黑眼圈智能判断方法、装置及计算机可读存储介质制造方法及图纸

本发明专利技术涉及一种人工智能技术，揭露了一种黑眼圈智能判断方法，包括：接收人脸图像集和标签集，并对所述人脸图片集进行预处理，并将所述标签集作为黑眼圈判断模型的损失函数的输入值，将所述人脸图像集的数据进行方向梯度直方运算后，输入至所述黑眼圈判断模型的支持向量机模块，所述支持向量机模块对人脸图像集进行初分类后将数据输入至所述黑眼圈判断模型的卷积神经网络模块再训练；接收用户的测试集，将所述测试集进行方向梯度直方运算后输入至所述黑眼圈判断模型判断是否有黑眼圈，并输出结果。本发明专利技术还提出一种黑眼圈智能判断装置以及一种计算机可读存储介质。本发明专利技术可以实现精准的黑眼圈智能判断功能。

Intelligent Judgment Method, Device and Computer Readable Storage Medium for Black Eye Circle

【技术实现步骤摘要】
黑眼圈智能判断方法、装置及计算机可读存储介质
本专利技术涉及人工智能
，尤其涉及一种基于人脸数据输入后可自动判断黑眼圈的方法、装置及计算机可读存储介质。
技术介绍
黑眼圈是由于熬夜，情绪波动大，眼疲劳、衰老导致眼部皮肤血管血流速度过于缓慢形成滞流，组织供氧不足，血管中代谢废物积累过多，造成眼部色素沉着。年纪愈大的人，眼睛周围的皮下脂肪变得愈薄，所以黑眼圈就更明显。在当今社会中有很多人存在黑眼圈而不自知，因此需要对是否存在黑眼圈进行判断，然而，对于黑眼圈的精确识别还存有很多问题，如应用场景多数比较复杂，背景的局部动态变化、光照不均所造成目标阴影等会对识别增加难度，另外，人脸是非刚性目标，拥有丰富的姿态特征，同一人脸所处的不同的姿态，在检测和识别中往往差别很大。
技术实现思路
本专利技术提供一种黑眼圈智能判断方法、装置及计算机可读存储介质，其主要目的在于当用户判断人脸是否有黑眼圈时，给用户呈现出精准的黑眼圈判断结果。为实现上述目的，本专利技术提供的一种黑眼圈智能判断方法，包括：数据接收层接收人脸图像集，所述人脸图像集通过标签集被划分为正样本集和负样本集，对所述正样本集和所述负样本集进行本文档来自技高网...

【技术保护点】
1.一种黑眼圈智能判断方法，其特征在于，所述方法包括：数据接收层接收人脸图像集，所述人脸图像集通过标签集被划分为正样本集和负样本集，对所述正样本集和所述负样本集进行包括灰度化、二值化和降噪的预处理操作后，将所述预处理完成的正样本集和负样本集以及所述标签集输入至数据处理层；数据处理层接收预处理完成的人脸图像集，将所述标签集作为黑眼圈判断模型的损失函数的输入值，将所述正样本集和负样本集的数据进行方向梯度直方运算后，输入至所述黑眼圈判断模型的支持向量机模块，所述支持向量机模块对所述负样本集和所述正样本集进行初分类，并基于所述标签集提取所述初分类错误的数据输入至所述黑眼圈判断模型的卷积神经网络模块再训...

【技术特征摘要】
1.一种黑眼圈智能判断方法，其特征在于，所述方法包括：数据接收层接收人脸图像集，所述人脸图像集通过标签集被划分为正样本集和负样本集，对所述正样本集和所述负样本集进行包括灰度化、二值化和降噪的预处理操作后，将所述预处理完成的正样本集和负样本集以及所述标签集输入至数据处理层；数据处理层接收预处理完成的人脸图像集，将所述标签集作为黑眼圈判断模型的损失函数的输入值，将所述正样本集和负样本集的数据进行方向梯度直方运算后，输入至所述黑眼圈判断模型的支持向量机模块，所述支持向量机模块对所述负样本集和所述正样本集进行初分类，并基于所述标签集提取所述初分类错误的数据输入至所述黑眼圈判断模型的卷积神经网络模块再训练，所述卷积神经网络模块进行训练后，输出训练标签集，并将所述训练标签输入至所述损失函数，所述损失函数结合所述训练标签集与所述标签集计算输出值，当所述输出值小于预设阈值时，所述黑眼圈判断模型退出训练；接收用户的测试集，基于非线性映射方法将所述测试集内的数据映射至高维空间，将所述映射完成的测试集进行方向梯度直方运算后输入至所述黑眼圈判断模型判断是否有黑眼圈，并输出结果。2.如权利要求1所述的黑眼圈智能判断方法，其特征在于，所述正样本集内的数据是包括黑眼圈的人脸图像，所述负样本集内的数据是不包括黑眼圈的人脸图像。3.如权利要求1至2所述的黑眼圈智能判断方法，其特征在于，所述自适应图像降噪滤波法为：g(x,y)＝η(x,y)+f(x,y)其中，(x,y)表示图像像素点坐标，f(x,y)为基于自适应图像降噪滤波法对所述正样本集和所述负样本集进行降噪处理后的输出数据，η(x,y)为噪声，g(x,y)为所述正样本集和所述负样本集，为所述正样本集和所述负样本集的噪声总方差，为所述(x,y)的像素灰度均值，为所述(x,y)的像素灰度方差，L表示当前像素点坐标。4.如权利要求1中的黑眼圈智能判断方法，其特征在于，所述卷积神经网络模块包括输入层、卷积层、输出层；所述卷积层包括卷积操作、池化操作与激活操作；所述卷积操作为：其中ω’为输出数据，ω为所述初分类错误的数据，k为卷积核的大小，s为卷积操作的步幅，p为数据补零矩阵；所述激活操作为：其中y为所述激活操作的输出值，e为无限不循环小数。5.如权利要求1所述的黑眼圈智能判断方法，其特征在于，所述支持向量机算法包括非线性映射和约束求解；所述非线性映射为：κ(xi,xj)＝<θ(xi),θ(xj)>其中，<θ(xi),θ(xj)>表示所述梯度方向直方特征(xi,xj)非线性映射的内积计算，κ(xi,xj)为所述梯度方向直方特征(xi,xj)的非线性映射函数；所述约束求解为：其中，αi≥0,i＝1,2,…m其中，m为所述梯度方向直方特征的数量...

【专利技术属性】
技术研发人员：姜禹，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44