一种基于深度学习的皱纹分割方法技术

本发明专利技术公开了一种基于深度学习的皱纹分割方法，包括以下步骤：在人脸图像上标注皱纹生成掩模图；选取图中部分皱纹区域；对图像和掩模图进行扩展填充；将制作好的图像与掩模图送入Unet模型中进行训练；使用训练好的模型检测脸部皱纹并输出结果。该基于深度学习的皱纹分割方法可以有效避免毛发等因素干扰，且识别效率较高，能够准确实现皱纹检测，为老化程度判断给出准确的辅助信息。判断给出准确的辅助信息。判断给出准确的辅助信息。

【技术实现步骤摘要】
一种基于深度学习的皱纹分割方法


[0001]本专利技术属于皱纹检测
，具体涉及一种基于深度学习的皱纹分割方法。

技术介绍

[0002]随着科技的进步与发展，人们越来越关注脸部皮肤健康状况的提升，而其首要问题就是对面部皮肤状况进行科学客观的评价。皱纹作为面部皮肤健康状况的重要指标，使得皱纹检测与分割技术逐步成为一个重要的研究方向。由于肉眼观察皱纹精确性不高且效率较低，且目前现有的皱纹分割技术较少，而业界常用的美国皮肤检测设备visia价格昂贵，且皱纹检测效果不佳，传统的皱纹分割方式依赖边缘信息的提取，非常容易受到毛发等因素的干扰，鲁棒性较差。因此，我们提出了一种基于深度学习的皱纹检测方法。

技术实现思路

[0003]本专利技术的目的在于提供一种基于深度学习的皱纹分割方法，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种基于深度学习的皱纹分割方法，包括以下步骤：
[0005]S1：在人脸图像上标注皱纹生成掩模图；
[0006]S2：选取图中部分皱纹区域；
[0007]S3：对图像和掩模图进行扩展填充；
[0008]S4：将制作好的图像与掩模图送入Unet模型中进行训练；
[0009]S5：使用训练好的模型检测脸部皱纹并输出结果。
[0010]优选的是，在步骤S1中，所述在人脸图像上标注皱纹生成掩模图的步骤如下：
[0011]在人脸图像上标注皱纹区域；
[0012]将该标注图像转换成二值掩模图，其中白色像素点表示该像素处有皱纹，黑色点表示没有。
[0013]上述任一方案中优选的是，在步骤S2中，所述选取图中部分皱纹区域的步骤如下：
[0014]采用关键点检测工具检测人脸上的关键点；
[0015]根据检测出的关键点将人脸分为上额、下颌、左脸和右脸区域，然后选取区域的皱纹图像与掩模图在相同位置同步进行切割得到图像块与掩模图块。
[0016]上述任一方案中优选的是，在步骤S3中，所述对图像和掩模图进行扩展填充步骤如下：
[0017]将原图像块与掩模图块扩展成方形；
[0018]对扩展部分进行填充，填充方法为在皱纹图像块和掩模图块相同位置同步补0。
[0019]上述任一方案中优选的是，在步骤S4中，所述将制作好的图像与掩模图送入Unet模型中进行训练的步骤如下：
[0020]将掩模二值图块转换成灰度图块，并将皱纹图像块与掩模图块大小统一为512*
512；
[0021]将皱纹图像块与掩模图块送入Unet模型进行训练，直到损失值小于一定阈值或迭代次数超过一定阈值时停止。
[0022]上述任一方案中优选的是，在步骤S5中，所述使用训练好的模型检测脸部皱纹并输出结果的步骤如下：
[0023]采用关键点检测工具检测人脸上的关键点；
[0024]根据检测出的关键点将人脸分为上额、下颌、左脸和右脸区域；
[0025]将区域图块送入Unet模型，得出皱纹掩模图块；
[0026]根据皱纹掩模图块在原图上标注出皱纹区域。
[0027]本专利技术的技术效果和优点：该基于深度学习的皱纹分割方法可以有效避免毛发等因素干扰，且识别效率较高，能够准确实现皱纹检测，为老化程度判断给出准确的辅助信息。
附图说明
[0028]图1为本专利技术的流程图；
[0029]图2为本专利技术的额头皱纹检测效果图。
具体实施方式
[0030]下面结合附图对本专利技术的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本专利技术，但并不构成对本专利技术的限定。此外，下面所描述的本专利技术各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
[0031]一种基于深度学习的皱纹分割方法，包括以下步骤：
[0032]S1：在人脸图像上标注皱纹生成掩模图，具体步骤如下：
[0033]在人脸图像上标注皱纹区域；
[0034]将该标注图像转换成二值掩模图，其中白色像素点表示该像素处有皱纹，黑色点表示没有；
[0035]S2：选取图中部分皱纹区域，具体步骤如下：
[0036]采用关键点检测工具检测人脸上的关键点；
[0037]根据检测出的关键点将人脸分为上额、下颌、左脸和右脸区域，然后选取区域的皱纹图像与掩模图在相同位置同步进行切割得到图像块与掩模图块；
[0038]S3：对图像和掩模图进行扩展填充，具体步骤如下：
[0039]将原图像块与掩模图块扩展成方形；
[0040]对扩展部分进行填充，填充方法为在皱纹图像块和掩模图块相同位置同步补0；
[0041]S4：将制作好的图像与掩模图送入Unet模型中进行训练，具体步骤如下：
[0042]将掩模二值图块转换成灰度图块，并将皱纹图像块与掩模图块大小统一为512*512；
[0043]将皱纹图像块与掩模图块送入Unet模型进行训练，直到损失值小于一定阈值或迭代次数超过一定阈值时停止；
[0044]S5：使用训练好的模型检测脸部皱纹并输出结果，具体步骤如下：
[0045]采用关键点检测工具检测人脸上的关键点；
[0046]根据检测出的关键点将人脸分为上额、下颌、左脸和右脸区域；
[0047]将区域图块送入Unet模型，得出皱纹掩模图块；
[0048]根据皱纹掩模图块在原图上标注出皱纹区域。
[0049]尽管上面已经示出和描述了本专利技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本专利技术的限制，本领域的普通技术人员在本专利技术的范围内可以对上述实施例进行变化、修改、替换和变型。
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的皱纹分割方法，其特征在于：包括以下步骤：S1：在人脸图像上标注皱纹生成掩模图；S2：选取图中部分皱纹区域；S3：对图像和掩模图进行扩展填充；S4：将制作好的图像与掩模图送入Unet模型中进行训练；S5：使用训练好的模型检测脸部皱纹并输出结果。2.根据权利要求1所述的一种基于深度学习的皱纹分割方法，其特征在于：在步骤S1中，所述在人脸图像上标注皱纹生成掩模图的步骤如下：在人脸图像上标注皱纹区域；将该标注图像转换成二值掩模图，其中白色像素点表示该像素处有皱纹，黑色点表示没有。3.根据权利要求1所述的一种基于深度学习的皱纹分割方法，其特征在于：在步骤S2中，所述选取图中部分皱纹区域的步骤如下：采用关键点检测工具检测人脸上的关键点；根据检测出的关键点将人脸分为上额、下颌、左脸和右脸区域，然后选取区域的皱纹图像与掩模图在相同位置同步进行切割得到图像块与掩模图块。4.根据权利要求1所述的一种基于深度学习的皱纹分...

【专利技术属性】
技术研发人员：段连元，吴蕊，林彤，郭丽芳，杨寅，葛一平，
申请(专利权)人：中国医学科学院皮肤病医院中国医学科学院皮肤病研究所，
类型：发明
国别省市：