本发明专利技术公开了一种基于深度学习技术的护肤效果检测方法及检测装置，其中检测方法包括：获取护理前初始皮肤图像；对初始皮肤图片分割以生成检测单元；通过训练检测模型；使用检测模型对每一检测单元进行检测，以确定面部特征点位置和初始特征；获取护理后的护理皮肤图像；匹配护理皮肤图像与初始皮肤图像，根据面部特征点位置信息确定该面部特征点在护理皮肤图像上相应位置并再次采用检测模型对护理皮肤图像上的该面部特征点进行检测以获取护理后状态；比对面部特征点的初始特征和护理后特征并生成护理报告。本发明专利技术它能够基于深度学习技术，通过对比分析皮肤护理前后皮肤图像的差异，对护肤效果做出精准测量，给出客观的评估。评估。评估。
【技术实现步骤摘要】
一种基于深度学习技术的护肤效果检测方法及检测装置
[0001]本专利技术涉及图像处理领域，特别是一种基于深度学习技术的护肤效果检测方法及检测装置。
技术介绍
[0002]随着人们生活水平的提高，在满足基本的衣食住行需求后，人们对外在形象提升的需求越来越突出，尤其是面部肌肤的养护，形成了一个巨大的消费市场。
[0003]护肤形式根据专业性由低到高依次为：居家日常护理、美容院专业护理、医疗美容，不同的产品、不同的护肤手段效果不通，但市场上一直没有一种精确的护肤效果评估方法。
[0004]目前市场的皮肤检测仪器，以检测方式分为局部检测和全脸检测两种。
[0005]局部检测才用的手段是对局部皮肤进行高倍的放大，精确度较高，但不同位置的面部肌肤可能差异较大，比较难做到前后两次定位到同一检测位置，无法精准的进行护肤前后的效果对比。
[0006]全脸检测由各种类型的魔镜组成，检测数据比较全面，但普遍精度不够，比如同一个人，在同一时间连续做两次检测，前后的数据偏差往往在5％以上，同样无法精准的进行护肤前后的效果对比。
[0007]随着手机摄像技术的发展，手机的后置摄像头拍摄精度越来越高(最高可达1亿像素)，图像的清晰度基本能满足图像分析的需求。同时，人工智能领域的深度学习技术迎来大发展，各种人脸识别技术应用在各个领域，基础算法也为本专利技术的检测精度提供了坚实基础。
[0008]有鉴于此，有必要提出一种方便实现对皮肤护理前后的差异精准测量评估的方法。
技术实现思路
[0009]本专利技术的目的是提供一种基于深度学习技术的护肤效果检测方法，以解决现有技术中的不足，它能够基于深度学习技术，通过对比分析皮肤护理前后皮肤图像的差异，对护肤效果做出精准测量，给出客观的评估。
[0010]本专利技术的第一方面提供了一种基于深度学习技术的护肤效果检测方法，包括：
[0011]S1：获取护理前初始皮肤图像；
[0012]S2：对初始皮肤图片预处理后进行矩阵分割以生成N*N个检测单元；
[0013]S3：通过人脸局部特征识别和卷积网络学习构建的基于深度学习的检测模型并用样本数据集训练检测模型；
[0014]S4：使用检测模型对每一检测单元进行检测，以确定面部特征点位置和初始特征；
[0015]S5：获取护理后的护理皮肤图像；
[0016]S6：匹配护理皮肤图像与初始皮肤图像，根据面部特征点位置信息确定该面部特
征点在护理皮肤图像上相应位置并再次采用检测模型对护理皮肤图像上的该面部特征点进行检测以获取护理后状态；
[0017]S7：比对面部特征点的初始特征和护理后特征并生成护理报告。
[0018]可选的，步骤“S3：通过人脸局部特征识别和卷积网络学习构建的基于深度学习的检测模型并用样本数据集训练检测模型”具体包括：
[0019]S31：分别采集具有皮肤问题的正面图像，标注正面图像中存在皮肤问题的面部特征点，形成问题皮肤面部特征点样本数据集D1；
[0020]S32：训练检测模型，使用二段通道选择预训练方法，先从ImageNet图像分类数据集DCls训练主干网络ηmain；再从ISIC公布的病灶边界分割数据集DLBS训练实例分割模型mpretrained；在问题皮肤面部特征点样本数据集D1上，选择实例分割模型mpretrained最优2个通道得到mpretrained_2；再训练得到检测模型ηdetect。
[0021]可选的，步骤“S4：使用检测模型对每一检测单元进行检测，以确定面部特征点位置和初始特征”具体包括：
[0022]S41：对每个检测单元预测m个目标检测框，预测每个目标检测框的目标区域起始位置横坐标x、纵坐标y、目标区域宽度w、高度h及该目标检测框的可靠度信息c；
[0023]S42：由检测模型ηdetect检测每一目标检测框并获得问题皮肤特征点位置及初始特征数据。
[0024]可选的，可靠度信息c，其计算方法如下：
[0025]C＝P(o)*IOUt_p
[0026]其中P(o)表示目标检测框内是否包含目标区域，若有目标区域，则为1；若无目标区域，则为0。IOUt_p表示预测的目标区域与实际目标区域之间的重叠部分，若目标检测框内无目标区域，则c为0，否则c表示预测目标区域与实际目标区域的交集比。
[0027]可选的，步骤“S42：由检测模型ηdetect检测每一目标检测框并获得问题皮肤特征点位置及初始特征数据”包括：
[0028]S421：由检测模型ηdetect检测分割的问题面部特征点分布图并获得问题面部特征点数量Ns，并有第i个问题面部特征点的面积Ai、位置(xi，yi)；
[0029]S422：获取第i个问题面部特征点相邻的面部特征点j的面积Aj、位置(xj，yj)；
[0030]S423：根据第i个面部特征点与相邻的第j个面部特征点的面积及位置关系确定初始特征并根据初始特征确定问题皮肤特征点问题类型。
[0031]可选的，步骤“S423：根据第i个面部特征点与相邻的第j个面部特征点的面积及位置关系确定初始特征并根据初始特征确定问题皮肤特征点问题类型”包括：
[0032]S4231：若第i个面部特征点与相邻的第j个面部特征点成线性连续，且相邻的面部特征点成线性连续的长度超过第一预定值K，则指示为皱纹并记录皱纹数量与长度；
[0033]S4232：若第i个面部特征点与相邻的第j个面部特征点呈片状近似且不连续，且第i个面部特征点和第j个面部特征点RGB颜色在黄色到深棕色区间，则指示该区域内存在斑点，记录斑点大小及颜色深浅；
[0034]S4233：若第i个面部特征点与相邻的第j个面部特征点呈圆形近似，且圆形直径低于0.5mm，则实施该区域内为毛孔；
[0035]S4234：若第i个面部特征点与相邻的第j个面部特征点连续且呈圆形近似，且圆形
直径超过1mm，则实施该区域内为痤疮。
[0036]可选的，步骤“S4：使用检测模型对每一检测单元进行检测，以确定面部特征点位置和初始特征”还包括：
[0037]S43：采集检测单元的RGB颜色信息，并根据颜色信息评估检测单元区域肤色。
[0038]可选的，步骤“S5：获取护理后的护理皮肤图像”具体包括：
[0039]S51：通过图片采集器采集多张人脸照片，包括但不限于正面、左侧面、右侧面图片；
[0040]S52：通过照片合成技术将以上采集到的多张人脸照片合成一张人脸完整图像。
[0041]可选的，“S6：匹配护理皮肤图像与初始皮肤图像，根据面部特征点位置信息确定该面部特征点在护理皮肤图像上相应位置并再次采用检测模型对护理皮肤图像上的该面部特征点进行检测以获取护理后状态”包括如下步骤：
[0042]S61：获取护理皮肤图像；
[0043]S62：将护理皮肤图像与初始皮肤图像在同一坐标系中；
[本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习技术的护肤效果检测方法，其特征在于，包括：S1：获取护理前初始皮肤图像；S2：对初始皮肤图片预处理后进行矩阵分割以生成N*N个检测单元；S3：通过人脸局部特征识别和卷积网络学习构建的基于深度学习的检测模型并用样本数据集训练检测模型；S4：使用检测模型对每一检测单元进行检测，以确定面部特征点位置和初始特征；S5：获取护理后的护理皮肤图像；S6：匹配护理皮肤图像与初始皮肤图像，根据面部特征点位置信息确定该面部特征点在护理皮肤图像上相应位置并再次采用检测模型对护理皮肤图像上的该面部特征点进行检测以获取护理后状态；S7：比对面部特征点的初始特征和护理后特征并生成护理报告。2.根据权利要求1所述的基于深度学习技术的护肤效果检测方法，其特征在于，步骤“S3：通过人脸局部特征识别和卷积网络学习构建的基于深度学习的检测模型并用样本数据集训练检测模型”具体包括：S31：分别采集具有皮肤问题的正面图像，标注正面图像中存在皮肤问题的面部特征点，形成问题皮肤面部特征点样本数据集D1；S32：训练检测模型，使用二段通道选择预训练方法，先从ImageNet图像分类数据集DCIs训练主干网络ηmain；再从ISIC公布的病灶边界分割数据集DLBS训练实例分割模型mpretrained；在问题皮肤面部特征点样本数据集D1上，选择实例分割模型mpretrained最优2个通道得到mpretrained_2；再训练得到检测模型ηdetect。3.根据权利要求1所述的基于深度学习技术的护肤效果检测方法，其特征在于，步骤“S4：使用检测模型对每一检测单元进行检测，以确定面部特征点位置和初始特征”具体包括：S41：对每个检测单元预测m个目标检测框，预测每个目标检测框的目标区域起始位置横坐标x、纵坐标y、目标区域宽度w、高度h及该目标检测框的可靠度信息c；S42：由检测模型ηdetect检测每一目标检测框并获得问题皮肤特征点位置及初始特征数据。4.根据权利要求3所述的基于深度学习技术的护肤效果检测方法，其特征在于：可靠度信息c，其计算方法如下：C＝P(o)*IOUt_p其中P(o)表示目标检测框内是否包含目标区域，若有目标区域，则为1；若无目标区域，则为0，IOUt_p表示预测的目标区域与实际目标区域之间的重叠部分，若目标检测框内无目标区域，则c为0，否则c表...
【专利技术属性】
技术研发人员：马学召，
申请(专利权)人：马学召，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。