一种脸部皱纹检测方法技术

本发明专利技术涉及脸部皱纹检测技术领域，且公开了一种脸部皱纹检测方法，包括以下步骤：

【技术实现步骤摘要】
一种脸部皱纹检测方法


[0001]本专利技术涉及脸部皱纹检测
，具体为一种脸部皱纹检测方法
。

技术介绍

[0002]脸部皱纹是面部肌肉长年累月
、
周而复始的运动中产生的纹路，皱纹检测主要对脸部的眼下细纹
、
鱼尾纹
、
法令纹
、
抬头纹等皱纹进行分割和高精度检测，针对条皱纹坐标位置进行精准定位，具有高精度检测识别
、
精细分割的功能，在互动娱乐
、
智能医美等场景下应用
。
[0003]现有技术中，在对脸部皱纹进行检测时，主要是用过专业的设备仪器对人脸的相片进行采集，并将采集到的照片与标准照片进行对比，以此来进行脸部皱纹的检测，但是在实际使用时，只通过相片采集并进行对比的方式使得检测的结果并不精准，缺乏详细的数据对比分析，影响对脸部皱纹检测的结果，因此需要专利技术出一种脸部皱纹检测方法来解决上述问题
。

技术实现思路

[0004](
一
)
解决的技术问题
[0005]针对现有技术的不足，本专利技术提供了一种脸部皱纹检测方法，在使用过程中，通过设置的专业扫描仪对检测者的面部进行脸部照片的采集，在采集时对照在检测者面部上的光源进行合理的打光，使得进行检测的照片能够贴合检测者的面貌实际情况，将扫描出的图形提取出来后，利用
Adaboost
算法使得提取出的检测照片的数据更为准确，对已经数据化的人脸模型利用
conda
的方式后转化为
onnx
格式模型，并单独将脸部皱纹的线条提取出来，并置于独立的骨骼框架中，能够更好的判断脸部皱纹的情况，并进行分析检测，提高了在对脸部皱纹进行检测时的检测的精准度，并且在进行检测的过程中，对扫描出的测试者的面部特征的特诊点采用
Labelme
，采用移动最小二乘法图像变形法将
RGB
格式额转化为
HOG
格式，与
Adaboost
算法相结合，能够更方便的将特征点附近的脸部皱纹转化为数据，当模型转化为
onnx
格式后，采用
SDM
算法进行核查，并通过
Hessian
矩阵式的计算方式，能够对模型的特征的特征的基本数值进行比对，使得脸部皱纹在提取出来时不会与测试者实际的皱纹存在偏差，对利用
conda
二次建模出的脸部皱纹模型使用
frangi
滤波器进行滤纹的处理，使得在皱纹附近的多余的细节能够被有效的取出，避免其影响监测数据，再次提高了脸部皱纹检测的精准度与检测的准确性
。
[0006](
二
)
技术方案
[0007]为实现上述脸部皱纹检测，本专利技术提供如下技术方案：一种脸部皱纹检测方法，包括以下步骤：
[0008]S1、
图像采集
[0009]对检测环境的光源进行控制，对检测者的面部进行打光处理，通过专业扫描仪对检测者的面部状态相片进行采集
。
[0010]S2、
面部数据建立
[0011]对扫描出的图像进行数据提取处理，通过算法将图像数据化
。
[0012]S3、
人脸模型构建
[0013]提取数据化的图像的特征的关键点，对数据化的图像进行模型的搭建
。
[0014]S4、
脸部皱纹提取
[0015]将脸部皱纹线条单独提取出来，并对该线条进行单独模型构建
。
[0016]S5、
脸部皱纹分析
[0017]对建模出的脸部皱纹线条与标准面部进行比对，得出检测结果
。
[0018]优选的，所述步骤
S1
中，检测者面部应保证光照均匀，且无阴影轮廓影响扫描结果，且使用扫描仪进行扫描时应保证检测者面部全方位都进行扫描
。
[0019]优选的，所述步骤
S2
中，将扫描出的图片数据提取到计算机上，采用
Labelme
对面部的特征点进行标注，特征点为眉毛
、
眼睛
、
鼻子
、
脸部，提取特征点附近的皱纹使其数据化
。
[0020]提取出的初始皱纹为
RGB
格式，利用移动最小二乘法图像变形法，在不损失基本特征的情况下，将其转化为
HOG
格式
。
[0021]优选的，所述步骤
S2
中，采用
Adaboost
算法使提取出的特征点与特征点附近的皱纹数据化，算法的基本限制公式为：
[0022]h1(x)∈{
‑
1,+1}
[0023]h2(x)∈{
‑
1,+1}
[0024]由此公式可以推导出：
[0025]h
t
(x)∈{
‑
1,+1}
[0026]再此公式限制下，进而得出脸部皱纹特征点计算公式为：
[0027][0028]通过运算计算得出数据，将脸部特征进行数据化，此时进行下一步建模
。
[0029]优选的，所述步骤
S3
中，根据首先进行骨架模型的搭建，采用
conda
进行骨架的模型搭建后，输入命令：
[0030]python main.py
‑
m train
‑‑
save
‑
dir save/ENet_Card
‑‑
name ENet
‑‑
dataset card
‑‑
dataset
‑
dir datasets
‑‑
epochs 300
‑‑
height 512
‑‑
width 512
‑‑
print
‑
step
；
[0031]输入此命令将此模型转化为
onnx
格式，转化格式后采用
SDM
算法，对
onnx
模型进行特征点核查
。
[0032]优选的，所述采用
SDM
算法对特征点进行核查时，采用
Hessian
矩阵式，并首先对图像进行预处理，之后数据集采用
u2i
找回方式进行
SDM
召回，并利用
SIFI
计算出特征点的基本数据进行核查
。
[0033]利用
SDM
算法进行核查的基本公式为：
[0034][0035]经过该计算得出通过
SDM
算法计算出的
onnx
模型下的特征基本数值，将二者进行
...

【技术保护点】

【技术特征摘要】
1.
一种脸部皱纹检测方法，其特征在于，包括以下步骤：
S1、
图像采集对检测环境的光源进行控制，对检测者的面部进行打光处理，通过专业扫描仪对检测者的面部状态相片进行采集；
S2、
面部数据建立对扫描出的图像进行数据提取处理，通过算法将图像数据化；
S3、
人脸模型构建提取数据化的图像的特征的关键点，对数据化的图像进行模型的搭建；
S4、
脸部皱纹提取将脸部皱纹线条单独提取出来，并对该线条进行单独模型构建；
S5、
脸部皱纹分析对建模出的脸部皱纹线条与标准面部进行比对，得出检测结果
。2.
根据权利要求1所述的一种脸部皱纹检测方法，其特征在于，所述步骤
S1
中，检测者面部应保证光照均匀，且无阴影轮廓影响扫描结果，且使用扫描仪进行扫描时应保证检测者面部全方位都进行扫描
。3.
根据权利要求1所述的一种脸部皱纹检测方法，其特征在于，所述步骤
S2
中，将扫描出的图片数据提取到计算机上，采用
Labelme
对面部的特征点进行标注，特征点为眉毛
、
眼睛
、
鼻子
、
脸部，提取特征点附近的皱纹使其数据化；提取出的初始皱纹为
RGB
格式，利用移动最小二乘法图像变形法，在不损失基本特征的情况下，将其转化为
HOG
格式
。4.
根据权利要求1所述的一种脸部皱纹检测方法，其特征在于，所述步骤
S2
中，采用
Adaboost
算法使提取出的特征点与特征点附近的皱纹数据化，算法的基本限制公式为：
h1(x)∈{
‑
1,+1}h2(x)∈{
‑
1,+1}
由此公式可以推导出：
h
t
(x)∈{
‑
1,+1}
再此公式限制下，进而得出脸部皱纹特征点计算公式为：通过运算计算得出数据，将脸部特征进行数据化，此时进行下一步建模
。5.
根据权利要求1所述的一种脸部皱纹检测方法，其特征在于，所述步骤
S3
中，根据首先进行骨架模型的搭建，采用
conda
进行骨架的模型搭建后，输入命令：
python main.py
‑
m train
‑‑
save
‑
dir save/ENet_Card
‑‑
name ENet
‑‑
dataset card

【专利技术属性】
技术研发人员：许启扬，吴泳波，杨健辉，
申请(专利权)人：广州市皓品信息科技有限公司，
类型：发明
国别省市：