状态，则通过分析得到目标人员对应的调理难度评估指数，记为/>
Figure SMS_40
。
本发明第二方面提供一种基于图像识别的皮肤皱纹分析比对系统，包括：面部图像采集模块，用于对目标人员对应的面部图像进行采集，并对目标人员对应的面部图像进行各分辨率显示。
面部图像预处理模块，用于对目标人员对应各分辨率的面部图像进行预处理。
面部皱纹灰度处理分析模块，用于对目标人员对应各分辨率的预处理面部图像进行灰度化处理和分析。
面部皱纹滤波处理分析模块，用于对目标人员对应各分辨率的预处理面部图像进行滤波处理和分析。
面部皱纹综合分析模块，用于对目标人员对应的综合皱纹评估系数进行分析，并获取目标人员对应净肤后的皮肤含水量和皮肤含油量。
面部皱纹调理分析与显示模块，用于对目标人员对应的面部皱纹状态及调理难度评估指数进行分析，并进行相应的显示。
云存储库，用于存储各分辨率对应重点关注区域的参考皱纹数量、参考皱纹长度、参考皱纹宽度、参考皱纹密度和常态关注区域的参考皱纹数量、参考皱纹长度、参考皱纹宽度、参考皱纹密度，并存储目标人员的年龄。
相对于现有技术，本发明的实施例至少具有如下优点或有益效果：本发明通过对目标人员对应各分辨率的面部图像进行采集和分析，避免了因分辨率不同而造成的皱纹分析结果的不同，在很大程度上消除了皱纹分析结果的片面性和单一性，大幅度提升了皱纹分析结果的可信度。
本发明通过对目标人员对应各分辨率的灰度面部图像进行各重点关注区域和各常态关注区域划分，并由此对目标人员对应各分辨率中重点关注区域的皱纹评估指数和常态关注区域的皱纹评估指数进行分析，实现了对目标人员对应各分辨率的灰度面部图像中皱纹的分区分析，进一步提升了目标人员对应各分辨率的灰度面部图像中皱纹分析结果的针对性和可靠性。
本发明通过对目标人员对应各分辨率的二次处理面部图像进行分析，并将其划分成各粗大皱纹区域和各细小皱纹区域，同时通过相应的滤波器对其进行处理，进而对目标人员对应滤波处理的皱纹评估指数进行分析，在很大程度上提升了目标人员对应滤波处理皱纹评估结果的精准性和可靠性，为后续目标人员对应综合皱纹评估提供了强有力的数据支撑。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明方法步骤流程示意图。
图2为本发明系统模块连接示意图。
具体实施方式
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清楚、完整地描述，显然，所描述的实施例仅仅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。
参照图1所示，本发明第一方面提供一种基于图像识别的皮肤皱纹分析比对方法，包括如下步骤：F1、面部图像采集：对目标人员对应的面部图像进行采集，并对目标人员对应的面部图像进行各分辨率显示。
需要说明的是，对目标人员对应的面部图像进行采集具体为：通过补光灯对目标人员对应的面部进行灯源补充，同时通过智能摄像头对其对应的闭眼面部图像进行采集，由此得到目标人员对应的面部图像。
作为本发明的进一步改进，所述对目标人员对应的面部图像进行各分辨率显示，其具体执行过程为：将目标人员对应的面部图像通过各屏幕分辨率标准进行相应的显示，由此得到目标人员对应各分辨率的面部图像。
作为优选方案，本发明通过对目标人员对应各分辨率的面部图像进行采集和分析，避免了因分辨率不同而造成的皱纹分析结果的不同，在很大程度上消除了皱纹分析结果的片面性和单一性，大幅度提升了皱纹分析结果的可信度。
F2、面部图像预处理：对目标人员对应各分辨率的面部图像进行预处理，得到目标人员对应各分辨率的预处理面部图像。
作为本发明的进一步改进，所述对目标人员对应各分辨率的面部图像进行预处理，其具体预处理方式为：从目标人员对应各分辨率的面部图像内识别各非皱纹特征，并对目标人员对应各分辨率上各非皱纹特征进行剔除，得到目标人员对应各分辨率的预处理面部图像。
需要说明的是，从目标人员对应各分辨率的面部图像内识别非皱纹特征其具体识别方式为：对目标人员对应各分辨率的面部图像进行像素点分割，将目标人员对应各分辨率的面部图像中各像素点与其设定的各非皱纹特征对应的像素点进行匹配，若某像素点匹配成功，则将该像素点记为非皱纹特征像素点，并将相邻非皱纹特征像素点进行整合，得到各非皱纹特征，由此构成目标人员对应各分辨率的面部图像内的各非皱纹特征。
需要解释的是，非皱纹特征包括但不限于：斑点、毛发、疤痕。
F3、面部皱纹灰度处理分析：对目标人员对应各分辨率的预处理面部图像进行灰度化处理和分析，并由此对目标人员对应灰度处理的皱纹评估指数进行分析。
作为本发明的进一步改进，对目标人员对应各分辨率的预处理面部图像进行灰度化处理和分析，其具体处理和分析方式如下：将目标人员对应各分辨率的预处理面部图像进行灰度化处理，并从目标人员对应各分辨率的灰度面部图像中提取其对应的五官特征，同时将其进行区域标记，得到目标人员对应各分辨率中各标记区域的灰度图像，并通过分析得到目标人员对应各分辨率中各皱纹高发区域的灰度图像。
需要说明的是，目标人员对应各分辨率中各标记区域包括左眼标记区域、右眼标记区域、左眉标记区域、右眉标记区域、鼻部标记区域和嘴部标记区域。
进一步地，目标人员对应各分辨率中各皱纹高发区域的灰度图像，其具体分析过程为：（1）从目标人员对应各分辨率的各标记区域中提取其对应的左眼标记区域，将目标人员对应各分辨率的左眼标记区域按照预设的扩大比例向其对应左方和下方进行扩大，得到目标人员对应各分辨率的扩大左眼标记区域，并对目标人员对应各分辨率的扩大左眼标记区域内的左眼标记区域进行剔除，将剔除后的目标人员对应各分辨率的扩大左眼标记区域作为皱纹高发区域，进而获取其对应的灰度图像。
（2）从目标人员对应各分辨率的各标记区域中提取其对应的右眼标记区域，将目标人员对应各分辨率的右眼标记区域按照预设的扩大比例向其对应右方和下方进行扩大，得到目标人员对应各分辨率的扩大右眼标记区域，并对目标人员对应各分辨率的扩大右眼标记区域内的右眼标记区域进行剔除，将剔除后的目标人员对应各分辨率的扩大右眼标记区域作为皱纹高发区域，进而获取其对应的灰度图像。
（3）从目标人员对应各分辨率的各标记区域中提取其对应的左眉标记区域和右眉标记区域，并将左眉标记区域和右眉标记区域正上方的区域进行标记，记为额头区域，作为目标人员对应各分辨率的皱纹高发区域，进而获取其对应的灰度图像。
（4）从目标人员对应各分辨率的各标记区域中提取其对应的鼻部标记区域，并将目标人员对应各分辨率的鼻部标记区域、左眉标记区域、右眉标记区域中间的区域记为眉间区域，作为目标人员对应各分辨率的皱纹高发区域，进而获取其对应的灰度图像。
（5）从目标人员对应各分辨率的各标记区域中提取其对应的嘴部标记区域，并将其按照预设的扩大比例向其对应左方和右方进行扩大，得到目标人员对应各分辨率的扩大嘴部区域，并对目标人员对应各分辨率的扩大嘴部区域内的嘴部标记区域进行剔除，将剔除后的目标人员对应各分辨率的扩大嘴部标记区域作为皱纹高发区域，进而获取其对应的灰度图像。
将目标人员对应各分辨率的灰度面部图像中的各标记区域和各皱纹高发区域进行剔除，得到目标人员对应各分辨率的目标灰度面部图像，并将其按照预设的划分方式进行区域划分，得到目标人员对应各分辨率中各子目标区域的灰度图像。
将目标人员对应各分辨率的各皱纹高发区域的灰度图像和各子目标区域的灰度图像按照设定的放大比例进行等比例放大，并分别记为各重点关注区域和各常态关注区域。
作为本发明的进一步改进，所述对目标人员对应灰度处理的皱纹评估指数进行分析，其具体分析方式如下：对目标人员对应各重点关注区域的面积进行获取，记为
Figure SMS_41
，j表示为各重点关注区域的编号，/>
Figure SMS_42
，对目标人员对应各常态关注区域的面积进行获取，记为/>
Figure SMS_43
，r表示为各常态关注区域的编号，/>
Figure SMS_44
。
从目标人员对应各分辨率的各重点关注区域的灰度图像中提取目标人员对应各分辨率中各重点关注区域的皱纹数量、各皱纹的长度和各皱纹的宽度，并分别记为
Figure SMS_45
和/>
Figure SMS_46
，i表示为各分辨率的编号，/>
Figure SMS_47
，f表示为各皱纹的编号，
Figure SMS_48
，进而通过计算得到目标人员对应各分辨率中各重点关注区域的皱纹分布密度，记为/>
Figure SMS_49
。
需要说明的是，在目标人员对应各分辨率中各重点关注区域的各皱纹上进行检测点均匀布设，并获取各检测点对应的皱纹宽度，进而计算目标人员对应各分辨率中各重点关注区域的各皱纹的平均皱纹宽度，作为目标人员对应各分辨率中各重点关注区域的各皱纹的宽度。
进一步地，目标人员对应各分辨率中各重点关注区域的皱纹分布密度，具体计算公式为
Figure SMS_50
。
从云存储库中提取各分辨率对应重点关注区域的参考皱纹数量、参考皱纹长度、参考皱纹宽度、参考皱纹密度，并分别记为
Figure SMS_51
。
依据公式
Figure SMS_52
计算出目标人员对应各分辨率中重点关注区域的皱纹评估指数，/>
Figure SMS_53
表示为目标人员对应第i个分辨率中重点关注区域的皱纹评估指数，e表示为自然常数，/>
Figure SMS_54
分别表示为设定的重点关注区域对应皱纹数量、皱纹长度、皱纹宽度、皱纹密度的皱纹评估因子。
从目标人员对应各分辨率的各常态关注区域的灰度图像中提取目标人员对应各分辨率中各常态关注区域的皱纹数量、各皱纹的长度和各皱纹的宽度，并分别记为
Figure SMS_55
和/>
Figure SMS_56
，p表示为各皱纹的编号，/>
Figure SMS_57
，进而通过计算得到目标人员对应各分辨率中各常态关注区域的皱纹分布密度，记为/>
Figure SMS_58
。
需要说明的是，在目标人员对应各分辨率中各常态关注区域的各皱纹上进行检测点均匀布设，并获取各检测点对应的皱纹宽度，进而计算目标人员对应各分辨率中各常态关注区域的各皱纹的平均皱纹宽度，作为目标人员对应各分辨率中各常态关注区域的各皱纹的宽度。
进一步地，目标人员对应各分辨率中各常态关注区域的皱纹分布密度，具体计算公式为
Figure SMS_59
。
从云存储库中提取各分辨率对应常态关注区域的参考皱纹数量、参考皱纹长度、参考皱纹宽度、参考皱纹密度，并分别记为
Figure SMS_60
。
依据公式
Figure SMS_61
计算出目标人员对应各分辨率中常态关注区域的皱纹评估指数，/>
Figure SMS_62
表示为目标人员对应第i个分辨率中常态关注区域的皱纹评估指数，/>
Figure SMS_63
分别表示为设定的常态关注区域对应皱纹数量、皱纹长度、皱纹宽度、皱纹密度的皱纹评估因子。
依据公式
Figure SMS_64
计算出目标人员对应灰度处理的皱纹评估指数，/>
Figure SMS_65
表示为目标人员对应灰度处理的皱纹评估指数，/>
Figure SMS_66
分别表示为设定的重点关注区域皱纹评估指数、常态关注区域皱纹评估指数对应的系数因子。
作为优选方案，本发明通过对目标人员对应各分辨率的灰度面部图像进行各重点关注区域和各常态关注区域划分，并由此对目标人员对应各分辨率中重点关注区域的皱纹评估指数和常态关注区域的皱纹评估指数进行分析，实现了对目标人员对应各分辨率的灰度面部图像中皱纹的分区分析，进一步提升了目标人员对应各分辨率的灰度面部图像中皱纹分析结果的针对性和可靠性。
F4、面部皱纹滤波处理分析：对目标人员对应各分辨率的预处理面部图像进行滤波处理和分析，并由此对目标人员对应滤波处理的皱纹评估指数进行分析。
作为本发明的进一步改进，所述对目标人员对应各分辨率的预处理面部图像进行滤波处理和分析，其具体处理方式如下：从目标人员对应各分辨率的预处理面部图像中提取其对应的五官特征，并将目标人员对应各分辨率的预处理面部图像中的五官特征进行剔除，得到目标人员对应各分辨率的二次处理面部图像。
将目标人员对应各分辨率的二次处理面部图像进行灰度化处理，并从中提取各皱纹的宽度，将目标人员对应各分辨率的二次处理面部灰度图像中各皱纹的宽度与设定的粗大皱纹对应的宽度进行对比，若某皱纹的宽度大于或等于设定的粗大皱纹对应的宽度，则将该皱纹记为粗大皱纹，反之，则将该皱纹记为细小皱纹。
按照各粗大皱纹和各细小皱纹对应的区域将目标人员对应各分辨率的二次处理面部图像分割为各粗大皱纹区域和各细小皱纹区域，并通过Gabor滤波器对目标人员对应各分辨率中各细小皱纹区域的二次处理面部图像进行滤波处理，得到目标人员对应各分辨率中各细小皱纹区域的滤波图像，同时通过Frangi滤波器对目标人员对应各分辨率中各粗大皱纹区域的二次处理面部图像进行滤波处理，得到目标人员对应各分辨率中各粗大皱纹区域的滤波图像。
作为本发明的进一步改进，所述对目标人员对应滤波处理的皱纹评估指数进行分析，其具体分析方式如下：从目标人员对应各分辨率中各细小皱纹区域的滤波图像中提取目标人员对应各分辨率中各细小皱纹区域的皱纹长度、皱纹宽度，分别记为
Figure SMS_67
，q表示为各细小皱纹区域的编号，/>
Figure SMS_68
，同时统计目标人员对应各分辨率的滤波图像中细小皱纹数量，记为/>
Figure SMS_69
，并通过计算得到目标人员对应各分辨率中细小皱纹区域的皱纹评估指数，记为/>
Figure SMS_70
。
需要说明的是，目标人员对应各分辨率中细小皱纹区域的皱纹评估指数，具体计算过程为：F4-101：从云存储库中提取各分辨率对应的参考细小皱纹长度、参考细小皱纹宽度，并分别记为
Figure SMS_71
。
F4-102：将目标人员对应各分辨率的滤波图像中细小皱纹数量与设定的各分辨率对应的参考细小皱纹数量进行匹配，得到目标人员对应各分辨率的参考细小皱纹数量，记为
Figure SMS_72
。
F4-103：依据公式
Figure SMS_73
计算出目标人员对应各分辨率中细小皱纹区域的皱纹评估指数，/>
Figure SMS_74
分别表示为设定的细小皱纹长度、细小皱纹宽度、细小皱纹数量对应的影响因子。
从目标人员对应各分辨率中各粗大皱纹区域的滤波图像中提取目标人员对应各分辨率中各粗大皱纹区域的皱纹长度、皱纹宽度，分别记为
Figure SMS_75
，k表示为各粗大皱纹区域的编号，/>
Figure SMS_76
，同时统计目标人员对应各分辨率的滤波图像中粗大皱纹数量，记为/>
Figure SMS_77
，并通过计算得到目标人员对应各分辨率中粗大皱纹区域的皱纹评估指数，记为
Figure SMS_78
。
需要说明的是，目标人员对应各分辨率中粗大皱纹区域的皱纹评估指数，具体计算过程为：F4-201：将目标人员对应各分辨率中各粗大皱纹区域的皱纹长度、皱纹宽度与设定的各分辨率对应的参考粗大皱纹长度、参考粗大皱纹宽度进行匹配，得到目标人员对应各分辨率中粗大皱纹区域的参考粗大皱纹长度、参考粗大皱纹宽度，分别记为
Figure SMS_79
。
F4-202：将目标人员对应各分辨率的滤波图像中粗大皱纹数量与设定的各分辨率对应的参考粗大皱纹数量进行匹配，得到目标人员对应各分辨率的参考粗大皱纹数量，记为
Figure SMS_80
。
F4-203：依据公式
Figure SMS_81
计算出目标人员对应各分辨率中粗大皱纹区域的皱纹评估指数，/>
Figure SMS_82
分别表示为设定的粗大皱纹长度、粗大皱纹宽度、细小皱纹数量对应的影响因子。
依据公式
Figure SMS_83
计算出目标人员对应滤波处理的皱纹评估指数，
Figure SMS_84
表示为目标人员对应滤波处理的皱纹评估指数，/>
Figure SMS_85
分别表示为设定的细小皱纹区域的皱纹评估指数、粗大皱纹区域的皱纹评估指数对应的皱纹评估因子。
作为优选方案，本发明通过对目标人员对应各分辨率的二次处理面部图像进行分析，并将其划分成各粗大皱纹区域和各细小皱纹区域，同时通过相应的滤波器对其进行处理，进而对目标人员对应滤波处理的皱纹评估指数进行分析，在很大程度上提升了目标人员对应滤波处理皱纹评估结果的精准性和可靠性，为后续目标人员对应综合皱纹评估提供了强有力的数据支撑。
F5、面部皱纹综合分析：对目标人员对应的综合皱纹评估系数进行分析。
作为本发明的进一步改进，所述对目标人员对应的综合皱纹评估系数进行分析，其具体分析公式为：
Figure SMS_86
，/>
Figure SMS_87
表示为目标人员的对应的综合皱纹评估系数，/>
Figure SMS_88
分别表示为设定的灰度处理皱纹评估指数、滤波处理皱纹评估指数对应的系数因子。
F6、面部皱纹调理分析与显示：对目标人员对应的面部皱纹状态进行分析，若目标人员对应的面部皱纹状态为异常状态，则对目标人员对应的调理难度评估指数进行分析，并进行相应的显示。
作为本发明的进一步改进，所述对目标人员对应的面部皱纹状态及调理难度评估指数进行分析，其具体分析方式为：通过分析得到目标人员对应的参考综合皱纹评估系数，记为
Figure SMS_89
，并通过分析得到目标人员对应的面部皱纹状态，若其面部皱纹状态为异常状态，则通过分析得到目标人员对应的调理难度评估指数，记为/>
Figure SMS_90
。
需要说明的是，目标人员对应的参考综合皱纹评估系数，其具体分析方式为：将存储的目标人员对应的年龄与设定的各年龄对应的参考综合皱纹评估系数进行匹配，得到目标人员对应的参考综合皱纹评估系数。
在一个具体的实施例中，目标人员对应的面部皱纹状态，具体分析方式为：依据公式
Figure SMS_91
计算出目标人员对应的皱纹状态评估指数，/>
Figure SMS_92
表示为目标人员对应的皱纹状态评估指数，若目标人员对应的皱纹状态评估指数为正值，则判定目标人员对应的面部皱纹状态为异常状态，反之，则判定目标人员对应的面部皱纹状态为正常状态。
需要说明的是，目标人员对应的调理难度评估指数，具体分析步骤为：F6-101：通过皮肤检测仪对目标人员对应净肤后的皮肤含水量和皮肤含油量进行检测，并分别记为
Figure SMS_93
和/>
Figure SMS_94
，由此分析目标人员对应的皮肤状态评估指数，具体分析过程为：1-1：从云存储库中提取目标人员对应的年龄，并将其与设定的各年龄阶段对应的年龄阈值进行匹配，得到目标人员对应的年龄阶段。
1-2：将目标人员对应的年龄阶段与各年龄阶段对应的参考皮肤含水量和参考皮肤含油量进行匹配，得到目标人员对应的参考皮肤含水量、参考皮肤含油量，分别记为
Figure SMS_95
。
1-3：将目标人员对应的年龄阶段与各年龄阶段对应的允许皮肤含水量差和允许皮肤含油量差进行匹配，得到目标人员对应的允许皮肤含水量差、允许皮肤含油量差，分别记为
Figure SMS_96
。
1-4：依据公式计算
Figure SMS_97
目标人员对应的皮肤状态评估指数，/>
Figure SMS_98
表示为目标人员对应的皮肤状态评估指数，/>
Figure SMS_99
分别表示为设定的皮肤含水量、皮肤含油量对应的影响因子。
F6-102：依据公式
Figure SMS_100
计算出目标人员对应的调理难度评估指数。
参照图2所示，本发明第二方面提供一种基于图像识别的皮肤皱纹分析比对系统，包括：面部图像采集模块、面部图像预处理模块、面部皱纹灰度处理分析模块、面部皱纹滤波处理分析模块、面部皱纹综合分析模块、面部皱纹调理分析与显示模块和云存储库。
所述面部图像采集模块和面部图像预处理模块连接，面部图像预处理模块分别与面部皱纹灰度处理分析模块和面部皱纹滤波处理分析模块，面部皱纹灰度处理分析模块和云存储库连接，面部皱纹综合分析模块分别与面部皱纹灰度处理分析模块、面部皱纹滤波处理分析模块和面部皱纹调理分析与显示模块连接，面部皱纹调理分析与显示模块和云存储库连接。
面部图像采集模块，用于对目标人员对应的面部图像进行采集，并对目标人员对应的面部图像进行各分辨率显示。
面部图像预处理模块，用于对目标人员对应各分辨率的面部图像进行预处理。
面部皱纹灰度处理分析模块，用于对目标人员对应各分辨率的预处理面部图像进行灰度化处理和分析。
面部皱纹滤波处理分析模块，用于对目标人员对应各分辨率的预处理面部图像进行滤波处理和分析。
面部皱纹综合分析模块，用于对目标人员对应的综合皱纹评估系数进行分析，并获取目标人员对应净肤后的皮肤含水量和皮肤含油量。
面部皱纹调理分析与显示模块，用于对目标人员对应的面部皱纹状态及调理难度评估指数进行分析，并进行相应的显示。
云存储库，用于存储各分辨率对应重点关注区域的参考皱纹数量、参考皱纹长度、参考皱纹宽度、参考皱纹密度和常态关注区域的参考皱纹数量、参考皱纹长度、参考皱纹宽度、参考皱纹密度，并存储目标人员的年龄。
需要说明的是，云存储库中还存储各分辨率对应的参考细小皱纹长度、参考细小皱纹宽度。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (9)

1.一种基于图像识别的皮肤皱纹分析比对方法，其特征在于，包括：
F1、面部图像采集：对目标人员对应的面部图像进行采集，并对目标人员对应的面部图像进行各分辨率显示；
F2、面部图像预处理：对目标人员对应各分辨率的面部图像进行预处理，得到目标人员对应各分辨率的预处理面部图像；
F3、面部皱纹灰度处理分析：对目标人员对应各分辨率的预处理面部图像进行灰度化处理和分析，并由此对目标人员对应灰度处理的皱纹评估指数进行分析；
所述对目标人员对应灰度处理的皱纹评估指数进行分析，其具体分析方式如下：
对目标人员对应各重点关注区域的面积进行获取，记为
Figure QLYQS_1
，j表示为各重点关注区域的编号，/>
Figure QLYQS_2
，对目标人员对应各常态关注区域的面积进行获取，记为/>
Figure QLYQS_3
，r表示为各常态关注区域的编号，/>
Figure QLYQS_4
；
从目标人员对应各分辨率的各重点关注区域的灰度图像中提取目标人员对应各分辨率中各重点关注区域的皱纹数量、各皱纹的长度和各皱纹的宽度，并分别记为
Figure QLYQS_5
和/>
Figure QLYQS_6
，i表示为各分辨率的编号，/>
Figure QLYQS_7
，f表示为各皱纹的编号，/>
Figure QLYQS_8
，进而通过计算得到目标人员对应各分辨率中各重点关注区域的皱纹分布密度，记为/>
Figure QLYQS_9
；
从云存储库中提取各分辨率对应重点关注区域的参考皱纹数量、参考皱纹长度、参考皱纹宽度、参考皱纹密度，并分别记为
Figure QLYQS_10
；
依据公式
Figure QLYQS_11
计算出目标人员对应各分辨率中重点关注区域的皱纹评估指数，/>
Figure QLYQS_12
表示为目标人员对应第i个分辨率中重点关注区域的皱纹评估指数，e表示为自然常数，/>
Figure QLYQS_13
分别表示为设定的重点关注区域对应皱纹数量、皱纹长度、皱纹宽度、皱纹密度的皱纹评估因子；
从目标人员对应各分辨率的各常态关注区域的灰度图像中提取目标人员对应各分辨率中各常态关注区域的皱纹数量、各皱纹的长度和各皱纹的宽度，并分别记为
Figure QLYQS_14
和/>
Figure QLYQS_15
，p表示为各皱纹的编号，/>
Figure QLYQS_16
，进而通过计算得到目标人员对应各分辨率中各常态关注区域的皱纹分布密度，记为/>
Figure QLYQS_17
；
从云存储库中提取各分辨率对应常态关注区域的参考皱纹数量、参考皱纹长度、参考皱纹宽度、参考皱纹密度，并分别记为
Figure QLYQS_18
；
依据公式
Figure QLYQS_19
计算出目标人员对应各分辨率中常态关注区域的皱纹评估指数，/>
Figure QLYQS_20
表示为目标人员对应第i个分辨率中常态关注区域的皱纹评估指数，/>
Figure QLYQS_21
分别表示为设定的常态关注区域对应皱纹数量、皱纹长度、皱纹宽度、皱纹密度的皱纹评估因子；
依据公式
Figure QLYQS_22
计算出目标人员对应灰度处理的皱纹评估指数，/>
Figure QLYQS_23
表示为目标人员对应灰度处理的皱纹评估指数，/>
Figure QLYQS_24
分别表示为设定的重点关注区域皱纹评估指数、常态关注区域皱纹评估指数对应的系数因子；
F4、面部皱纹滤波处理分析：对目标人员对应各分辨率的预处理面部图像进行滤波处理和分析，并由此对目标人员对应滤波处理的皱纹评估指数进行分析；
F5、面部皱纹综合分析：对目标人员对应的综合皱纹评估系数进行分析；
F6、面部皱纹调理分析与显示：对目标人员对应的面部皱纹状态进行分析，若目标人员对应的面部皱纹状态为异常状态，则对目标人员对应的调理难度评估指数进行分析，并进行相应的显示。
2.根据权利要求1所述的一种基于图像识别的皮肤皱纹分析比对方法，其特征在于：所述对目标人员对应的面部图像进行各分辨率显示，其具体执行过程为：将目标人员对应的面部图像通过各屏幕分辨率标准进行相应的显示，由此得到目标人员对应各分辨率的面部图像。
3.根据权利要求1所述的一种基于图像识别的皮肤皱纹分析比对方法，其特征在于：所述对目标人员对应各分辨率的面部图像进行预处理，其具体预处理方式为：从目标人员对应各分辨率的面部图像内识别各非皱纹特征，并对目标人员对应各分辨率上各非皱纹特征进行剔除，得到目标人员对应各分辨率的预处理面部图像。
4.根据权利要求1所述的一种基于图像识别的皮肤皱纹分析比对方法，其特征在于：所述对目标人员对应各分辨率的预处理面部图像进行灰度化处理和分析，其具体处理和分析方式如下：
将目标人员对应各分辨率的预处理面部图像进行灰度化处理，并从目标人员对应各分辨率的灰度面部图像中提取其对应的五官特征，同时将其进行区域标记，得到目标人员对应各分辨率中各标记区域的灰度图像，并通过分析得到目标人员对应各分辨率中各皱纹高发区域的灰度图像；
将目标人员对应各分辨率的灰度面部图像中的各标记区域和各皱纹高发区域进行剔除，得到目标人员对应各分辨率的目标灰度面部图像，并将其按照预设的划分方式进行区域划分，得到目标人员对应各分辨率中各子目标区域的灰度图像；
将目标人员对应各分辨率的各皱纹高发区域的灰度图像和各子目标区域的灰度图像按照设定的放大比例进行等比例放大，并分别记为各重点关注区域和各常态关注区域。
5.根据权利要求1所述的一种基于图像识别的皮肤皱纹分析比对方法，其特征在于：所述对目标人员对应各分辨率的预处理面部图像进行滤波处理和分析，其具体处理方式如下：
从目标人员对应各分辨率的预处理面部图像中提取其对应的五官特征，并将目标人员对应各分辨率的预处理面部图像中的五官特征进行剔除，得到目标人员对应各分辨率的二次处理面部图像；
将目标人员对应各分辨率的二次处理面部图像进行灰度化处理，并从中提取各皱纹的宽度，将目标人员对应各分辨率的二次处理面部灰度图像中各皱纹的宽度与设定的粗大皱纹对应的宽度进行对比，若某皱纹的宽度大于或等于设定的粗大皱纹对应的宽度，则将该皱纹记为粗大皱纹，反之，则将该皱纹记为细小皱纹；
按照各粗大皱纹和各细小皱纹对应的区域将目标人员对应各分辨率的二次处理面部图像分割为各粗大皱纹区域和各细小皱纹区域，并通过Gabor滤波器对目标人员对应各分辨率中各细小皱纹区域的二次处理面部图像进行滤波处理，得到目标人员对应各分辨率中各细小皱纹区域的滤波图像，同时通过Frangi滤波器对目标人员对应各分辨率中各粗大皱纹区域的二次处理面部图像进行滤波处理，得到目标人员对应各分辨率中各粗大皱纹区域的滤波图像。
6.根据权利要求1所述的一种基于图像识别的皮肤皱纹分析比对方法，其特征在于：所述对目标人员对应滤波处理的皱纹评估指数进行分析，其具体分析方式如下：
从目标人员对应各分辨率中各细小皱纹区域的滤波图像中提取目标人员对应各分辨率中各细小皱纹区域的皱纹长度、皱纹宽度，分别记为
Figure QLYQS_25
，q表示为各细小皱纹区域的编号，/>
Figure QLYQS_26
，同时统计目标人员对应各分辨率的滤波图像中细小皱纹数量，记为
Figure QLYQS_27
，并通过计算得到目标人员对应各分辨率中细小皱纹区域的皱纹评估指数，记为/>
Figure QLYQS_28
；
从目标人员对应各分辨率中各粗大皱纹区域的滤波图像中提取目标人员对应各分辨率中各粗大皱纹区域的皱纹长度、皱纹宽度，分别记为
Figure QLYQS_29
，k表示为各粗大皱纹区域的编号，/>
Figure QLYQS_30
，同时统计目标人员对应各分辨率的滤波图像中粗大皱纹数量，记为
Figure QLYQS_31
，并通过计算得到目标人员对应各分辨率中粗大皱纹区域的皱纹评估指数，记为/>
Figure QLYQS_32
；
依据公式
Figure QLYQS_33
计算出目标人员对应滤波处理的皱纹评估指数，/>
Figure QLYQS_34
表示为目标人员对应滤波处理的皱纹评估指数，/>
Figure QLYQS_35
分别表示为设定的细小皱纹区域的皱纹评估指数、粗大皱纹区域的皱纹评估指数对应的皱纹评估因子。
7.根据权利要求6所述的一种基于图像识别的皮肤皱纹分析比对方法，其特征在于：所述对目标人员对应的综合皱纹评估系数进行分析，其具体分析公式为：
Figure QLYQS_36
，/>
Figure QLYQS_37
表示为目标人员的对应的综合皱纹评估系数，/>
Figure QLYQS_38
分别表示为设定的灰度处理皱纹评估指数、滤波处理皱纹评估指数对应的系数因子。
8.根据权利要求7所述的一种基于图像识别的皮肤皱纹分析比对方法，其特征在于：所述对目标人员对应的面部皱纹状态及调理难度评估指数进行分析，其具体分析方式为：通过分析得到目标人员对应的参考综合皱纹评估系数，记为
Figure QLYQS_39
，并通过分析得到目标人员对应的面部皱纹状态，若其面部皱纹状态为异常状态，则通过分析得到目标人员对应的调理难度评估指数，记为/>
Figure QLYQS_40
。
9.一种基于图像识别的皮肤皱纹分析比对系统，用于执行如权利要求1所述的基于图像识别的皮肤皱纹分析比对方法，其特征在于，包括：
面部图像采集模块，用于对目标人员对应的面部图像进行采集，并对目标人员对应的面部图像进行各分辨率显示；
面部图像预处理模块，用于对目标人员对应各分辨率的面部图像进行预处理；
面部皱纹灰度处理分析模块，用于对目标人员对应各分辨率的预处理面部图像进行灰度化处理和分析；
面部皱纹滤波处理分析模块，用于对目标人员对应各分辨率的预处理面部图像进行滤波处理和分析；
面部皱纹综合分析模块，用于对目标人员对应的综合皱纹评估系数进行分析，并获取目标人员对应净肤后的皮肤含水量和皮肤含油量；
面部皱纹调理分析与显示模块，用于对目标人员对应的面部皱纹状态及调理难度评估指数进行分析，并进行相应的显示；
云存储库，用于存储各分辨率对应重点关注区域的参考皱纹数量、参考皱纹长度、参考皱纹宽度、参考皱纹密度和常态关注区域的参考皱纹数量、参考皱纹长度、参考皱纹宽度、参考皱纹密度，并存储目标人员的年龄。
CN202310206398.3A 2023-03-07 2023-03-07 一种基于图像识别的皮肤皱纹分析比对方法及系统 Active CN116091487B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310206398.3A CN116091487B (zh) 2023-03-07 2023-03-07 一种基于图像识别的皮肤皱纹分析比对方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310206398.3A CN116091487B (zh) 2023-03-07 2023-03-07 一种基于图像识别的皮肤皱纹分析比对方法及系统

Publications (2)

Publication Number Publication Date
CN116091487A CN116091487A (zh) 2023-05-09
CN116091487B true CN116091487B (zh) 2023-06-23

Family

ID=86200959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310206398.3A Active CN116091487B (zh) 2023-03-07 2023-03-07 一种基于图像识别的皮肤皱纹分析比对方法及系统

Country Status (1)

Country Link
CN (1) CN116091487B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117033688B (zh) * 2023-08-11 2024-03-12 翡梧(上海)创意设计有限公司 一种基于ai交互的人物图像场景生成系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210448A (zh) * 2019-06-13 2019-09-06 广州纳丽生物科技有限公司 一种智能人脸皮肤老化程度的识别与评估方法
JP2022045280A (ja) * 2020-09-08 2022-03-18 花王株式会社 シワの評価方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8094186B2 (en) * 2004-10-22 2012-01-10 Shiseido Company, Ltd. Skin condition diagnosis system and beauty counseling system
JP5657494B2 (ja) * 2011-09-22 2015-01-21 富士フイルム株式会社 シワ検出方法、シワ検出装置およびシワ検出プログラム、並びに、シワ評価方法、シワ評価装置およびシワ評価プログラム
CN109299633A (zh) * 2017-07-25 2019-02-01 上海中科顶信医学影像科技有限公司 皱纹检测方法、系统、设备及介质
US20220070235A1 (en) * 2020-08-28 2022-03-03 Tmrw Foundation Ip S.Àr.L. System and method enabling interactions in virtual environments with virtual presence
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
CN115170514B (zh) * 2022-07-06 2023-07-18 灶灶科技有限公司 一种基于多维特征数据分析的医美诊疗效果智能评价系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210448A (zh) * 2019-06-13 2019-09-06 广州纳丽生物科技有限公司 一种智能人脸皮肤老化程度的识别与评估方法
JP2022045280A (ja) * 2020-09-08 2022-03-18 花王株式会社 シワの評価方法

Also Published As

Publication number Publication date
CN116091487A (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN111539912B (zh) 基于人脸结构定位的健康指标评估方法、设备和存储介质
CN107358180B (zh) 一种人脸表情的疼痛评估方法
CN109961426B (zh) 一种人脸皮肤肤质的检测方法
JP6521845B2 (ja) 心拍に連動する周期的変動の計測装置及び計測方法
KR101244220B1 (ko) 지문인식장치 및 그 지문 인식방법
KR100944247B1 (ko) 얼굴 인식 방법 및 시스템
JP2015500722A (ja) 皮膚ゾーンにおける皮膚症状を検出して数量化する方法および装置
CN110619301A (zh) 一种基于双模态信号的情绪自动识别方法
CN110598608B (zh) 非接触式与接触式协同的心理生理状态智能监测系统
CN109948476B (zh) 一种基于计算机视觉的人脸皮肤检测系统及其实现方法
CN116091487B (zh) 一种基于图像识别的皮肤皱纹分析比对方法及系统
CN107368770B (zh) 一种回头客自动识别方法及系统
Monwar et al. Pain recognition using artificial neural network
CN1092372C (zh) 虹膜识别方法
CN115937953A (zh) 心理变化检测方法、装置、设备及存储介质
CN110874572B (zh) 一种信息检测方法及装置、存储介质
TWI430776B (zh) 智慧型影像膚質檢測系統及方法
Monwar et al. Eigenimage based pain expression recognition
CN113033387A (zh) 一种自动识别老年人慢性疼痛程度的智能评估方法及系统
Perez et al. A new method for online retinal optic-disc detection based on cascade classifiers
US20150117745A1 (en) Method, system and a service for analyzing samples of a dried liquid
KR20100105247A (ko) 지능로봇의 얼굴인식 성능평가 시스템 및 평가 방법
Oz et al. Efficacy of biophysiological measurements at FTFPs for facial expression classification: A validation
Gornale et al. Fusion of fingerprint and age biometric for gender classification using frequency and texture analysis
KR102333120B1 (ko) 자가 두피 진단 시스템 및 방법

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