CN117095443A - 一种脸部皱纹检测方法 - Google Patents

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

一种脸部皱纹检测方法

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：

h_t(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：

h_t(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：

h_t(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。