【技术实现步骤摘要】
一种用于中医面诊辅助诊断的人脸区域分割方法、装置和存储介质
[0001]本说明书涉及计算机软件
，尤其涉及一种用于中医面诊辅助诊断的人脸区域分割方法、装置、存储介质和电子设备。
技术介绍
[0002]面诊就是透过面部反射区知道脏腑疾病与健康状况的诊法，从而快速治愈。这是一种简单有效的发现疾病的方法，对于医学具有非常重要的意义。中医通过望、闻、问、切四诊法来对面部整体以及面部五官进行观察，从而判断人体全身与局部的病变情况。身体的异常变化，可能发生在面部变化出现之前或之后，人体内脏功能和气血状况在面部均有相应表现，通过检查面部，可根据肌肉紧张度、弹性、收缩力的变化，还有肿胀、皱纹、结痂、缺陷、面部皮肤颜色改变以及充血等脸部特征，来了解人体的健康状态和病情变化。现在有很多面诊仪在获取中医面诊所需分区时，大多采用人脸关键点定位的方法，例如中医四诊仪，需要对人脸眼睛、鼻子等器官进行定位，提取出额头、下颏和两颧区等人脸区域，进而得到面诊结果。这种方法进行的分区精度受人脸关键点定位精度影响较大，分区效果往往欠佳，而且面诊结果大多单一片面，没有有效的数据支撑以及严谨合理的医学逻辑对应关系，诊断结果可信度不高，限制了面诊在普通大众中的广泛传播和应用。因此，人脸区域分割的准确程度是提高智能化中医面诊辅助诊疗水平的关键因素。
技术实现思路
[0003]本说明书实施例的目的是针对上述问题，提供一种用于中医面诊辅助诊断的人脸区域分割方法和装置。
[0004]为解决上述技术问题，本说明书实施例是这样实现的：>[0005]第一方面，提出了一种用于中医面诊辅助诊断的人脸区域分割方法，采集人脸图像，根据中医面诊分区对人脸图像进行区域标注以用于训练人脸区域分割模型后，包括：
[0006]所述人脸图像通过卷积神经网络结构提取高阶图像特征形成第一特征图，所述卷积神经网络结构至少通过一次卷积层和一次池化层，所述卷积层包括扩张卷积和深度可分离卷积；
[0007]所述第一特征图经上采样后与所述人脸图像经所述深度可分离卷积输出的第二特征图进行融合，输出第三特征图；
[0008]所述第三特征图至少通过一次所述卷积层和一次所述上采样后输出人脸区域分割结果。
[0009]第二方面，提出了一种用于中医面诊辅助诊断的人脸区域分割装置，包括：
[0010]人脸图像采集模块，用于采集人脸图像；
[0011]模型训练模块，用于根据中医面诊分区对所述人脸图像进行区域标注以用于训练人脸区域分割模型；
[0012]高阶图像特征提取模块，用于将所述人脸图像通过卷积神经网络结构提取高阶图像特征形成第一特征图，所述卷积神经网络结构包括至少通过一次卷积层和一次池化层，所述卷积层包括扩张卷积和深度可分离卷积；
[0013]特征图融合模块，用于将所述第一特征图经上采样后与所述人脸图像经所述深度可分离卷积输出的第二特征图进行融合，输出第三特征图；
[0014]人脸分割结果输出模块，用于将所述第三特征图至少通过一次所述卷积层和一次所述上采样后输出人脸区域分割结果。
[0015]第三方面，提出了一种电子设备，包括：处理器；以及
[0016]被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行第一方面所述的方法。
[0017]第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行第一方面所述的方法。
[0018]本说明书可以达到至少以下技术效果：
[0019]本专利技术采集的可见光人脸图像经过卷积神经网络自动进行面诊区域分割后，多次通过卷积神经网络并采用深度可分离卷积和扩张卷积后，能够提取出人脸各个区域高阶图像特征，提高了计算效率，有效提升了中医面诊诊断的准确性。
附图说明
[0020]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0021]图1为本说明书实施例提供的用于中医面诊辅助诊断的人脸区域分割方法步骤示意图之一。
[0022]图2为本说明书实施例提供的用于中医面诊辅助诊断的人脸区域分割方法步骤示意图之二。
[0023]图3为本说明书实施例提供的用于中医面诊辅助诊断的人脸区域分割方法步骤示意图之三。
[0024]图4为本说明书实施例提供的用于中医面诊辅助诊断的人脸区域分割方法步骤示意图之四。
[0025]图5为本说明书的一个实施例提供的用于中医面诊辅助诊断的人脸区域分割装置结构示意图之一。
[0026]图6为本说明书的一个实施例提供的电子设备的结构示意图。
具体实施方式
[0027]为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，
本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
[0028]关键术语
[0029]深度学习：深度学习是一类模式分析方法的统称，就具体研究内容而言，主要涉及三类方法：(1)基于卷积运算的神经网络系统，即卷积神经网络(CNN)；(2)基于多层神经元的自编码神经网络，包括自编码(Auto encoder)以及近年来受到广泛关注的稀疏编码两类(Sparse Coding)；(3)以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络(DBN)。通过多层处理，逐渐将初始的“低层”特征表示转化为“高层”特征表示后，用“简单模型”即可完成复杂的分类等学习任务。由此可将深度学习理解为进行“特征学习”(feature learning)或“表征学习”(representation learning)。
[0030]卷积神经网络：是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，被应用于计算机视觉、自然语言处理等领域。卷积神经网络包括输入层、隐含层和输出层。输入层可以处理多维数据，常见地，一维卷积神经网络的输入层接收一维或二维数组，其中一维数组通常为时间或频谱采样；二维数组可能包含多个通道；二维卷积神经网络的输入层接收二维或三维数组；三维卷积神经网络的输入层接收四维数组。隐含层包含卷积层、池化层和全连接层3类常见结构；其中，卷积层和池化层是卷积神经网络特有的，卷积层主要用于提取图像特征，经过多次的堆叠，可以得到更高阶的图像特征，池化层主要用于特征降维，压缩数据本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于中医面诊辅助诊断的人脸区域分割方法，包括采集人脸图像，根据中医面诊分区对所述人脸图像进行区域标注以用于训练人脸区域分割模型，其特征在于：所述人脸图像通过卷积神经网络结构提取高阶图像特征形成第一特征图，所述卷积神经网络结构至少通过一次卷积层和一次池化层，所述卷积层包括扩张卷积和深度可分离卷积；所述第一特征图经上采样后与所述人脸图像经所述深度可分离卷积输出的第二特征图进行融合，输出第三特征图；所述第三特征图至少通过一次所述卷积层和一次所述上采样后输出人脸区域分割结果。2.根据权利要求1所述的方法，其特征在于，所述中医面诊分区包括心理压力区、脑区、肺区、心脏区、胸乳区、肝区、脾区、胆区、肾区、膀胱区、大肠区、小肠区、生殖区中的至少一种。3.根据权利要求1所述的方法，其特征在于，所述通过卷积神经网络结构提取高阶图像特征形成第一特征图，包括：将所述人脸图像多次经过所述卷积层和所述池化层，所述卷积层至少包括所述深度可分离卷积；获取人脸图像经过所述深度可分离卷积后的所述第二特征图；将所述第二特征图分别输入至4个采用不同扩张率的所述扩张卷积；将所述4个采用不同扩张率的扩张卷积输出进行融合，经过所述卷积层后输出所述第一特征图。4.根据权利要求1所述的方法，其特征在于，所述高阶图像特征包括轮廓信息、语义信息中的至少一种。5.根据权利要求1所述的方法，其特征在于，所述深度可分离卷积包括通道卷积和逐点卷积；其中，所述通道卷积在二维平面内进行，卷积核的数量与上一层的通道数相同；所述逐点卷积的卷积核大小为1
×
1。6.一种用于中医面诊辅助诊断的人脸区域分割装置，其特征在于，包括：人脸图像采集模块，用于采集人脸图像；模型训练模块，用于根据中医面诊分区对所述人脸图像进行区域标注以用于训练人脸区域分割模型；高阶图像特征提取模...
【专利技术属性】
技术研发人员：杨银，付家为，崔德琪，
申请(专利权)人：北京鹰之眼智能健康科技有限公司，
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。