CN117095443A - 一种脸部皱纹检测方法 - Google Patents
一种脸部皱纹检测方法 Download PDFInfo
- Publication number
- CN117095443A CN117095443A CN202311053900.8A CN202311053900A CN117095443A CN 117095443 A CN117095443 A CN 117095443A CN 202311053900 A CN202311053900 A CN 202311053900A CN 117095443 A CN117095443 A CN 117095443A
- Authority
- CN
- China
- Prior art keywords
- face
- model
- wrinkles
- wrinkle
- facial
- 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
- 230000037303 wrinkles Effects 0.000 title claims abstract description 121
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 230000001815 facial effect Effects 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000005498 polishing Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 7
- 210000004709 eyebrow Anatomy 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000001097 facial muscle Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nonlinear Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及脸部皱纹检测技术领域,且公开了一种脸部皱纹检测方法,包括以下步骤:S1、图像采集;S2、面部数据建立;S3、人脸模型构建;S4、脸部皱纹提取;S5、脸部皱纹分析。该脸部皱纹检测方法,在使用过程中,通过设置的专业扫描仪对检测者的面部进行脸部照片的采集,在采集时对照在检测者面部上的光源进行合理的打光,使得进行检测的照片能够贴合检测者的面貌实际情况,利用Adaboost算法使得提取出的检测照片的数据更为准确,对已经数据化的人脸模型利用conda的方式后转化为onnx格式模型,并单独将脸部皱纹的线条提取出来,并置于独立的骨骼框架中,能够更好的判断脸部皱纹的情况,并进行分析检测,提高了在对脸部皱纹进行检测时的检测的精准度。
Description
技术领域
本发明涉及脸部皱纹检测技术领域,具体为一种脸部皱纹检测方法。
背景技术
脸部皱纹是面部肌肉长年累月、周而复始的运动中产生的纹路,皱纹检测主要对脸部的眼下细纹、鱼尾纹、法令纹、抬头纹等皱纹进行分割和高精度检测,针对条皱纹坐标位置进行精准定位,具有高精度检测识别、精细分割的功能,在互动娱乐、智能医美等场景下应用。
现有技术中,在对脸部皱纹进行检测时,主要是用过专业的设备仪器对人脸的相片进行采集,并将采集到的照片与标准照片进行对比,以此来进行脸部皱纹的检测,但是在实际使用时,只通过相片采集并进行对比的方式使得检测的结果并不精准,缺乏详细的数据对比分析,影响对脸部皱纹检测的结果,因此需要发明出一种脸部皱纹检测方法来解决上述问题。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种脸部皱纹检测方法,在使用过程中,通过设置的专业扫描仪对检测者的面部进行脸部照片的采集,在采集时对照在检测者面部上的光源进行合理的打光,使得进行检测的照片能够贴合检测者的面貌实际情况,将扫描出的图形提取出来后,利用Adaboost算法使得提取出的检测照片的数据更为准确,对已经数据化的人脸模型利用conda的方式后转化为onnx格式模型,并单独将脸部皱纹的线条提取出来,并置于独立的骨骼框架中,能够更好的判断脸部皱纹的情况,并进行分析检测,提高了在对脸部皱纹进行检测时的检测的精准度,并且在进行检测的过程中,对扫描出的测试者的面部特征的特诊点采用Labelme,采用移动最小二乘法图像变形法将RGB格式额转化为HOG格式,与Adaboost算法相结合,能够更方便的将特征点附近的脸部皱纹转化为数据,当模型转化为onnx格式后,采用SDM算法进行核查,并通过Hessian矩阵式的计算方式,能够对模型的特征的特征的基本数值进行比对,使得脸部皱纹在提取出来时不会与测试者实际的皱纹存在偏差,对利用conda二次建模出的脸部皱纹模型使用frangi滤波器进行滤纹的处理,使得在皱纹附近的多余的细节能够被有效的取出,避免其影响监测数据,再次提高了脸部皱纹检测的精准度与检测的准确性。
(二)技术方案
为实现上述脸部皱纹检测,本发明提供如下技术方案:一种脸部皱纹检测方法,包括以下步骤:
S1、图像采集
对检测环境的光源进行控制,对检测者的面部进行打光处理,通过专业扫描仪对检测者的面部状态相片进行采集。
S2、面部数据建立
对扫描出的图像进行数据提取处理,通过算法将图像数据化。
S3、人脸模型构建
提取数据化的图像的特征的关键点,对数据化的图像进行模型的搭建。
S4、脸部皱纹提取
将脸部皱纹线条单独提取出来,并对该线条进行单独模型构建。
S5、脸部皱纹分析
对建模出的脸部皱纹线条与标准面部进行比对,得出检测结果。
优选的,所述步骤S1中,检测者面部应保证光照均匀,且无阴影轮廓影响扫描结果,且使用扫描仪进行扫描时应保证检测者面部全方位都进行扫描。
优选的,所述步骤S2中,将扫描出的图片数据提取到计算机上,采用Labelme对面部的特征点进行标注,特征点为眉毛、眼睛、鼻子、脸部,提取特征点附近的皱纹使其数据化。
提取出的初始皱纹为RGB格式,利用移动最小二乘法图像变形法,在不损失基本特征的情况下,将其转化为HOG格式。
优选的,所述步骤S2中,采用Adaboost算法使提取出的特征点与特征点附近的皱纹数据化,算法的基本限制公式为:
h1(x)∈{-1,+1}
h2(x)∈{-1,+1}
由此公式可以推导出:
ht(x)∈{-1,+1}
再此公式限制下,进而得出脸部皱纹特征点计算公式为:
通过运算计算得出数据,将脸部特征进行数据化,此时进行下一步建模。
优选的,所述步骤S3中,根据首先进行骨架模型的搭建,采用conda进行骨架的模型搭建后,输入命令:
python main.py-m train--save-dir save/ENet_Card--name ENet--datasetcard--dataset-dir datasets--epochs 300--height 512--width 512--print-step;
输入此命令将此模型转化为onnx格式,转化格式后采用SDM算法,对onnx模型进行特征点核查。
优选的,所述采用SDM算法对特征点进行核查时,采用Hessian矩阵式,并首先对图像进行预处理,之后数据集采用u2i找回方式进行SDM召回,并利用SIFI计算出特征点的基本数据进行核查。
利用SDM算法进行核查的基本公式为:
经过该计算得出通过SDM算法计算出的onnx模型下的特征基本数值,将二者进行比对,核查无误后,方可进行脸部皱纹线条的提取。
优选的,所述步骤S4中,将单独提取出的线条从onnx模型中提取出来,在提取的时候,首先要对人脸的关键点展开定位,将眉毛、眼睛、鼻子、脸部特征点设定为关键点,以这些关键点为中心,对椭圆范围内的皱纹进行提取。
优选的,所述步骤S4中,将onnx模型中的皱纹提取出来后,根据测试者的骨架模型,再次利用conda进行骨架的搭建,搭建的骨架只具备初步的轮廓,不具备人脸的细节,将onnx模型中提取出来的皱纹转移到二次搭建的骨架内部,将脸部皱纹单独的模型进行构建展示。
优选的,所述步骤S5中,对利用conda二次建模出的皱纹模型进行滤波去除,对conda二次建模出的皱纹模型进行滤波处理,对由hession矩阵计算得到的灰度图像进行滤波,并将皱纹模型处多余皮肤的细节进行去除,将经过处理后的图片导入到frangi滤波器中,对皱纹模型处多余皮肤的细节进行去除,并将测试者的皱纹模型与标准的面部模型进行比对,得出脸部皱纹的检测结果。
(三)有益效果
与现有技术相比,本发明提供了一种脸部皱纹检测方法,具备以下有益效果:
1.该脸部皱纹检测方法,在使用过程中,通过设置的专业扫描仪对检测者的面部进行脸部照片的采集,在采集时对照在检测者面部上的光源进行合理的打光,使得进行检测的照片能够贴合检测者的面貌实际情况,将扫描出的图形提取出来后,利用Adaboost算法使得提取出的检测照片的数据更为准确,对已经数据化的人脸模型利用conda的方式后转化为onnx格式模型,并单独将脸部皱纹的线条提取出来,并置于独立的骨骼框架中,能够更好的判断脸部皱纹的情况,并进行分析检测,提高了在对脸部皱纹进行检测时的检测的精准度。
2.该脸部皱纹检测方法,在使用过程中,在进行检测的过程中,对扫描出的测试者的面部特征的特诊点采用Labelme,采用移动最小二乘法图像变形法将RGB格式额转化为HOG格式,与Adaboost算法相结合,能够更方便的将特征点附近的脸部皱纹转化为数据,当模型转化为onnx格式后,采用SDM算法进行核查,并通过Hessian矩阵式的计算方式,能够对模型的特征的特征的基本数值进行比对,使得脸部皱纹在提取出来时不会与测试者实际的皱纹存在偏差,对利用conda二次建模出的脸部皱纹模型使用frangi滤波器进行滤纹的处理,使得在皱纹附近的多余的细节能够被有效的取出,避免其影响监测数据,再次提高了脸部皱纹检测的精准度与检测的准确性。
具体实施方式
下面将结合本发明实施例,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。
本发明提供一种技术方案:一种脸部皱纹检测方法,包括以下步骤:
S1、图像采集
对检测环境的光源进行控制,对检测者的面部进行打光处理,通过专业扫描仪对检测者的面部状态相片进行采集。
S2、面部数据建立
对扫描出的图像进行数据提取处理,通过算法将图像数据化。
S3、人脸模型构建
提取数据化的图像的特征的关键点,对数据化的图像进行模型的搭建。
S4、脸部皱纹提取
将脸部皱纹线条单独提取出来,并对该线条进行单独模型构建。
S5、脸部皱纹分析
对建模出的脸部皱纹线条与标准面部进行比对,得出检测结果。
进一步的,步骤S1中,检测者面部应保证光照均匀,且无阴影轮廓影响扫描结果,且使用扫描仪进行扫描时应保证检测者面部全方位都进行扫描。
进一步的,步骤S2中,将扫描出的图片数据提取到计算机上,采用Labelme对面部的特征点进行标注,特征点为眉毛、眼睛、鼻子、脸部,提取特征点附近的皱纹使其数据化。
提取出的初始皱纹为RGB格式,利用移动最小二乘法图像变形法,在不损失基本特征的情况下,将其转化为HOG格式。
进一步的,步骤S2中,采用Adaboost算法使提取出的特征点与特征点附近的皱纹数据化,算法的基本限制公式为:
h1(x)∈{-1,+1}
h2(x)∈{-1,+1}
由此公式可以推导出:
ht(x)∈{-1,+1}
再此公式限制下,进而得出脸部皱纹特征点计算公式为:
通过运算计算得出数据,将脸部特征进行数据化,此时进行下一步建模。
进一步的,步骤S3中,根据首先进行骨架模型的搭建,采用conda进行骨架的模型搭建后,输入命令:
python main.py-m train--save-dir save/ENet_Card--name ENet--datasetcard--dataset-dir datasets--epochs 300--height 512--width 512--print-step;
输入此命令将此模型转化为onnx格式,转化格式后采用SDM算法,对onnx模型进行特征点核查。
进一步的,采用SDM算法对特征点进行核查时,采用Hessian矩阵式,并首先对图像进行预处理,之后数据集采用u2i找回方式进行SDM召回,并利用SIFI计算出特征点的基本数据进行核查。
利用SDM算法进行核查的基本公式为:
经过该计算得出通过SDM算法计算出的onnx模型下的特征基本数值,将二者进行比对,核查无误后,方可进行脸部皱纹线条的提取。
进一步的,步骤S4中,将单独提取出的线条从onnx模型中提取出来,在提取的时候,首先要对人脸的关键点展开定位,将眉毛、眼睛、鼻子、脸部特征点设定为关键点,以这些关键点为中心,对椭圆范围内的皱纹进行提取。
进一步的,步骤S4中,将onnx模型中的皱纹提取出后,根据测试者的骨架弄醒,将onnx模型中的皱纹提取出来后,根据测试者的骨架模型,再次利用conda进行骨架的搭建,搭建的骨架只具备初步的轮廓,不具备人脸的细节,将onnx模型中提取出来的皱纹转移到二次搭建的骨架内部,将脸部皱纹单独的模型进行构建展示。
进一步的,步骤S5中,对利用conda二次建模出的皱纹模型进行滤波去除,对conda二次建模出的皱纹模型进行滤波处理,对由hession矩阵计算得到的灰度图像进行滤波,并将皱纹模型处多余皮肤的细节进行去除,将经过处理后的图片导入到frangi滤波器中,对皱纹模型处多余皮肤的细节进行去除,并将测试者的皱纹模型与标准的面部模型进行比对,得出脸部皱纹的检测结果。
该脸部皱纹检测方法,在使用过程中,通过设置的专业扫描仪对检测者的面部进行脸部照片的采集,在采集时对照在检测者面部上的光源进行合理的打光,使得进行检测的照片能够贴合检测者的面貌实际情况,将扫描出的图形提取出来后,利用Adaboost算法使得提取出的检测照片的数据更为准确,对已经数据化的人脸模型利用conda的方式后转化为onnx格式模型,并单独将脸部皱纹的线条提取出来,并置于独立的骨骼框架中,能够更好的判断脸部皱纹的情况,并进行分析检测,提高了在对脸部皱纹进行检测时的检测的精准度,并且在进行检测的过程中,对扫描出的测试者的面部特征的特诊点采用Labelme,采用移动最小二乘法图像变形法将RGB格式额转化为HOG格式,与Adaboost算法相结合,能够更方便的将特征点附近的脸部皱纹转化为数据,当模型转化为onnx格式后,采用SDM算法进行核查,并通过Hessian矩阵式的计算方式,能够对模型的特征的特征的基本数值进行比对,使得脸部皱纹在提取出来时不会与测试者实际的皱纹存在偏差,对利用conda二次建模出的脸部皱纹模型使用frangi滤波器进行滤纹的处理,使得在皱纹附近的多余的细节能够被有效的取出,避免其影响监测数据,再次提高了脸部皱纹检测的精准度与检测的准确性。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种脸部皱纹检测方法,其特征在于,包括以下步骤:
S1、图像采集
对检测环境的光源进行控制,对检测者的面部进行打光处理,通过专业扫描仪对检测者的面部状态相片进行采集;
S2、面部数据建立
对扫描出的图像进行数据提取处理,通过算法将图像数据化;
S3、人脸模型构建
提取数据化的图像的特征的关键点,对数据化的图像进行模型的搭建;
S4、脸部皱纹提取
将脸部皱纹线条单独提取出来,并对该线条进行单独模型构建;
S5、脸部皱纹分析
对建模出的脸部皱纹线条与标准面部进行比对,得出检测结果。
2.根据权利要求1所述的一种脸部皱纹检测方法,其特征在于,所述步骤S1中,检测者面部应保证光照均匀,且无阴影轮廓影响扫描结果,且使用扫描仪进行扫描时应保证检测者面部全方位都进行扫描。
3.根据权利要求1所述的一种脸部皱纹检测方法,其特征在于,所述步骤S2中,将扫描出的图片数据提取到计算机上,采用Labelme对面部的特征点进行标注,特征点为眉毛、眼睛、鼻子、脸部,提取特征点附近的皱纹使其数据化;
提取出的初始皱纹为RGB格式,利用移动最小二乘法图像变形法,在不损失基本特征的情况下,将其转化为HOG格式。
4.根据权利要求1所述的一种脸部皱纹检测方法,其特征在于,所述步骤S2中,采用Adaboost算法使提取出的特征点与特征点附近的皱纹数据化,算法的基本限制公式为:
h1(x)∈{-1,+1}
h2(x)∈{-1,+1}
由此公式可以推导出:
ht(x)∈{-1,+1}
再此公式限制下,进而得出脸部皱纹特征点计算公式为:
通过运算计算得出数据,将脸部特征进行数据化,此时进行下一步建模。
5.根据权利要求1所述的一种脸部皱纹检测方法,其特征在于,所述步骤S3中,根据首先进行骨架模型的搭建,采用conda进行骨架的模型搭建后,输入命令:
python main.py-m train--save-dir save/ENet_Card--name ENet--datasetcard--dataset-dir datasets--epochs 300--height 512--width 512--print-step;
输入此命令将此模型转化为onnx格式,转化格式后采用SDM算法,对onnx模型进行特征点核查。
6.根据权利要求5所述的一种脸部皱纹检测方法,其特征在于,所述采用SDM算法对特征点进行核查时,采用Hessian矩阵式,并首先对图像进行预处理,之后数据集采用u2i找回方式进行SDM召回,并利用SIFI计算出特征点的基本数据进行核查;
利用SDM算法进行核查的基本公式为:
经过该计算得出通过SDM算法计算出的onnx模型下的特征基本数值,将二者进行比对,核查无误后,方可进行脸部皱纹线条的提取。
7.根据权利要求1所述的一种脸部皱纹检测方法,其特征在于,所述步骤S4中,将单独提取出的线条从onnx模型中提取出来,在提取的时候,首先要对人脸的关键点展开定位,将眉毛、眼睛、鼻子、脸部特征点设定为关键点,以这些关键点为中心,对椭圆范围内的皱纹进行提取。
8.根据权利要求1所述的一种脸部皱纹检测方法,其特征在于,所述步骤S4中,将onnx模型中的皱纹提取出来后,根据测试者的骨架模型,再次利用conda进行骨架的搭建,搭建的骨架只具备初步的轮廓,不具备人脸的细节,将onnx模型中提取出来的皱纹转移到二次搭建的骨架内部,将脸部皱纹单独的模型进行构建展示。
9.根据权利要求1所述的一种脸部皱纹检测方法,其特征在于,所述步骤S5中,对conda二次建模出的皱纹模型进行滤波处理,对由hession矩阵计算得到的灰度图像进行滤波,并将皱纹模型处多余皮肤的细节进行去除,将经过处理后的图片导入到frangi滤波器中,对皱纹模型处多余皮肤的细节进行去除,并将测试者的皱纹模型与标准的面部模型进行比对,得出脸部皱纹的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311053900.8A CN117095443A (zh) | 2023-08-21 | 2023-08-21 | 一种脸部皱纹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311053900.8A CN117095443A (zh) | 2023-08-21 | 2023-08-21 | 一种脸部皱纹检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117095443A true CN117095443A (zh) | 2023-11-21 |
Family
ID=88769278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311053900.8A Pending CN117095443A (zh) | 2023-08-21 | 2023-08-21 | 一种脸部皱纹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117095443A (zh) |
-
2023
- 2023-08-21 CN CN202311053900.8A patent/CN117095443A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859203B (zh) | 基于深度学习的缺陷牙齿图像识别方法 | |
WO2019174376A1 (zh) | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 | |
CN107909622B (zh) | 模型生成方法、医学成像的扫描规划方法及医学成像系统 | |
CN111127441A (zh) | 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统 | |
CN107941808A (zh) | 基于机器视觉的3d打印成型质量检测系统及方法 | |
CN110930374A (zh) | 一种基于双深度相机的腧穴定位方法 | |
CN113781640A (zh) | 基于弱监督学习的三维人脸重建模型建立方法及其应用 | |
CN110338759B (zh) | 一种正面疼痛表情数据采集方法 | |
CN110782428A (zh) | 一种用于构建临床脑部ct图像roi模板的方法及系统 | |
CN113643353B (zh) | 眼底图像的血管管径的增强分辨率的测量方法 | |
CN116128814A (zh) | 舌诊图像的标准化采集方法及相关装置 | |
Harastani et al. | Methamphetamine drug abuse and addiction: Effects on face asymmetry | |
CN111325754A (zh) | 一种基于ct序列图像的腰椎骨自动定位方法 | |
CN112515653B (zh) | 一种基于核磁共振图像的脑网络构建方法 | |
CN112907571A (zh) | 基于多光谱图像融合识别的目标判定方法 | |
CN111915725B (zh) | 一种基于运动重建的人体测量方法 | |
CN113393470A (zh) | 一种牙齿全自动分割方法 | |
CN113197549A (zh) | 一种通过人脸识别技术诊断疾病的系统 | |
CN109087357A (zh) | 扫描定位方法、装置、计算机设备及计算机可读存储介质 | |
CN115082529B (zh) | 一种大体组织多维信息采集和分析系统与方法 | |
CN117095443A (zh) | 一种脸部皱纹检测方法 | |
Chang et al. | AI HAM 10000 database to assist residents in learning differential diagnosis of skin cancer | |
CN116128942A (zh) | 基于深度学习的三维多模块医学影像的配准方法和系统 | |
CN117392117B (zh) | 一种基于OpenCV图像处理的压疮检测方法 | |
CN116864078B (zh) | 一种知识库建立方法、系统及存储介质 |
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 |