一种训练色斑检测模型的方法及相关装置制造方法及图纸

本发明专利技术实施例涉及目标检测技术领域，尤其涉及一种训练色斑检测模型的方法及相关装置，通过将图像样本集中的图像截取成候选区域图像，减少不包含色斑的区域特征(如背景特征、脸部五官特征)对训练模型的干扰，从而可以提高模型训练的精准度；通过将包含色斑的各候选区域图像进行分辨率增强处理和尺寸调整以获取尺寸一致的多个训练图像，可以有效避免尺寸对模型学习造成的干扰，增强色斑的特征；此外，在训练的过程中通过引入色斑的数量对色斑位置进行约束，能够使色斑的预测位置往与真实色斑的位置相同的方向训练，再一步提高了模型训练的精度；多重训练精度的提升使得通过该方法训练得到该色斑检测模型的检测精确度较高。

【技术实现步骤摘要】
一种训练色斑检测模型的方法及相关装置
本专利技术实施例涉及目标检测
，尤其涉及一种训练色斑检测模型的方法及相关装置。
技术介绍
随着移动通信技术的快速发展以及人民生活水平的提升，各种智能终端已广泛应用于人民的日常工作和生活，使得人们越来越习惯于使用APP等软件，使得美颜自拍、拍照测肤此类功能的APP需求也变得越来越多，因此不少的用户希望此类APP能够自动分析出脸部的色斑情况，根据色斑的情况，有针对性提出皮肤改善方案。现有人脸色斑检测主要对色斑可能的区域采用图像处理的方法，提取出色斑区域，该方法过于繁琐，容易受到光照等因素的影响，导致检测的准确度偏低。
技术实现思路
本专利技术实施例主要解决的技术问题是提供一种训练色斑检测模型的方法及相关装置，能准确地对色斑进行分类及定位。为解决上述技术问题，第一方面，本专利技术实施例中提供给了一种训练皱纹检测模型的方法，包括：获取包括人脸的图像样本集；从所述图像样本集中的每个图像中，分别截取可能存在色斑的至少一个脸部局域图像，以得到多个候选区域图像；对各候选区域图像进行分辨率增强处理和尺寸调整，以获取尺寸一致的多个训练图像，其中，所述训练图像的分辨率高于所述候选区域图像的分辨率；将标注有真实标签的多个训练图像作为训练集，对预设卷积神经网络进行训练，以使所述预设卷积神经网络学习所述多个训练图像的真实标签，以获取色斑检测模型，其中，目标训练图像的真实标签包括所述目标训练图像中的色斑在所述目标训练图像中的真实位置、真实类别以及真实数量，所述目标训练图像为所述多个训练图像中的任一训练图像。在一些实施例中，所述预设卷积神经网络包括特征提取模块、色斑目标检测模块和色斑数量检测模块，所述将所述标注有真实标签的多个训练图像作为训练集，对预设卷积神经网络进行训练，以使所述预设卷积神经网络学习所述多个训练图像的真实标签，以获取色斑检测模型，包括：将所述目标训练图像输入所述特征提取模块，以获取至少两种尺寸的训练特征图；将所述训练特征图分成两路，以获取第一路训练特征图和第二路训练特征图；将所述第一路训练特征图输入所述色斑目标检测模块，以获取所述目标训练图像中的色斑的预测位置和预测类别；将所述第二路训练特征图输入所述色斑数量检测模块，以获取所述目标训练图像中的色斑的预测数量；根据预设损失函数计算所述目标训练图像的预测标签与所述目标训练图像的真实标签之间的误差，其中，所述预测标签包括所述预测位置、预测类别和所述预测数量；根据所述误差，调整所述预设卷积神经网络的模型参数，返回执行将所述目标训练图像输入所述特征提取模块，以获取至少两种尺寸的训练特征图的步骤，直至所述预设卷积神经网络收敛，以获取所述色斑检测模型。在一些实施例中，所述特征提取模块包括多个特征卷积层，所述多个特征卷积层的卷积核个数随着特征卷积层的层数的增加呈先增大后减小的趋势。在一些实施例中，所述多个特征卷积层包括目标特征卷积层，所述目标特征卷积层的卷积核个数为所述色斑的类别的个数，所述目标特征卷积层为与所述色素斑目标检测模块连接的特征卷积层，用于输出所述训练特征图。在一些实施例中，所述预设损失函数为位置损失函数、类别损失函数和数量损失函数的加权和，所述位置损失函数用于计算所述真实位置与所述预测位置之间的误差，所述类别损失函数用于计算所述真实类别与所述预测类别之间的误差，所述数量损失函数用于计算所述真实数量与所述预测数量之间的误差。在一些实施例中，所述根据预设损失函数计算所述目标训练图像的预测标签与所述目标训练图像的真实标签之间的误差，包括：根据以下公式计算所述预测标签和所述真实标签之间的误差：其中，λobj为预设位置偏移权重，α为置信度损失权重，β为数量权重，M为预设的用于预测色斑位置的预测框的数量，i为预测框的标号，Twidth为所述预测框的宽，Theight为所述预测框的高，(x,y,w,h)分别为所述预测框的左上角坐标和宽、高，Tr用于表示色斑的真实位置，Pr用于表示所述色斑的预测位置，K为所述色斑的类别的个数，Tclass为所述色斑的真实类别，Pclass为所述色斑的预测类别，Tconf为所述真实标签的置信度，Pconf为所述预测标签的置信度，为K类色斑中第c类色斑的真实数量，为所述K类色斑中第c类色斑的预测数量。在一些实施例中，所述对各候选区域图像进行分辨率增强处理和尺寸调整，以获取尺寸一致的多个训练图像，包括：获取目标候选区域图像以及目标训练图像的尺寸，所述目标候选区域图像为所述多个候选区域图像中的任一候选区域图像，所述目标训练图像由所述目标候选区域图像映射得到；根据目标像素点在所述目标训练图像中的第一像素坐标、所述目标候选区域图像的尺寸以及所述目标训练图像的尺寸，获取所述目标像素点在所述目标候选区域图像中对应的第二像素坐标，其中，所述目标像素点为所述目标训练图像中的任一像素点；获取所述第二像素坐标的多个邻域像素点，所述邻域像素点为在所述目标候选区域图像中与所述第二像素坐标相邻近的像素点；根据所述第二像素坐标与所述多个邻域像素点的位置关系，得到各所述邻域像素点的权重；根据各所述邻域像素点的权重以及各所述领域像素点的像素值，确定所述目标像素点的像素值，得到所述目标训练图像。为解决上述技术问题，第二方面，本专利技术实施例中提供给了一种检测色斑的方法，包括：获取待测人脸图像；从所述待测人脸图像中截取可能存在色斑的至少一个目标脸部局域图像；利用如上第一方面所述的色斑检测模型检测所述至少一个目标脸部局域图像，获取所述至少一个目标脸部局域图像的色斑的位置、类别和数量；基于所述至少一个目标脸部局域图像的色斑的位置、类别和数量，以及所述目标脸部局域图像在所述待测人脸图像中的位置，确定所述待测人脸图像中的色斑的位置、类别和数量。为解决上述技术问题，第三方面，本专利技术实施例中提供给了一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上第一方面所述的方法以及如上第二方面所述的方法。为解决上述技术问题，第四方面，本专利技术实施例中提供给了非暂态计算机可读存储介质，，所述非暂态计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使电子设备执行如上第一方面所述的方法以及如上第二方面所述的方法。本专利技术实施例的有益效果：区别于现有技术的情况，本专利技术实施例提供的训练色斑检测模型的方法及相关装置，通过将图像样本集中的图像截取成候选区域图像，可以在模型训练过程中减少不包含色斑的区域特征(如背景特征、脸部五官特征)对训练模型的干扰，从而可以提高模型训练的精准度；通过将包含色斑的各候选区域图像进行分辨率增强处理和尺寸调整以获取尺寸一致的多个训练图像，尺寸的调本文档来自技高网...

【技术保护点】
1.一种训练色斑检测模型的方法，其特征在于，包括：/n获取包括人脸的图像样本集；/n从所述图像样本集中的每个图像中，分别截取可能存在色斑的至少一个脸部局域图像，以得到多个候选区域图像；/n对各候选区域图像进行分辨率增强处理和尺寸调整，以获取尺寸一致的多个训练图像，其中，所述训练图像的分辨率高于所述候选区域图像的分辨率；/n将标注有真实标签的多个训练图像作为训练集，对预设卷积神经网络进行训练，以使所述预设卷积神经网络学习所述多个训练图像的真实标签，以获取色斑检测模型，其中，目标训练图像的真实标签包括所述目标训练图像中的色斑在所述目标训练图像中的真实位置、真实类别以及真实数量，所述目标训练图像为所述多个训练图像中的任一训练图像。/n

【技术特征摘要】
1.一种训练色斑检测模型的方法，其特征在于，包括：
获取包括人脸的图像样本集；
从所述图像样本集中的每个图像中，分别截取可能存在色斑的至少一个脸部局域图像，以得到多个候选区域图像；
对各候选区域图像进行分辨率增强处理和尺寸调整，以获取尺寸一致的多个训练图像，其中，所述训练图像的分辨率高于所述候选区域图像的分辨率；
将标注有真实标签的多个训练图像作为训练集，对预设卷积神经网络进行训练，以使所述预设卷积神经网络学习所述多个训练图像的真实标签，以获取色斑检测模型，其中，目标训练图像的真实标签包括所述目标训练图像中的色斑在所述目标训练图像中的真实位置、真实类别以及真实数量，所述目标训练图像为所述多个训练图像中的任一训练图像。


2.根据权利要求1所述的方法，其特征在于，所述预设卷积神经网络包括特征提取模块、色斑目标检测模块和色斑数量检测模块，所述将所述标注有真实标签的多个训练图像作为训练集，对预设卷积神经网络进行训练，以使所述预设卷积神经网络学习所述多个训练图像的真实标签，以获取色斑检测模型，包括：
将所述目标训练图像输入所述特征提取模块，以获取至少两种尺寸的训练特征图；
将所述训练特征图分成两路，以获取第一路训练特征图和第二路训练特征图；
将所述第一路训练特征图输入所述色斑目标检测模块，以获取所述目标训练图像中的色斑的预测位置和预测类别；
将所述第二路训练特征图输入所述色斑数量检测模块，以获取所述目标训练图像中的色斑的预测数量；
根据预设损失函数计算所述目标训练图像的预测标签与所述目标训练图像的真实标签之间的误差，其中，所述预测标签包括所述预测位置、预测类别和所述预测数量；
根据所述误差，调整所述预设卷积神经网络的模型参数，返回执行将所述目标训练图像输入所述特征提取模块，以获取至少两种尺寸的训练特征图的步骤，直至所述预设卷积神经网络收敛，以获取所述色斑检测模型。


3.根据权利要求2所述的方法，其特在于，所述特征提取模块包括多个特征卷积层，所述多个特征卷积层的卷积核个数随着特征卷积层的层数的增加呈先增大后减小的趋势。


4.根据权利要求3所述的方法，其特征在于，所述多个特征卷积层包括目标特征卷积层，所述目标特征卷积层的卷积核个数为所述色斑的类别的个数，所述目标特征卷积层为与所述色素斑目标检测模块连接的特征卷积层，用于输出所述训练特征图。


5.根据权利要求2所述的方法，其特征在于，所述预设损失函数为位置损失函数、类别损失函数和数量损失函数的加权和，所述位置损失函数用于计算所述真实位置与所述预测位置之间的误差，所述类别损失函数用于计算所述真实类别与所述预测类别之间的误差，所述数量损失函数用于计算所述真实数量与所述预测数量之间的误差。


6.根据权利要求5所述的方法，其特征在于，所述根据预设损失函数计算所述目标训练图像的预测标签...

【专利技术属性】
技术研发人员：陈仿雄，
申请(专利权)人：深圳数联天下智能科技有限公司，
类型：发明
国别省市：广东;44