本申请公开了一种用于生成人脸数据的图像处理系统及方法。其首先对获取的目标对象的人脸图像进行图像预处理以去除所述目标对象的人脸图像中的背景部分，以得到预处理后人脸图像，接着对所述预处理后人脸图像进行图像分块处理以得到人脸局部图像块的序列，然后将所述人脸局部图像块的序列通过包含嵌入层的ViT模型以得到人脸全局语义特征向量，接着对所述人脸全局语义特征向量进行基于概率密度特征模仿范式的分布增益以得到优化人脸全局语义特征向量，最后将所述优化人脸全局语义特征向量通过第一分类器以得到用于表示鼻梁优化的推荐等级是否超过预定阈值的第一分类结果。这样可以提升人脸分析的准确性和效率。样可以提升人脸分析的准确性和效率。样可以提升人脸分析的准确性和效率。
【技术实现步骤摘要】
用于生成人脸数据的图像处理系统及方法
[0001]本申请涉及智能化图像处理领域，且更为具体地，涉及一种用于生成人脸数据的图像处理系统及方法。
技术介绍
[0002]近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号、图像处理等领域。人脸图像经过处理得到的人脸数据是一项重要的生物识别信息，深度学习以及神经网络的发展为挖掘所述人脸图像特征信息提供了新的解决思路和方案。
[0003]申请号为201711494694.9的中国专利公开了一种基于神经网络和积分图像的人脸定位方法，包括以下步骤：1.训练神经网络模型；2.使用训练好的模型对数字凸显进行人脸/非人脸的分类以及人脸区域的坐标定位。本专利技术利用单个简单的神经网络和积分图像以及数字图像处理的技术实现了对数字图像中的人脸进行分类和定位。该专利技术具有简单快速的特点，具有更好的鲁棒性，对训练样本的数量要求更小，使得训练工作成本更低，整体的实施成本也大大的降低，且对于多状态的人脸分类更具有优势。
[0004]申请号为201810946637.8的中国专利技术专利公开了一种基于卷积神经网络的人脸图像质量评估方法和系统。该方法步骤包括：1)构建一深度卷积网络作为大网络，以及一浅卷积层的小网络；2)利用已标注的训练样本分别训练该大网络和该小网络，直至该小网络输出的特征向量与该大网络输出的特征向量基本一致；其中，每次迭代训练时，将该大网络输出的特征向量与该小网络输出的特征向量一起作为该小网络的回归损失函数层的输入；3)将目标人脸图像输入步骤2)训练好的小网络，得到该目标人脸图像的特征向量并将其输入质量评估网络，利用质量评估网络计算得到该目标人脸图像图像质量。该专利技术极大优化了图像质量评估的准确度及实时性。
[0005]随着人工智能和计算机视觉技术的不断发展，人脸图像处理的应用场景也得到了广泛的应用。比如，在医疗整形行业中，通过对人脸图片进行分析和处理，可以提供更准确的面部优化和整形技术支持。而由于每个患者的脸型、面部特征以及医生的要求等因素都可能不同，导致对于人脸分析的准确性和效率较低，影响后续的医疗整形工作。
[0006]因此，期望一种优化的用于生成人脸数据的图像处理系统。
技术实现思路
[0007]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于生成人脸数据的图像处理系统及方法。其首先对获取的目标对象的人脸图像进行图像预处理以去除所述目标对象的人脸图像中的背景部分以得到预处理后人脸图像，接着对所述预处理后人脸图像进行图像分块处理以得到人脸局部图像块的序列，然后将所述人脸局部图像块的序列通过包含嵌入层的ViT模型以得到人脸全局语义特征向量，接着对所述人脸全局语义特征向量进行基于概率密度特征模仿范式的分布增益以得到优化人脸全局语义特征向量，最后将所述优化人脸全局语义特征向量通过第一分类器以得到用于表示鼻梁优化的推荐
等级是否超过预定阈值的第一分类结果。这样可以提升人脸分析的准确性和效率。
[0008]根据本申请的一个方面，提供了一种用于生成人脸数据的图像处理系统，其包括：人脸图像数据采集模块，用于获取目标对象的人脸图像；图像预处理模块，用于对所述目标对象的人脸图像进行图像预处理以去除所述目标对象的人脸图像中的背景部分以得到预处理后人脸图像；图像分块模块，用于对所述预处理后人脸图像进行图像分块处理以得到人脸局部图像块的序列；人脸全局特征提取模块，用于将所述人脸局部图像块的序列通过包含嵌入层的ViT模型以得到人脸全局语义特征向量；特征优化模块，用于对所述人脸全局语义特征向量进行基于概率密度特征模仿范式的分布增益以得到优化人脸全局语义特征向量；以及鼻梁优化模块，用于将所述优化人脸全局语义特征向量通过第一分类器以得到第一分类结果，所述第一分类结果用于表示鼻梁优化的推荐等级是否超过预定阈值。
[0009]在上述的用于生成人脸数据的图像处理系统中，所述图像分块模块，用于对所述预处理后人脸图像进行均匀地图像分块处理以得到人脸局部图像块的序列。
[0010]在上述的用于生成人脸数据的图像处理系统中，所述人脸全局特征提取模块，包括：嵌入化单元，用于使用所述ViT模型的所述嵌入层分别对所述人脸局部图像块的序列中各个人脸局部图像块进行嵌入化以得到人脸局部图像块嵌入向量的序列；以及ViT编码单元，用于将所述人脸局部图像块嵌入向量的序列通过所述ViT模型以得到所述人脸全局语义特征向量。
[0011]在上述的用于生成人脸数据的图像处理系统中，所述嵌入化单元，用于将所述人脸局部图像块的序列中各个人脸局部图像块的二维像素值矩阵展开为一维像素值向量以得到一维像素值向量的序列；以及使用所述嵌入层分别对所述一维像素值向量的序列中的各个一维像素值向量进行全连接编码以得到所述人脸局部图像块嵌入向量的序列。
[0012]在上述的用于生成人脸数据的图像处理系统中，所述特征优化模块，用于以如下优化公式对所述人脸全局语义特征向量进行基于概率密度特征模仿范式的分布增益以得到所述优化人脸全局语义特征向量；其中，所述优化公式为：
[0013]其中，是所述人脸全局语义特征向量，是所述人脸全局语义特征向量的第个位置的特征值，是所述人脸全局语义特征向量的长度，表示所述人脸全局语义特征向量的二范数的平方，是加权超参数，是所述优化人脸全局语义特征向量的第个位置的特征值。
[0014]在上述的用于生成人脸数据的图像处理系统中，所述鼻梁优化模块，包括：全连接编码单元，用于使用所述第一分类器的全连接层对所述优化人脸全局语义
特征向量进行全连接编码以得到编码分类特征向量；以及分类单元，用于将所述编码分类特征向量输入所述第一分类器的Softmax分类函数以得到所述第一分类结果。
[0015]根据本申请的另一个方面，提供了一种用于生成人脸数据的图像处理方法，其包括：获取目标对象的人脸图像；对所述目标对象的人脸图像进行图像预处理以去除所述目标对象的人脸图像中的背景部分以得到预处理后人脸图像；对所述预处理后人脸图像进行图像分块处理以得到人脸局部图像块的序列；将所述人脸局部图像块的序列通过包含嵌入层的ViT模型以得到人脸全局语义特征向量；对所述人脸全局语义特征向量进行基于概率密度特征模仿范式的分布增益以得到优化人脸全局语义特征向量；以及将所述优化人脸全局语义特征向量通过第一分类器以得到第一分类结果，所述第一分类结果用于表示鼻梁优化的推荐等级是否超过预定阈值。
[0016]在上述的用于生成人脸数据的图像处理方法中，对所述预处理后人脸图像进行图像分块处理以得到人脸局部图像块的序列，包括：对所述预处理后人脸图像进行均匀地图像分块处理以得到人脸局部图像块的序列。
[0017]在上述的用于生成人脸数据的图像处理方法中，将所述人脸局部图像块的序列通过包含嵌入层的ViT模型以得到人脸全局语义特征向量，包括：使用所述ViT模型的所述嵌入层分别对所述人脸局部图像块的序列中各个人脸局部图像块进行嵌入化以得到人脸局部图像块嵌入向量的序列；以及将所述人本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于生成人脸数据的图像处理系统，其特征在于，包括：人脸图像数据采集模块，用于获取目标对象的人脸图像；图像预处理模块，用于对所述目标对象的人脸图像进行图像预处理以去除所述目标对象的人脸图像中的背景部分，以得到预处理后人脸图像；图像分块模块，用于对所述预处理后人脸图像进行图像分块处理以得到人脸局部图像块的序列；人脸全局特征提取模块，用于将所述人脸局部图像块的序列通过包含嵌入层的ViT模型以得到人脸全局语义特征向量；特征优化模块，用于对所述人脸全局语义特征向量进行基于概率密度特征模仿范式的分布增益以得到优化人脸全局语义特征向量；以及鼻梁优化模块，用于将所述优化人脸全局语义特征向量通过第一分类器以得到第一分类结果，所述第一分类结果用于表示鼻梁优化的推荐等级是否超过预定阈值。2.根据权利要求1所述的用于生成人脸数据的图像处理系统，其特征在于，所述图像分块模块，用于对所述预处理后人脸图像进行均匀地图像分块处理以得到人脸局部图像块的序列。3.根据权利要求2所述的用于生成人脸数据的图像处理系统，其特征在于，所述人脸全局特征提取模块，包括：嵌入化单元，用于使用所述ViT模型的所述嵌入层分别对所述人脸局部图像块的序列中各个人脸局部图像块进行嵌入化以得到人脸局部图像块嵌入向量的序列；以及ViT编码单元，用于将所述人脸局部图像块嵌入向量的序列通过所述ViT模型以得到所述人脸全局语义特征向量。4.根据权利要求3所述的用于生成人脸数据的图像处理系统，其特征在于，所述嵌入化单元，用于将所述人脸局部图像块的序列中各个人脸局部图像块的二维像素值矩阵展开为一维像素值向量以得到一维像素值向量的序列；以及使用所述嵌入层分别对所述一维像素值向量的序列中的各个一维像素值向量进行全连接编码以得到所述人脸局部图像块嵌入向量的序列。5.根据权利要求4所述的用于生成人脸数据的图像处理系统，其特征在于，所述特征优化模块，用于以如下优化公式对所述人脸全局语义特征向量进行基于概率密度特征模仿范式的分布增益以得到所述优化人脸全局语义特征向量；其中，所述优化公式为：；其中，是所述人脸全局语义特征向量，是所述人脸全局语义特征向量的第个位置的特征值，是所述人脸全局语义特征向量的长度，表示所述人脸全局语义特征向量的二范数的平方，是加权超参数，是所述优化人脸全局语义...
【专利技术属性】
技术研发人员：伍强，李佩剑，邓清凤，
申请(专利权)人：成都睿瞳科技有限责任公司，
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。