人脸痘痘定位识别方法技术

本发明专利技术公开了一种人脸痘痘定位识别方法，包括：采集待识别图像；获取所述待识别图像中的人脸区域，生成人脸图像，记录人脸图像于待识别图像中的位置，对人脸图像进行图像增强处理，获取增强人脸图像并缩放至预设尺寸，获得规格人脸图像；将规格人脸图像输入至痘痘深度学习模型，获得人脸痘痘定位识别信息，其中，人脸痘痘定位识别信息包括各痘痘的位置、类型及置信度。本发明专利技术人脸痘痘定位识别方法通过对待识别图像进行预处理，获取人脸图像并进行图像增强处理，提高图像清晰度，减少噪点，便于痘痘深度学习模型更好地提取图像特征，提升识别的准确性，通过痘痘深度学习模型以对规格人脸图像进行处理，可识别痘痘的位置及类型。

【技术实现步骤摘要】
人脸痘痘定位识别方法
本专利技术涉及人脸美容
，尤其涉及一种人脸痘痘定位识别方法。
技术介绍
在医学美容行业，痘痘是最主要的皮肤问题，问题人群几乎涵盖了整个年龄段。而医学上痘痘分类比较复杂，包括：粉刺型，丘疹型，脓包型，痘印型等，不同类型发病原因及治疗方法差异较大。现阶段痘痘位置和类型的识别主要依靠人工判断，没有严格的客观分类依据，分类识别准确性依赖于从业人员的专业水平。现有专利依赖于传统图像处理方法，准确性不高，只能识别痘痘位置，无法给出分类信息。鉴于此，有必要提供一种人脸痘痘定位识别方法以既识别痘痘的位置，又识别痘痘的类型。
技术实现思路
本专利技术所要解决的技术问题是提供一种人脸痘痘定位识别方法以既识别痘痘的位置，又识别痘痘的类型。为解决上述技术问题，本专利技术采用如下所述的技术方案：一种人脸痘痘定位识别方法，包括：图像采集：采集待识别图像；图像预处理：获取所述待识别图像中的人脸区域，并根据其生成人脸图像，记录人脸图像于所述待识别图像中的位置，对所述人脸图像进行图像增强处理，获取增强人脸图像，并根据其进行缩放至预设尺寸，获得规格人脸图像；痘痘定位识别：将所述规格人脸图像输入至痘痘深度学习模型，提取图像特征，输出定位识别结果，获得人脸痘痘定位识别信息，根据所述人脸痘痘定位识别信息，结合人脸图像于所述待识别图像中的位置，于待识别图像中标注各痘痘，其中，所述人脸痘痘定位识别信息包括各痘痘的位置、类型及置信度，所述预设尺寸与所述痘痘深度学习模型的输入尺寸相等。其进一步技术方案为：所述图像采集的步骤前还包括：模型获取：搭建并训练痘痘待训练网络，获取痘痘深度学习模型。其进一步技术方案为：所述模型获取的步骤具体包括：收集获取痘痘样本人脸图像数据集，所述痘痘样本人脸图像数据集包括若干组根据不同的痘痘人脸图像获得的对应的痘痘训练样本，每一组所述痘痘训练样本包括对应的痘痘人脸图像中每个痘痘的位置及类型；利用PyTorch深度学习框架搭建痘痘待训练网络；根据所述痘痘样本人脸图像数据集训练所述痘痘待训练网络，获得痘痘深度学习模型。其进一步技术方案为：所述痘痘深度学习模型基于Darknet网络，包括第一神经网络及第二神经网络，所述第一神经网络与第二神经网络连接，以使第二神经网络获取第一神经网络的输出特征作为输入。其进一步技术方案为：所述第一神经网络包括依序连接的五个残差模块，分别为第一残差模块、第二残差模块、第三残差模块、第四残差模块及第五残差模块，其中，所述第一残差模块包括有一个残差单元，所述第二残差模块包括有两个残差单元，所述第三残差模块包括有八个残差单元，所述第四残差模块包括有八个残差单元，所述第五残差模块包括有四个残差单元；所述第一神经网络包括三个卷积特征输出端，分别输出第一卷积特征、第二卷积特征及第三卷积特征，所述第一卷积特征为第三残差模块的输出特征，所述第二卷积特征为第四残差模块的输出特征，所述第三卷积特征为第五残差模块的输出特征；所述第二神经网络包括三路预测输出路径，分别为第一预测输出路径、第二预测输出路径及第三预测输出路径，所述第一预测输出路径的输入来自于所述第三卷积特征，所述第二预测输出路径的输入来自于所述第一预测输出路径的一个中间结果及所述第二卷积特征，所述第三预测输出路径的输入来自于所述第二预测输出路径的一个中间结果及所述第一卷积特征。其进一步技术方案为：所述图像预处理的步骤中的获取所述待识别图像中的人脸区域，并根据其生成人脸图像的步骤具体为：通过Dlib数据库对待识别图像进行人脸区域检测，获取所述待识别图像中的人脸区域；截取所述待识别图像中的人脸区域，生成人脸图像。其进一步技术方案为：所述图像预处理的步骤中的对所述人脸图像进行图像增强处理，获取增强人脸图像，并根据其进行缩放至预设尺寸，获得规格人脸图像的步骤具体为：采用高斯滤波算法去除所述人脸图像中的噪点；采用低通滤波算法去除所述人脸图像中的高频噪点，获得增强人脸图像；对所述增强人脸图像进行缩放处理，将其缩放至预设尺寸，获得规格人脸图像。其进一步技术方案为：所述痘痘定位识别的步骤后还具体包括：痘痘图像获取：根据所述人脸痘痘定位识别信息的痘痘位置于所述规格人脸图像中截取对应区域，获得痘痘图像；痘痘图像显示：对所述痘痘图像进行三维立体成像显示。其进一步技术方案为：所述痘痘图像显示的步骤具体为：对所述痘痘图像进行灰度化处理，获得灰度图像；根据痘痘图像的像素构建向量，每一向量包括像素的坐标、该像素的RGB三通道的数值及该像素于灰度图像中对应的灰度值；将所有向量按照每相邻的三个像素对应的向量为一组的规则组合形成若干三维图元，利用OpenGL对所述三维图元进行渲染，获得痘痘三维立体图像；输出并显示所述痘痘三维立体图像。其进一步技术方案为：所述图像采集的步骤中采用头部固定拍摄系统进行待识别图像的采集，所述头部固定拍摄系统包括头部固定装置及拍摄设备，所述头部固定装置包括面罩壳体及底座，所述面罩壳体通过支撑柱安装于底座上，所述面罩壳体用于罩住用户的脸部，其上安装有所述拍摄设备以拍摄罩于面罩壳体上的用户的脸部的图像而采集待识别图像，所述面罩壳体的上端部设置有用于供用户的额头紧贴放置的额头支架，所述面罩壳体的下端部设置有用于供用户的下巴放置的下巴支架，以固定用户的头部而使面罩壳体罩于用户的脸部上。本专利技术的有益技术效果在于：本专利技术人脸痘痘定位识别方法通过对待识别图像进行预处理，获取人脸图像，记录其于待识别图像中的位置，并对其进行图像增强处理，提高图像清晰度，减少噪点，有利于痘痘深度学习模型更好地提取图像特征，提升识别痘痘位置和类型的准确性，通过将增强人脸图像进行缩放至预设尺寸以与痘痘深度学习模型的输入尺寸一致，从而减少计算量，加快痘痘识别速度，提升模型识别精度，通过痘痘深度学习模型以对规格人脸图像进行处理，既能识别痘痘的位置，又能识别痘痘的类型，根据获得的人脸痘痘定位识别信息结合人脸图像于待识别图像中的位置，于待识别图像中标注各痘痘，以便更直观地获取各痘痘的信息。附图说明图1是本专利技术人脸痘痘定位识别方法的流程示意图；图2是本专利技术人脸痘痘定位识别方法的图像预处理步骤的具体流程示意图；图3是本专利技术人脸痘痘定位识别方法的图像预处理步骤的子流程示意图；图4是本专利技术人脸痘痘定位识别方法一具体实施例的流程示意图；图5是图4所示人脸痘痘定位识别方法的模型获取步骤的具体流程示意图；图6是本专利技术人脸痘痘定位识别方法另一具体实施例的流程示意图；图7是图6所示人脸痘痘定位识别方法的子流程示意图；图8是本专利技术人脸痘痘定位识别方法的第一神经网络的网络架构图；图9是本专利技术人脸痘痘定位识别方法的痘痘深度学习模型的网络框架示意图；图10是应用本专利技术人脸痘痘定位识别方法的头部固定拍摄系统的结构示意图。本文档来自技高网...

【技术保护点】
1.一种人脸痘痘定位识别方法，其特征在于，包括：/n图像采集：采集待识别图像；/n图像预处理：获取所述待识别图像中的人脸区域，并根据其生成人脸图像，记录人脸图像于所述待识别图像中的位置，对所述人脸图像进行图像增强处理，获取增强人脸图像，并根据其进行缩放至预设尺寸，获得规格人脸图像；/n痘痘定位识别：将所述规格人脸图像输入至痘痘深度学习模型，提取图像特征，输出定位识别结果，获得人脸痘痘定位识别信息，根据所述人脸痘痘定位识别信息，结合人脸图像于所述待识别图像中的位置，于待识别图像中标注各痘痘，其中，所述人脸痘痘定位识别信息包括各痘痘的位置、类型及置信度，所述预设尺寸与所述痘痘深度学习模型的输入尺寸相等。/n

【技术特征摘要】
1.一种人脸痘痘定位识别方法，其特征在于，包括：
图像采集：采集待识别图像；
图像预处理：获取所述待识别图像中的人脸区域，并根据其生成人脸图像，记录人脸图像于所述待识别图像中的位置，对所述人脸图像进行图像增强处理，获取增强人脸图像，并根据其进行缩放至预设尺寸，获得规格人脸图像；
痘痘定位识别：将所述规格人脸图像输入至痘痘深度学习模型，提取图像特征，输出定位识别结果，获得人脸痘痘定位识别信息，根据所述人脸痘痘定位识别信息，结合人脸图像于所述待识别图像中的位置，于待识别图像中标注各痘痘，其中，所述人脸痘痘定位识别信息包括各痘痘的位置、类型及置信度，所述预设尺寸与所述痘痘深度学习模型的输入尺寸相等。


2.如权利要求1所述的人脸痘痘定位识别方法，其特征在于，所述图像采集的步骤前还包括：
模型获取：搭建并训练痘痘待训练网络，获取痘痘深度学习模型。


3.如权利要求2所述的人脸痘痘定位识别方法，其特征在于，所述模型获取的步骤具体包括：
收集获取痘痘样本人脸图像数据集，所述痘痘样本人脸图像数据集包括若干组根据不同的痘痘人脸图像获得的对应的痘痘训练样本，每一组所述痘痘训练样本包括对应的痘痘人脸图像中每个痘痘的位置及类型；
利用PyTorch深度学习框架搭建痘痘待训练网络；
根据所述痘痘样本人脸图像数据集训练所述痘痘待训练网络，获得痘痘深度学习模型。


4.如权利要求1所述的人脸痘痘定位识别方法，其特征在于，所述痘痘深度学习模型基于Darknet网络，包括第一神经网络及第二神经网络，所述第一神经网络与第二神经网络连接，以使第二神经网络获取第一神经网络的输出特征作为输入。


5.如权利要求4所述的人脸痘痘定位识别方法，其特征在于，所述第一神经网络包括依序连接的五个残差模块，分别为第一残差模块、第二残差模块、第三残差模块、第四残差模块及第五残差模块，其中，所述第一残差模块包括有一个残差单元，所述第二残差模块包括有两个残差单元，所述第三残差模块包括有八个残差单元，所述第四残差模块包括有八个残差单元，所述第五残差模块包括有四个残差单元；
所述第一神经网络包括三个卷积特征输出端，分别输出第一卷积特征、第二卷积特征及第三卷积特征，所述第一卷积特征为第三残差模块的输出特征，所述第二卷积特征为第四残差模块的输出特征，所述第三卷积特征为第五残差模块的输出特征；
所述第二神经网络包括三路预测输出路径，分别为第一预测输出路径、第二预测输出路径及第三预测输出路径，所述第一预测输出路径...

【专利技术属性】
技术研发人员：李宏亮，李健，降伟帅，金波，段羽，黄华婷，曹小华，
申请(专利权)人：深圳艾摩米智能科技有限公司，
类型：发明
国别省市：广东;44