CN117593781A - 头戴式装置和应用于头戴式装置的提示信息生成方法 - Google Patents
头戴式装置和应用于头戴式装置的提示信息生成方法 Download PDFInfo
- Publication number
- CN117593781A CN117593781A CN202410074702.8A CN202410074702A CN117593781A CN 117593781 A CN117593781 A CN 117593781A CN 202410074702 A CN202410074702 A CN 202410074702A CN 117593781 A CN117593781 A CN 117593781A
- Authority
- CN
- China
- Prior art keywords
- spot
- information
- module
- spots
- laser
- 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
Links
- 238000000034 method Methods 0.000 title claims description 62
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 166
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 230000001575 pathological effect Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 230000005059 dormancy Effects 0.000 claims description 4
- 231100001261 hazardous Toxicity 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 230000001815 facial effect Effects 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 208000003351 Melanosis Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 206010008570 Chloasma Diseases 0.000 description 2
- 206010042496 Sunburn Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000013532 laser treatment Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000005808 skin problem Effects 0.000 description 2
- 230000007958 sleep Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 208000012260 Accidental injury Diseases 0.000 description 1
- 208000037259 Amyloid Plaque Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010014970 Ephelides Diseases 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241000212749 Zesius chrysomallus Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000037307 sensitive skin Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 210000004927 skin cell Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000000216 zygoma Anatomy 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种头戴式装置。所述装置包括：斑点检测模块：用于检测面部上斑点的信息，斑点的信息包括颜色信息、位置信息以及轮廓信息，面部包括多个安全区域和多个危险区域；视觉模块：用于根据检测出的斑点的颜色信息、位置信息以及轮廓信息，分析出斑点各自对应的类别，根据斑点各自对应的类别以及位置信息，生成与斑点适配的激光发射提示信息，并将激光发射提示信息发送至激光发射模块；激光发射模块：包括与每个安全区域一一对应的激光局部发射模块，用于接收激光发射提示信息，根据激光发射提示信息中反映出的相应安全区域内的斑点的类别，向相应安全区域发射激光。采用本装置能够针对性地对面部斑点进行祛除。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种头戴式装置和应用于头戴式装置的提示信息生成方法、装置、计算机设备和存储介质。
背景技术
如今，科技不断发展以及人们生活水平日益提高，人们通过科技手段对面部进行改善和提升的手段日渐丰富。其中，针对面部状态影响最大的斑点的改善和提升也受到了人们的广泛关注，对于能够祛除面部斑点的头戴式装置如面罩、头盔等也得到了进一步优化。
但是，目前对于能够祛除面部斑点的头戴式装置，仍然存在一个很大的问题就是，目前的头戴式装置在对面部斑点进行祛除的过程中，往往无法考虑到每一个面部斑点的差异性，过于笼统模糊的祛除方式缺乏针对性，并且在祛除过程中也没有做到充分的安全防护，导致面部斑点的祛除过程存在潜在风险。
发明内容
基于此，有必要针对上述技术问题，提供一种能够针对性地对面部斑点进行祛除，并对祛除过程提供充分安全防护的头戴式装置，包括：
第一方面，本申请提供了一种头戴式装置，包括：
斑点检测模块：用于检测面部上斑点的信息，所述斑点的信息包括颜色信息、位置信息以及轮廓信息，所述面部包括多个安全区域和多个危险区域；
视觉模块：用于根据检测出的所述斑点的颜色信息、位置信息以及轮廓信息，分析出所述斑点各自对应的类别，根据所述斑点各自对应的类别以及位置信息，生成与所述斑点适配的激光发射提示信息，并将所述激光发射提示信息发送至激光发射模块；
激光发射模块：包括与每个安全区域一一对应的激光局部发射模块，用于接收所述激光发射提示信息，根据所述激光发射提示信息中反映出的相应安全区域内的斑点的类别，向所述相应安全区域发射激光；
防护模块：用于对所述面部上的每个危险区域进行隔离防护；
控制模块：用于向所述斑点检测模块、所述视觉模块、所述激光局部发射模块、防护模块发送相应指令，使得所述斑点检测模块、所述视觉模块、所述激光局部发射模块、所述防护模块根据所述相应指令，执行相应操作。
上述头戴式装置。包括：斑点检测模块：用于检测面部上斑点的信息，斑点的信息包括颜色信息、位置信息以及轮廓信息，面部包括多个安全区域和多个危险区域；视觉模块：用于根据检测出的斑点的颜色信息、位置信息以及轮廓信息，分析出斑点各自对应的类别，根据所述斑点各自对应的类别以及位置信息，生成与所述斑点适配的激光发射提示信息，并将所述激光发射提示信息发送至激光发射模块；激光发射模块：包括与每个安全区域一一对应的激光局部发射模块，用于接收所述激光发射提示信息，根据所述激光发射提示信息中反映出的相应安全区域内的斑点的类别，向相应安全区域发射激光；防护模块：用于对面部上的每个危险区域进行隔离防护；控制模块：用于向斑点检测模块、视觉模块、激光局部发射模块、防护模块发送相应指令。采用本装置能够根据斑点的颜色、位置和轮廓信息，对斑点进行针对性的处理，提供更精准的祛斑效果。同时通过激光发射模块和防护模块，装置能够提供面部斑点祛除过程中的充分安全防护，减少激光处理可能带来的风险。综上所述，该装置整合了斑点检测、分析和祛除的功能，并通过控制模块实现自动化指令发送，具备一定程度的自动化处理能力，提升了操作便利性。
基于此，有必要针对上述技术问题，提供一种能够为头戴式装置对面部斑点进行针对性祛除，提供提示信息的应用于头戴式装置的提示信息生成方法、装置、计算机设备和计算机可读存储介质。
第一方面，本申请提供了一种应用于头戴式装置的提示信息生成方法，包括：
确定面部上的斑点的颜色信息、位置信息以及轮廓信息；
将所述斑点的颜色信息、位置信息以及轮廓信息分别转换成颜色特征向量、位置特征向量以及形状特征向量；
根据所述斑点的颜色特征向量、位置特征向量以及形状特征向量，确定所述斑点的类别；
根据所述斑点的类别以及位置信息，生成与所述斑点适配的激光发射提示信息，并展示所述激光发射提示信息。
第二方面，本申请还提供了一种应用于头戴式装置的提示信息生成装置，包括：
第一确定模块，用于确定面部上的斑点的颜色信息、位置信息以及轮廓信息；
转换模块，用于将所述斑点的颜色信息、位置信息以及轮廓信息分别转换成颜色特征向量、位置特征向量以及形状特征向量；
第二确定模块，用于根据所述斑点的颜色特征向量、位置特征向量以及形状特征向量，确定所述斑点的类别；
展示模块，用于根据所述斑点的类别以及位置信息，生成与所述斑点适配的激光发射提示信息，并展示所述激光发射提示信息。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
确定面部上的斑点的颜色信息、位置信息以及轮廓信息；
将所述斑点的颜色信息、位置信息以及轮廓信息分别转换成颜色特征向量、位置特征向量以及形状特征向量；
根据所述斑点的颜色特征向量、位置特征向量以及形状特征向量，确定所述斑点的类别；
根据所述斑点的类别以及位置信息，生成与所述斑点适配的激光发射提示信息，并展示所述激光发射提示信息。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
确定面部上的斑点的颜色信息、位置信息以及轮廓信息；
将所述斑点的颜色信息、位置信息以及轮廓信息分别转换成颜色特征向量、位置特征向量以及形状特征向量；
根据所述斑点的颜色特征向量、位置特征向量以及形状特征向量，确定所述斑点的类别；
根据所述斑点的类别以及位置信息，生成与所述斑点适配的激光发射提示信息，并展示所述激光发射提示信息。
上述应用于头戴式装置的提示信息生成方法、装置、计算机设备和存储介质，通过确定面部上的斑点的颜色信息、位置信息以及轮廓信息；将所述斑点的颜色信息、位置信息以及轮廓信息分别转换成颜色特征向量、位置特征向量以及形状特征向量；根据所述斑点的颜色特征向量、位置特征向量以及形状特征向量，确定所述斑点的类别；根据所述斑点的类别以及位置信息，生成与所述斑点适配的激光发射提示信息，并展示所述激光发射提示信息。为头戴式装置对面部斑点进行针对性祛除提供提示信息，使得头戴式装置根据接收到的提示信息，对与提示信息适配的面部斑点进行针对性祛除。从而使得祛除效果更好，同时避免了对使用者造成过度损伤。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关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。
图1为一个实施例中应用于头戴式装置的提示信息生成方法的应用环境图；
图2为一个实施例中应用于头戴式装置的提示信息生成方法的流程示意图；
图3为另一个实施例中应用于头戴式装置的提示信息生成方法的流程示意图；
图4为一个实施例中应用于头戴式装置的提示信息生成装置的结构框图；
图5为另一个实施例中应用于头戴式装置的提示信息生成装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的头戴式装置和应用于头戴式装置的提示信息生成方法，可以应用于如图1所示的应用环境中。其中，终端102为头戴式装置，通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102生成应用于头戴式装置的提示信息生成请求，然后将应用于头戴式装置的提示信息生成请求发送至服务器104，已使服务器104根据斑点的类别以及位置信息，生成与斑点适配的激光发射提示信息，并展示激光发射提示信息。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个示例性的实施例中，提供了一种头戴式装置，包括以下模块。其中：
斑点检测模块：用于检测面部上斑点的信息，斑点的信息包括颜色信息、位置信息以及轮廓信息，面部包括多个安全区域和多个危险区域。具体地，斑点检测模块主要是用来识别面部上的斑点，并提取斑点的颜色信息、位置信息和轮廓信息。其中，斑点的颜色信息可以用来判断斑点的类型，如黑色斑、褐色斑等，从而有助于进行疾病诊断或美容护理。位置信息能够帮助确定斑点在面部的具体位置，轮廓信息则有助于理解斑点的形状和大小。面部被划分为多个安全区域和多个危险区域，安全区域是指能够进行激光祛除斑点的面部区域，可以理解地，在整个面部中，这样的安全区域可以有多个。危险区域是指不能够进行激光祛除斑点的面部区域，例如较为敏感的眼部区域，同样道理这样的危险区域可以有多个。
视觉模块：用于根据检测出的斑点的颜色信息、位置信息以及轮廓信息，分析出斑点各自对应的类别，根据斑点各自对应的类别以及位置信息，生成与斑点适配的激光发射提示信息，并将激光发射提示信息发送至激光发射模块。具体地，首先颜色信息可以帮助判断斑点的类型，比如黑色斑、褐色斑、红色斑等，不同颜色的斑点可能对应不同的皮肤问题或疾病。通过分析颜色信息，可以对斑点进行初步的分类。其次，位置信息能够帮助确定斑点在面部的具体位置，不同部位的斑点可能对应不同的皮肤问题和疾病，比如额头上的斑点和颧骨上的斑点可能有不同的含义。通过分析位置信息，可以进一步细化斑点的分类。最后，轮廓信息可以帮助理解斑点的形状和大小，一些斑点可能是凸起的，一些可能是平坦的，通过分析轮廓信息也可以对斑点进行进一步的分类和分析。
激光发射模块：包括与每个安全区域一一对应的激光局部发射模块，用于接收激光发射提示信息，根据激光发射提示信息中反映出的相应安全区域内的斑点的类别，向相应安全区域发射激光。具体地，激光发射模块的主要功能是根据安全区域内检测到的斑点的类别，利用激光局部发射模块向相应的安全区域发射激光，以进行斑点的治疗和处理。首先，该系统会对安全区域进行划分，每个安全区域对应一个激光局部发射模块。这些区域可能是面部的特定部位或者已经经过标定的特定区域，以确保激光的精准照射。其次，激光局部发射模块会根据安全区域内检测到的斑点的类别来进行激光的发射。通过事先设定的算法和模型，判断每个斑点的类别，比如黑色斑、褐色斑和红色斑等，并根据类别决定是否以及如何对其进行激光治疗。最后，根据斑点的类别，激光发射模块会向相应的安全区域发射激光。容易理解地，对于激光的治疗形式不做具体限定，可根据实际需要进行设置。这些激光可以是用于破坏色素、促进皮肤细胞再生或者进行其他形式的治疗，以达到改善皮肤状况的目的。
防护模块：用于对面部上的每个危险区域进行隔离防护。具体地，在本申请中，头戴式装置设置有与面部上每个危险区域相对应的隔离防护内衬。例如，若眼部区域为危险区域，则在头戴式装置中设置有与面部上的眼部区域相对应的隔离防护内衬，在配戴后实现眼部的隔离与防护。
控制模块：用于向斑点检测模块、视觉模块、激光局部发射模块、防护模块发送相应指令，使得斑点检测模块、视觉模块、激光局部发射模块、防护模块根据相应指令，执行相应操作。具体地，控制模块的主要功能是协调系统中的各个模块，包括斑点检测模块、视觉模块、激光局部发射模块以及防护模块，通过发送相应指令来控制它们执行相应的操作，从而实现整个系统的功能。
在其中一个实施例中，头戴式装置还包括自检模块，用于在进行发射激光之前，对防护模块以及激光局部发射模块进行故障检查；当检查结果表示不存在故障时，向防护模块以及激光局部发射模块发送行工作指令，使得防护模块和激光局部发射模块进入工作状态；当检查结果表示存在故障时，向防护模块以及激光局部发射模块发送行休眠指令，使得防护模块和激光局部发射模块进入休眠状态，并生成告警提示。
具体地，在头戴式装置中还设置了自检模块，用于在发射激光之前对防护模块和激光局部发射模块进行故障检查。如果检查结果显示不存在故障，那么会向防护模块和激光局部发射模块发送工作指令，以便让它们进入工作状态。但如果检查结果显示存在故障，那么会发送休眠指令，让它们进入休眠状态，并生成告警提示。
由于头戴式装置中还设置了自检模块，可以确保在发射激光之前进行自检，以确保装置的正常运行。如果存在故障，能够及时发出警告并将装置置于休眠状态，以防止潜在的危险情况发生。
在其中一个实施例中，头戴式装置还包括辅助照明模块，用于对面部上的安全区域进行照明。
具体地，在该头戴式装置中还设置有一个辅助照明模块，该辅助照明模块的作用主要是为使用者的面部上的安全区域提供额外的照明。例如，在头戴式装置上安装灯光或者其他照明设备，通过这些照明设备提高面部上的安全区域的可见度，进而有效提高激光祛除过程中的安全性。
由于头戴式装置还设置有辅助照明模块，辅助照明模块可以提供额外的照明，可以更清晰地看到面部上斑点的细节，从而提高激光祛除过程的安全性、准确性和效率。
在其中一个实施例中，头戴式装置还包括虚拟现实显示模块，用于根据激光发射提示信息，确定被激光发射模块发射激光的安全区域，根据被激光发射模块发射激光的安全区域，生成虚拟现实画面并进行播放；虚拟现实画面包括被激光发射模块发射激光的安全区域的虚拟三维动态画面。
在一个示例性的实施例中，如图2所示，提供了一种应用于头戴式装置的提示信息生成方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤202至步骤208。其中：
步骤202，确定面部上的斑点的颜色信息、位置信息以及轮廓信息。
其中，在本申请中，对于面部上的斑点类型不做具体限定，可根据实际需要进行设置。可选的，面部上的斑点类型包括但不限于日晒斑、黄褐斑、老年斑、雀斑以及咖啡斑等。颜色信息为颜色通道图像中反映出的颜色通道值。可选的，颜色信息是指面部上的斑点在红色、绿色以及蓝色三种颜色通道的数值。位置信息是指斑点位于面部上的具体位置。例如，其中一个斑点位于面部上的右眼部区域，该右眼部区域即为该斑点的位置信息。轮廓信息是指面部上的斑点的外部形状。例如，其中一个斑点的外部形状为椭圆形，该椭圆形即为该斑点的轮廓信息。
具体地，在生成提示信息之前，首先需要确定出准备进行激光去除的面部上的斑点。然后确定准备进行激光去除的面部上的斑点的颜色信息、位置信息以及轮廓信息。容易理解地，对于确定斑点的颜色信息、位置信息以及轮廓信息的方法不做具体限定，可根据实际需要进行设置。可选的，首先使用图像分割算法，如基于颜色、纹理或边缘信息的分割方法，来识别面部上的斑点，并提取其位置信息。然后采用颜色检测和分析算法来确定斑点的颜色信息。这可能涉及颜色空间转换、颜色分布建模等技术，以便精确地描述斑点的颜色特征。最后对斑点的轮廓信息可使用边缘检测和形态学处理来提取。这些技术能够识别斑点的边界，从而获得其轮廓信息。
步骤204，将斑点的颜色信息、位置信息以及轮廓信息分别转换成颜色特征向量、位置特征向量以及形状特征向量。
其中，颜色特征向量可以由斑点的颜色直方图构成，每个颜色通道的分布可以被分别作为特征向量的一部分。这样的颜色特征向量可以描述斑点的整体颜色特征。位置特征向量可以由斑点的位置坐标构成，一般使用斑点中心的像素坐标作为位置特征向量的一部分，容易理解地，也可以添加斑点的尺寸信息等。形状特征向量可以由斑点的轮廓信息提取而来。常用的方法包括将轮廓均匀采样成特定数量的点，然后计算这些点的相对位置关系作为形状特征向量。
具体地，对于颜色特征向量来说，将斑点的颜色信息转换成颜色特征向量，其中每个斑点的颜色可以用RGB值或者HSV值表示，然后将这些数值组合成一个向量。对于位置特征向量来说，将斑点的位置信息可以转换成位置特征向量。例如，在二维图像中，可以用斑点中心的坐标或者斑点的边界框的位置信息来表示。对于形状特征向量来说，将斑点的轮廓信息可以转换成形状特征向量，可以使用一些形状描述符如Hu矩（胡矩）或者使用Fourier描述子（傅立叶描述子）等方法转换成形状特征向量。
步骤206，根据斑点的颜色特征向量、位置特征向量以及形状特征向量，确定斑点的类别。
其中，在本申请中，对于斑点的类别不做具体限定，可根据实际需要进行设置。可选的，斑点的类别包括但不限于日晒斑、黄褐斑、老年斑、雀斑以及咖啡斑等。
具体地，通过设置不同的分类器分别对颜色特征向量、位置特征向量以及形状特征向量进行分类，根据每个分类器对颜色特征向量、位置特征向量以及形状特征向量的分类结果，最终确定斑点的类别。分类器是指神经网络结构中的一部分，通常包括全连接层和输出层，用来对输入的颜色特征向量、位置特征向量以及形状特征向量进行分类或预测。
步骤208，根据斑点的类别以及位置信息，生成与斑点适配的激光发射提示信息，并展示激光发射提示信息。
其中，激光发射提示信息是指用于提示激光发射模块对面部上的哪一个斑点进行激光祛除以及相应的激光祛除条件。容易理解地，对于具体的激光祛除条件不做限定，可根据实际需要进行设置。可选的，激光祛除条件至少包括激光类型、激光波长、能量密度、脉冲宽度以及激光束直径中的一种。
具体地，由于在所有的斑点的类别中，只有部分斑点的类别是可以适用于激光方式祛除的，以及由于将面部划分为多个安全区域和多个危险区域，只有安全区域是可以适用于激光方式祛除的，危险区域是无法适用于激光方式祛除的。因此，首先在多个待祛除的面部的斑点中确定出位于面部上安全区域的斑点（即候选斑点），然后在确定出的候选斑点中，进一步筛选出适用于激光方式祛除的斑点（即目标斑点）。最后根据筛选出的目标斑点，生成用于提示头戴式装置对目标斑点进行激光祛除的提示信息（即第一提示信息）。
在其中一个实施例中，根据斑点的颜色信息，得到颜色直方图，根据颜色直方图，确定斑点的颜色特征向量；根据斑点的位置信息，将斑点划分到对应的预设病理区域，根据斑点被划分的预设病理区域，确定斑点的位置特征向量；将斑点的轮廓信息与多个预设斑点形状进行匹配，确定与斑点相匹配的预设斑点形状，根据预设斑点形状，确定斑点的形状特征向量。
其中，颜色信息包括红色颜色值、绿色颜色值以及蓝色颜色值；颜色直方图包括红色直方图、绿色直方图以及蓝色直方图。
具体地，本申请中对于斑点的颜色特征向量的确定过程不做具体限定，可根据实际需要进行设置。可选的，将红色颜色值划分为多个连续的红色颜色值区间，根据所针对的斑点中每个像素点所对应的红色颜色值，将所针对的斑点中每个像素点分配到各自对应的红色颜色值区间，得到红色直方图，红色直方图的横坐标表示所针对的斑点中每个像素点所在的红色颜色值区间，红色直方图的纵坐标表示在所针对的斑点中被分配到每个红色颜色值区间的像素点的个数；将绿色颜色值划分为多个连续的绿色颜色值区间，根据所针对的斑点中每个像素点所对应的绿色颜色值，将所针对的斑点中每个像素点分配到各自对应的绿色颜色值区间，得到绿色直方图，绿色直方图的横坐标表示所针对的斑点中每个像素点所在的绿色颜色值区间，绿色直方图的纵坐标表示在所针对的斑点中被分配到每个绿色颜色值区间的像素点的个数；将蓝色颜色值划分为多个连续的蓝色颜色值区间，根据所针对的斑点中每个像素点所对应的蓝色颜色值，将所针对的斑点中每个像素点分配到各自对应的蓝色颜色值区间，得到蓝色直方图，蓝色直方图的横坐标表示所针对的斑点中每个像素点所在的蓝色颜色值区间，蓝色直方图的纵坐标表示在所针对的斑点中被分配到每个蓝色颜色值区间的像素点的个数；根据所针对的斑点中被分配到每个红色颜色值区间的像素点的个数、每个绿色颜色值区间的像素点的个数以及每个蓝色颜色值区间的像素点的个数，确定所针对的斑点对应的颜色特征向量。
同样道理，本申请中对于根据所针对的斑点中被分配到每个红色颜色值区间的像素点的个数、每个绿色颜色值区间的像素点的个数以及每个蓝色颜色值区间的像素点的个数，确定所针对的斑点对应的颜色特征向量的过程，不做具体限定，可根据实际需要进行设置。可选的，将所针对的斑点中被分配到每个红色颜色值区间的像素点的个数，作为每个特征元素，根据每个红色颜色值区间的顺序，将每个特征元素进行排序得到红色特征向量；将所针对的斑点中被分配到每个绿色颜色值区间的像素点的个数，作为每个特征元素，根据每个绿色颜色值区间的顺序，将每个特征元素进行排序得到绿色特征向量；将所针对的斑点中被分配到每个蓝色颜色值区间的像素点的个数，作为每个特征元素，根据每个蓝色颜色值区间的顺序，将每个特征元素进行排序得到蓝色特征向量。
由于将颜色值分别划分为多个区间，并根据每个像素点的颜色值进行分配，因此能够很好地捕捉到斑点中颜色的分布情况，从而提供了更为丰富和全面的颜色特征信息。并且将颜色直方图的横坐标表示为颜色值区间，并通过每个区间中像素点的个数来描述颜色特征，相比单一的颜色值，这种方式更具一般性和鲁棒性，能够更好地应对光照、噪声等因素对颜色值的影响。
在其中一个实施例中，通过颜色分类器对斑点的颜色特征向量进行分类，得到斑点的第一分类结果；通过位置分类器对斑点的位置特征向量进行分类，得到斑点的第二分类结果；通过形状分类器对斑点的形状特征向量进行分类，得到斑点对应的第三分类结果；根据第一分类结果、第二分类结果以及第三分类结果，确定斑点的类别。
具体地，对斑点的颜色特征进行向量化，得到每个斑点的颜色特征向量。然后将这些颜色特征向量输入到颜色分类器中进行分类，得到斑点的第一分类结果，即基于颜色特征对斑点进行分类。对斑点的位置特征进行提取，包括斑点在图像中的位置信息。将这些位置特征向量输入到位置分类器中进行分类，得到斑点的第二分类结果，即基于位置特征对斑点进行分类。对斑点的形状特征进行提取，可能包括斑点的大小、紧凑度等形状信息。将这些形状特征向量输入到形状分类器中进行分类，得到斑点的第三分类结果，即基于形状特征对斑点进行分类。最后，将斑点的颜色分类结果、位置分类结果和形状分类结果综合起来，可以确定斑点的最终类别。可以利用一些规则或者分类融合的方法进行综合判断，从而确定每个斑点的类别。
由于通过颜色、位置和形状三个不同的特征维度对斑点进行分类，综合考虑了多个方面的特征信息，可以更全面地描述和区分不同的斑点。并且通过综合考虑多个特征维度，可以提高分类器对斑点的准确性和鲁棒性，避免了单一特征维度可能存在的局限性和误判问题，有助于提高分类的准确性。
在其中一个实施例中，对于斑点的第一分类结果的确定过程包括：将斑点的颜色特征向量转换成的第一概率分布特征向量；根据第一概率分布特征向量，确定斑点被分类至的每一预设斑点类别的第一概率。对于斑点的第二分类结果的确定过程包括：将斑点对应的位置特征向量转换成的第二概率分布特征向量；根据第二概率分布特征向量，确定斑点被分类至的每一预设斑点类别的第二概率。对于斑点的第三分类结果的确定过程包括：将斑点的形状特征向量转换成的第三概率分布特征向量；根据第三概率分布特征向量，确定斑点被分类至的每一预设斑点类别的第三概率。
具体地，首先斑点的颜色特征向量可能包括不同颜色通道的直方图信息或者其他描述颜色特征的向量表示。针对这个颜色特征向量，可以进行概率分布的转换，例如使用归一化的方式将颜色特征向量转化为概率分布特征向量，表示每种颜色的分布概率。然后在得到了斑点的概率分布特征向量后，可以利用该概率分布特征向量来确定斑点被分类至每一预设斑点类别的第一概率。可以理解地，该过程可能涉及到使用概率模型或者分类器，根据斑点的概率分布特征向量输入到分类器中，分类器可以输出每一类的概率值，表示斑点属于每一类的可能概率。容易理解地，该方法同样适用于第二分类结果和第三分类结果的确定过程。
由于利用斑点的颜色特征、位置特征和形状特征进行多层次的特征提取和分类，可以更全面地描述每个斑点的特征。这样的多特征融合方案可以提高斑点分类的准确性，特别是对于复杂的斑点数据，因为不同特征的信息可以相互补充，帮助更好地理解斑点的特性。并且利用概率分布进行特征表示和分类，可以提供更丰富的信息，并且更符合现实世界中的不确定性。通过将特征向量转换为概率分布特征向量，可以更精细地描述特征之间的关系和差异，从而使得分类过程更加灵活和准确。
在其中一个实施例中，按照预设斑点类别，对斑点被分类至的每一预设斑点类别的第一概率、第二概率以及第三概率进行加权求和，得到斑点被分类至的每一预设斑点类别的目标概率；在斑点被分类至的每一预设斑点类别的目标概率中，筛选出斑点被最大概率分类至的目标斑点类别；将目标斑点类别，作为斑点的类别。
具体地，首先针对面部上需要进行激光方式祛除的斑点，通过颜色特征向量、位置特征向量和形状特征向量分别进行特征提取和分类，得到每个斑点在每个预设斑点类别中的第一概率、第二概率和第三概率。这样可以获得每个斑点在每个类别下被分类的概率分布。然后对每个斑点在每个类别下的第一概率、第二概率和第三概率进行加权求和，得到每个斑点在每个类别下的目标概率。这一步是为了综合考虑不同层次的特征对分类结果的贡献，从而获得更综合的概率信息。最后针对面部上每一个需要进行激光方式祛除的斑点，筛选出目标概率中最大的值，该目标概率最大的值所对应的类别即为该斑点的最终分类结果，即通过筛选最大概率的类别，确定了每个斑点的最终分类。
由于通过对各种特征提取的概率信息进行加权求和，可以更完整地考虑各个特征在分类中的贡献，从而得到更可靠的目标概率。并且通过提取颜色特征、位置特征和形状特征等多个层次的特征，可以更全面地描述斑点的特征，提高了对斑点的表征能力。
在其中一个实施例中，若斑点的位置信息位于安全区域内，从多个安全区域中确定斑点位于的目标安全区域，并将斑点作为候选斑点；若候选斑点的类别为激光适用斑点类别，将斑点作为目标斑点，并生成第一提示信息；第一提示信息用以提示与目标安全区域相对应的激光发射模块即将发射激光。
其中，激光发射提示信息包括第一提示信息；面部包括多个安全区域；头戴式装置包括与每个安全区域一一对应的激光发射模块。
具体地，激光发射提示信息包括第一提示信息，这种特殊的提示信息，即第一提示信息，用以通知用户激光发射模块即将发射激光。面部被划分为多个安全区域，每个安全区域可能对应不同的功能或敏感度，例如眼睛、鼻子等部位。头戴式装置中设有多个激光发射模块，它们分别与面部的安全区域相对应，这样可以精确地针对特定区域进行激光发射。若斑点的位置信息位于安全区域内，从多个安全区域中确定斑点位于的目标安全区域，并将斑点作为候选斑点：首先检查斑点是否在安全区域内，如果是，则将其标记为候选斑点。若候选斑点的类别为激光适用斑点类别，将斑点作为目标斑点，并生成第一提示信息：如果候选斑点属于可以接受激光照射的类别（例如斑点可能是痣或其他非敏感皮肤部分），则将它设为目标斑点，并生成第一提示信息，表示对应的激光发射模块即将发射激光。
由于通过将斑点位置与安全区域关联，确保了激光发射过程中人的面部安全，避免在敏感部位发射激光而可能引起的意外伤害。并且通过判断斑点位置和类别，能够智能地确定需要进行激光处理的目标斑点，从而在激光发射之前提供准确的提示信息，提高了操作的智能化和准确性。
在其中一个实施例中，在斑点不为候选斑点，或者，不为目标斑点时，生成第二提示信息；第二提示信息用于提示与目标安全区域相对应的激光发射模块不发射激光。
具体地，通过相应的视觉算法和传感器，可以识别特定斑点，这些斑点可能是目标斑点或候选斑点。此时识别出的斑点需要进行进一步的分类和判断，确定它们是否是候选斑点或目标斑点，一旦确定识别出的斑点不是候选斑点或目标斑点，它将生成第二提示信息，通知激光发射模块不要在与该斑点相对应的安全区域内发射激光。
由于通过对斑点进行识别和分类，可以避免激光误发射到危险区域，从而提高了激光操作的安全性，并且整个过程可以实现自动化控制，减少了对人工干预的依赖，提高了操作的准确性和一致性。
在其中一个实施例中，激光祛除条件包括激光类型和激光强度。根据每个目标斑点各自对应的斑点类别、颜色信息、位置信息以及轮廓信息，确定每个目标斑点各自适用的激光祛除条件的过程如下：
针对多个目标斑点中的每一个，将所针对的目标斑点对应的斑点类别、颜色信息、位置信息以及轮廓信息分别转换成对应的类别值、颜色值、位置值以及形状值；根据预设的第一截距项、第一类别系数、第一颜色系数、第一位置系数、第一轮廓系数以及第一误差项，对所针对的目标斑点对应的类别值、颜色值、位置值以及形状值进行线性组合，得到所针对的目标斑点对应的激光类型；根据预设的第二截距项、第二类别系数、第二颜色系数、第二位置系数、第二轮廓系数以及第二误差项，对所针对的目标斑点对应的类别值、颜色值、位置值以及形状值进行线性组合，得到所针对的目标斑点对应的激光强度；将每个目标斑点各自对应的激光类型和激光强度作为各自适用的激光祛除条件。
具体地，在前述步骤中已经确定出每个目标斑点各自对应的斑点类别。可以理解地，在确定出每个目标斑点各自对应的斑点类别后，要想进一步判断每一个目标斑点各自适用的激光祛除条件，所需要考虑的因素就包括每个目标斑点的斑点类别、颜色信息、位置信息以及轮廓信息。
将每一个目标斑点各自的斑点类别、颜色信息、位置信息以及轮廓信息，分别转换成对应的类别值、颜色值、位置值以及形状值。本申请对于转换方法不做具体限定，可根据实际需要进行设置。可选的，类别值转换是通过将斑点类别信息映射到预先定义的类别值，例如使用数字或编码来表示不同的类别。颜色值转换是通过将颜色信息转换为标准的颜色值，可以使用颜色编码或者将颜色描述映射到标准颜色模型（如RGB图像、LAB图像等）。位置值转换是通过将位置信息转换为数学坐标值，例如使用x和y坐标表示位置。形状值转换是通过将斑点的轮廓信息转换为对应的形状值，可以使用标准的形状描述方法，例如边界框、面积和周长等。
通过激光祛除条件预测函数对转换后的每一个目标斑点各自的类别值、颜色值、位置值以及形状值进行线性回归处理，输出每一个目标斑点各自预测出的激光祛除条件，该预测出的激光祛除条件包括激光类型和激光强度。
由于通过将目标斑点的类别、颜色、位置和轮廓信息转换为相应的数值表示，可以实现对斑点信息的自动化处理和分析，从而减少了人工干预和操作所需的时间和成本。并且通过对每个目标斑点计算得出的类别值、颜色值、位置值和形状值进行线性回归处理，可以实现对激光祛除条件的个性化预测，保证每个斑点都能获得最适合的激光祛除条件，提高了激光祛除的效率和精度。
在一个示例性的实施例中，如图3所示，图3为另一个实施例中应用于头戴式装置的提示信息生成方法的流程示意图，包括如下步骤：
步骤302，确定面部上的斑点的颜色信息、位置信息以及轮廓信息；
步骤304，根据斑点的颜色信息，得到颜色直方图，根据颜色直方图，确定斑点的颜色特征向量；根据斑点的位置信息，将斑点划分到对应的预设病理区域，根据斑点被划分的预设病理区域，确定斑点的位置特征向量；将斑点的轮廓信息与多个预设斑点形状进行匹配，确定与斑点相匹配的预设斑点形状，根据预设斑点形状，确定斑点的形状特征向量；
步骤306，将斑点的颜色特征向量转换成的第一概率分布特征向量；根据第一概率分布特征向量，确定斑点被分类至的每一预设斑点类别的第一概率；将斑点对应的位置特征向量转换成的第二概率分布特征向量；根据第二概率分布特征向量，确定斑点被分类至的每一预设斑点类别的第二概率；将斑点的形状特征向量转换成的第三概率分布特征向量；根据第三概率分布特征向量，确定斑点被分类至的每一预设斑点类别的第三概率；按照预设斑点类别，对斑点被分类至的每一预设斑点类别的第一概率、第二概率以及第三概率进行加权求和，得到斑点被分类至的每一预设斑点类别的目标概率；在斑点被分类至的每一预设斑点类别的目标概率中，筛选出斑点被最大概率分类至的目标斑点类别；将目标斑点类别，作为斑点的类别；
步骤308，若斑点的位置信息位于安全区域内，从多个安全区域中确定斑点位于的目标安全区域，并将斑点作为候选斑点；若候选斑点的类别为激光适用斑点类别，将斑点作为目标斑点，并生成第一提示信息；第一提示信息用以提示与目标安全区域相对应的激光发射模块即将发射激光；
步骤310，在斑点不为候选斑点，或者，不为目标斑点时，生成第二提示信息；第二提示信息用于提示与目标安全区域相对应的激光发射模块不发射激光。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的应用于头戴式装置的提示信息生成方法的应用于头戴式装置的提示信息生成装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个应用于头戴式装置的提示信息生成装置实施例中的具体限定可以参见上文中对于应用于头戴式装置的提示信息生成方法的限定，在此不再赘述。
在一个示例性的实施例中，如图4所示，提供了一种应用于头戴式装置的提示信息生成装置400，包括：第一确定模块402、转换模块404、第二确定模块406和展示模块408，其中：
第一确定模块402，用于确定面部上的斑点的颜色信息、位置信息以及轮廓信息；
转换模块404，用于将斑点的颜色信息、位置信息以及轮廓信息分别转换成颜色特征向量、位置特征向量以及形状特征向量；
第二确定模块406，用于根据斑点的颜色特征向量、位置特征向量以及形状特征向量，确定斑点的类别；
展示模块408，用于根据斑点的类别以及位置信息，生成与斑点适配的激光发射提示信息，并展示激光发射提示信息。
在其中一个实施例中，转换模块404，用于根据斑点的颜色信息，得到颜色直方图，根据颜色直方图，确定斑点的颜色特征向量；根据斑点的位置信息，将斑点划分到对应的预设病理区域，根据斑点被划分的预设病理区域，确定斑点的位置特征向量；将斑点的轮廓信息与多个预设斑点形状进行匹配，确定与斑点相匹配的预设斑点形状，根据预设斑点形状，确定斑点的形状特征向量。
在其中一个实施例中，第二确定模块406，用于通过颜色分类器对斑点的颜色特征向量进行分类，得到斑点的第一分类结果；通过位置分类器对斑点的位置特征向量进行分类，得到斑点的第二分类结果；通过形状分类器对斑点的形状特征向量进行分类，得到斑点对应的第三分类结果；根据第一分类结果、第二分类结果以及第三分类结果，确定斑点的类别。
在其中一个实施例中，第二确定模块406，用于将斑点的颜色特征向量转换成的第一概率分布特征向量；根据第一概率分布特征向量，确定斑点被分类至的每一预设斑点类别的第一概率；将斑点对应的位置特征向量转换成的第二概率分布特征向量；根据第二概率分布特征向量，确定斑点被分类至的每一预设斑点类别的第二概率；将斑点的形状特征向量转换成的第三概率分布特征向量；根据第三概率分布特征向量，确定斑点被分类至的每一预设斑点类别的第三概率。
在其中一个实施例中，第二确定模块406，用于按照预设斑点类别，对斑点被分类至的每一预设斑点类别的第一概率、第二概率以及第三概率进行加权求和，得到斑点被分类至的每一预设斑点类别的目标概率；在斑点被分类至的每一预设斑点类别的目标概率中，筛选出斑点被最大概率分类至的目标斑点类别；将目标斑点类别，作为斑点的类别。
在其中一个实施例中，展示模块408，用于若斑点的位置信息位于安全区域内，从多个安全区域中确定斑点位于的目标安全区域，并将斑点作为候选斑点；若候选斑点的类别为激光适用斑点类别，将斑点作为目标斑点，并生成第一提示信息；第一提示信息用以提示与目标安全区域相对应的激光发射模块即将发射激光。
在其中一个实施例中，应用于头戴式装置的提示信息生成装置400还包括提示模块410，用于在斑点不为候选斑点，或者，不为目标斑点时，生成第二提示信息；第二提示信息用于提示与目标安全区域相对应的激光发射模块不发射激光。
在另一实施例中，如图5所示，图5为另一个实施例中应用于头戴式装置的提示信息生成装置的结构框图，包括：第一确定模块402、转换模块404、第二确定模块406和展示模块408。其中，应用于头戴式装置的提示信息生成装置400还包括提示模块410，提示模块用410用于在斑点不为候选斑点，或者，不为目标斑点时，生成第二提示信息；第二提示信息用于提示与目标安全区域相对应的激光发射模块不发射激光。
上述应用于头戴式装置的提示信息生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储与应用于头戴式装置的提示信息生成相关的数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种应用于头戴式装置的提示信息生成方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random AccessMemory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (13)
1.一种头戴式装置，其特征在于，所述装置包括：
斑点检测模块：用于检测面部上斑点的信息，所述斑点的信息包括颜色信息、位置信息以及轮廓信息，所述面部包括多个安全区域和多个危险区域；
视觉模块：用于根据检测出的所述斑点的颜色信息、位置信息以及轮廓信息，分析出所述斑点各自对应的类别，根据所述斑点各自对应的类别以及位置信息，生成与所述斑点适配的激光发射提示信息，并将所述激光发射提示信息发送至激光发射模块；
激光发射模块：包括与每个安全区域一一对应的激光局部发射模块，用于接收所述激光发射提示信息，根据所述激光发射提示信息中反映出的相应安全区域内的斑点的类别，向所述相应安全区域发射激光；
防护模块：用于对所述面部上的每个危险区域进行隔离防护；
控制模块：用于向所述斑点检测模块、所述视觉模块、所述激光局部发射模块、防护模块发送相应指令，使得所述斑点检测模块、所述视觉模块、所述激光局部发射模块、所述防护模块根据所述相应指令，执行相应操作。
2.根据权利要求1所述的装置，其特征在于，所述头戴式装置还包括自检模块，用于在进行发射激光之前，对所述防护模块以及所述激光局部发射模块进行故障检查；
当检查结果表示不存在故障时，向所述防护模块以及所述激光局部发射模块发送行工作指令，使得所述防护模块和所述激光局部发射模块进入工作状态；
当检查结果表示存在故障时，向所述防护模块以及所述激光局部发射模块发送行休眠指令，使得所述防护模块和所述激光局部发射模块进入休眠状态，并生成告警提示。
3.根据权利要求1所述的装置，其特征在于，所述头戴式装置还包括辅助照明模块，用于对所述面部上的安全区域进行照明。
4.一种应用于头戴式装置的提示信息生成方法，其特征在于，所述方法包括：
确定面部上的斑点的颜色信息、位置信息以及轮廓信息；
将所述斑点的颜色信息、位置信息以及轮廓信息分别转换成颜色特征向量、位置特征向量以及形状特征向量；
根据所述斑点的颜色特征向量、位置特征向量以及形状特征向量，确定所述斑点的类别；
根据所述斑点的类别以及位置信息，生成与所述斑点适配的激光发射提示信息，并展示所述激光发射提示信息。
5.根据权利要求4所述的方法，其特征在于，所述将所述斑点的颜色信息、位置信息以及轮廓信息分别转换成颜色特征向量、位置特征向量以及形状特征向量，包括：
根据所述斑点的颜色信息，得到颜色直方图，根据所述颜色直方图，确定所述斑点的颜色特征向量；
根据所述斑点的位置信息，将所述斑点划分到对应的预设病理区域，根据所述斑点被划分的预设病理区域，确定所述斑点的位置特征向量；
将所述斑点的轮廓信息与多个预设斑点形状进行匹配，确定与所述斑点相匹配的预设斑点形状，根据所述预设斑点形状，确定所述斑点的形状特征向量。
6.根据权利要求4所述的方法，其特征在于，所述根据所述斑点的颜色特征向量、位置特征向量以及形状特征向量，确定所述斑点的类别，包括：
通过颜色分类器对所述斑点的颜色特征向量进行分类，得到所述斑点的第一分类结果；
通过位置分类器对所述斑点的位置特征向量进行分类，得到所述斑点的第二分类结果；
通过形状分类器对所述斑点的形状特征向量进行分类，得到所述斑点对应的第三分类结果；
根据所述第一分类结果、所述第二分类结果以及所述第三分类结果，确定所述斑点的类别。
7.根据权利要求6所述的方法，其特征在于，所述通过颜色分类器对所述斑点的颜色特征向量进行分类，得到所述斑点的第一分类结果，包括：
将所述斑点的颜色特征向量转换成的第一概率分布特征向量；
根据所述第一概率分布特征向量，确定所述斑点被分类至的每一预设斑点类别的第一概率；
所述通过位置分类器对所述斑点的位置特征向量进行分类，得到所述斑点的第二分类结果，包括：
将所述斑点对应的位置特征向量转换成的第二概率分布特征向量；
根据所述第二概率分布特征向量，确定所述斑点被分类至的每一预设斑点类别的第二概率；
所述通过形状分类器对所述斑点的形状特征向量进行分类，得到所述斑点对应的第三分类结果，包括：
将所述斑点的形状特征向量转换成的第三概率分布特征向量；
根据所述第三概率分布特征向量，确定所述斑点被分类至的每一预设斑点类别的第三概率。
8.根据权利要求6所述的方法，其特征在于，所述根据所述第一分类结果、所述第二分类结果以及所述第三分类结果，确定所述斑点的类别，包括：
按照预设斑点类别，对所述斑点被分类至的每一预设斑点类别的第一概率、第二概率以及第三概率进行加权求和，得到所述斑点被分类至的每一预设斑点类别的目标概率；
在所述斑点被分类至的每一预设斑点类别的目标概率中，筛选出所述斑点被最大概率分类至的目标斑点类别；
将所述目标斑点类别，作为所述斑点的类别。
9.根据权利要求4所述的方法，其特征在于，所述激光发射提示信息包括第一提示信息；所述面部包括多个安全区域；所述头戴式装置包括与每个安全区域一一对应的激光发射模块；
所述根据所述斑点的类别以及位置信息，生成与所述斑点适配的激光发射提示信息，并展示所述激光发射提示信息，包括：
若所述斑点的位置信息位于安全区域内，从所述多个安全区域中确定所述斑点位于的目标安全区域，并将所述斑点作为候选斑点；
若所述候选斑点的类别为激光适用斑点类别，将所述斑点作为目标斑点，并生成第一提示信息；所述第一提示信息用以提示与所述目标安全区域相对应的激光发射模块即将发射激光。
10.根据权利要求4所述的方法，其特征在于，所述激光发射提示信息包括第二提示信息；所述方法还包括：
在所述斑点不为候选斑点，或者，不为目标斑点时，生成第二提示信息；所述第二提示信息用于提示与所述目标安全区域相对应的激光发射模块不发射激光。
11.一种应用于头戴式装置的提示信息生成装置，其特征在于，所述装置包括：
第一确定模块，用于确定面部上的斑点的颜色信息、位置信息以及轮廓信息；
转换模块，用于将所述斑点的颜色信息、位置信息以及轮廓信息分别转换成颜色特征向量、位置特征向量以及形状特征向量；
第二确定模块，用于根据所述斑点的颜色特征向量、位置特征向量以及形状特征向量，确定所述斑点的类别；
展示模块，用于根据所述斑点的类别以及位置信息，生成与所述斑点适配的激光发射提示信息，并展示所述激光发射提示信息。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求4至10中任一项所述的方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求4至10中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410074702.8A CN117593781B (zh) | 2024-01-18 | 2024-01-18 | 头戴式装置和应用于头戴式装置的提示信息生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410074702.8A CN117593781B (zh) | 2024-01-18 | 2024-01-18 | 头戴式装置和应用于头戴式装置的提示信息生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117593781A true CN117593781A (zh) | 2024-02-23 |
| CN117593781B CN117593781B (zh) | 2024-05-14 |
Family
ID=89922342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410074702.8A Active CN117593781B (zh) | 2024-01-18 | 2024-01-18 | 头戴式装置和应用于头戴式装置的提示信息生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117593781B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130046168A1 (en) * | 2011-08-17 | 2013-02-21 | Lei Sui | Method and system of characterization of carotid plaque |
| JP2013090752A (ja) * | 2011-10-25 | 2013-05-16 | Fujifilm Corp | シミ分類方法、シミ分類装置およびシミ分類プログラム |
| CN112221021A (zh) * | 2020-11-02 | 2021-01-15 | 中南大学湘雅三医院 | 一种皮肤科智能激光祛斑控制系统及控制方法 |
| CN213525460U (zh) * | 2020-10-10 | 2021-06-25 | 金华市可美茜医疗有限公司 | 一种祛斑仪器 |
| CN113017565A (zh) * | 2021-02-25 | 2021-06-25 | 西安医学院第一附属医院 | 一种皮肤科色斑智能检测分析方法及系统 |
| CN115105200A (zh) * | 2022-06-28 | 2022-09-27 | 金顶新医疗科技经营管理（深圳）有限公司 | 异常皮肤治疗方法、系统、终端和存储介质 |
| CN115737118A (zh) * | 2022-12-13 | 2023-03-07 | 深圳市宗匠科技有限公司 | 激光美容模组及激光美容仪 |
| CN116712164A (zh) * | 2023-07-06 | 2023-09-08 | 广东非凡草本生物科技产业有限公司 | 一种激光祛斑美白装置 |
-
2024
- 2024-01-18 CN CN202410074702.8A patent/CN117593781B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130046168A1 (en) * | 2011-08-17 | 2013-02-21 | Lei Sui | Method and system of characterization of carotid plaque |
| JP2013090752A (ja) * | 2011-10-25 | 2013-05-16 | Fujifilm Corp | シミ分類方法、シミ分類装置およびシミ分類プログラム |
| CN213525460U (zh) * | 2020-10-10 | 2021-06-25 | 金华市可美茜医疗有限公司 | 一种祛斑仪器 |
| CN112221021A (zh) * | 2020-11-02 | 2021-01-15 | 中南大学湘雅三医院 | 一种皮肤科智能激光祛斑控制系统及控制方法 |
| CN113017565A (zh) * | 2021-02-25 | 2021-06-25 | 西安医学院第一附属医院 | 一种皮肤科色斑智能检测分析方法及系统 |
| CN115105200A (zh) * | 2022-06-28 | 2022-09-27 | 金顶新医疗科技经营管理（深圳）有限公司 | 异常皮肤治疗方法、系统、终端和存储介质 |
| CN115737118A (zh) * | 2022-12-13 | 2023-03-07 | 深圳市宗匠科技有限公司 | 激光美容模组及激光美容仪 |
| CN116712164A (zh) * | 2023-07-06 | 2023-09-08 | 广东非凡草本生物科技产业有限公司 | 一种激光祛斑美白装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117593781B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gondal et al. | Weakly-supervised localization of diabetic retinopathy lesions in retinal fundus images | |
| CN111275080B (zh) | 基于人工智能的图像分类模型训练方法、分类方法及装置 | |
| CN110765923B (zh) | 一种人脸活体检测方法、装置、设备及存储介质 | |
| CN111723786B (zh) | 一种基于单模型预测的安全帽佩戴检测方法及装置 | |
| Tang et al. | Splat feature classification with application to retinal hemorrhage detection in fundus images | |
| US8401292B2 (en) | Identifying high saliency regions in digital images | |
| CN111860169B (zh) | 皮肤分析方法、装置、存储介质及电子设备 | |
| CN113159147A (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
| CN114758249B (zh) | 基于野外夜间环境的目标物监测方法、装置、设备及介质 | |
| CN113302619B (zh) | 目标区域评估和特征点评估的系统和方法 | |
| EP4148746A1 (en) | Method and apparatus for providing information associated with immune phenotypes for pathology slide image | |
| CN112528909A (zh) | 活体检测方法、装置、电子设备及计算机可读存储介质 | |
| CN114067431A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| Sabharwal et al. | Recognition of surgically altered face images: an empirical analysis on recent advances | |
| Oukil et al. | Automatic segmentation and melanoma detection based on color and texture features in dermoscopic images | |
| CN112784742A (zh) | 鼻纹特征的提取方法、装置及非易失性存储介质 | |
| CN116681923A (zh) | 一种基于人工智能的眼科疾病自动分类方法及系统 | |
| CN114842240A (zh) | 融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法 | |
| US20210209755A1 (en) | Automatic lesion border selection based on morphology and color features | |
| CN117593781B (zh) | 头戴式装置和应用于头戴式装置的提示信息生成方法 | |
| US20220036549A1 (en) | Method and apparatus for providing information associated with immune phenotypes for pathology slide image | |
| CN112101192B (zh) | 基于人工智能的伪装检测方法、装置、设备及介质 | |
| CN113920590A (zh) | 活体检测方法、装置、设备及可读存储介质 | |
| Nida et al. | A Novel Region‐Extreme Convolutional Neural Network for Melanoma Malignancy Recognition | |
| Daghrir et al. | Selection of statistic textural features for skin disease characterization toward melanoma detection |
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 |