人脸皱纹识别方法技术

本申请公开了一种人脸皱纹识别方法

【技术实现步骤摘要】
人脸皱纹识别方法、装置以及存储介质、电子装置


[0001]本申请涉及图像处理
，具体而言，涉及一种人脸皱纹识别方法
、
装置以及存储介质
、
电子装置
。

技术介绍

[0002]人脸皱纹检测在检测人体面部皮肤问题以及合理正确选用适合护肤品等方面有着重要影响
。
如想要了解自身肤质情况，一般需要去专业美容医院寻求医生进行诊断
。
但是这种方式存在较大问题，一是不够便捷，二是仅凭从业人员的经验判断会存在一定的误差
。
面部皮肤皱纹的检测鉴别采用肉眼观察的原始方式判别，该方式尤其在早期检测鉴别方面显得极为不足
。
此外不同背景下的脸部图片其像素特征和属性间关系十分复杂，仅凭肉眼无法做到图像饱和度
、
对比度
、
亮度等方面对皱纹检测鉴别的具体影响
。
另一方面，纯粹依靠人为鉴别必然导致工作繁重
、
缺乏专业性，甚至检测结果准确性无法保证
。
传统图形图像的检测识别技术，大多依靠人为构造易于区分对象的图像特征，如边缘特征
、
直方图特征
、
阈值选取等等
。
上述操作复杂繁琐
、
不易于后期精准优化，而且人工提取特征往往不具备通用性，更多只是对某一类特定样本的概括，很难大范围推广，致使通用的识别模型很难建立起来
。
[0003]随着人工智能技术的快速发展，深度卷积神经网络在图像分类
、
语义分割
、
目标检测等领域取得了良好发展，如无人驾驶
、
车道线检测
、
医疗影像分析
、
人脸识别等
。
深度卷积网络依靠强大的逐层学习能力对数据特征进行丰富提取和表示，完全适合于图像密集计算型学习任务，相较于传统机器学习技术而言，扩大了特征学习范围，增强了特征学习能力，在保证识别速度的前提下，提高了模型精度
。
[0004]针对相关技术中人脸皱纹检测效果不佳的问题，目前尚未提出有效的解决方案
。

技术实现思路

[0005]本申请的主要目的在于提供一种人脸皱纹识别方法
、
装置以及存储介质
、
电子装置，以解决人脸皱纹检测效果不佳的问题
。
[0006]为了实现上述目的，根据本申请的一个方面，提供了一种人脸皱纹识别方法
。
[0007]根据本申请的人脸皱纹识别方法包括：
[0008]获取至少包含人脸的图像信息，对所述图像信息进行预处理和图像归一化处理得到待处理图像；
[0009]将所述待处理图像输入预先训练的深度卷积神经网络模型；
[0010]根据所述预先训练的深度卷积神经网络模型，得到人脸皱纹识别结果
。
[0011]进一步地，所述方法还包括：
[0012]基于融合
Dropout
算法和
L2
正则化算法优化改进所述深度卷积神经网络模型
。
[0013]进一步地，所述方法还包括：将经过训练后改进的所述深度卷积神经网络模型，上传部署至云端服务器
。
[0014]进一步地，所述深度卷积神经网络模型中的图像数据集包括如下几类样本：眼下细纹
、
抬头纹
、
鱼尾纹
、
法令纹
、
无皱纹，所述图像归一化处理包括：对图像进行欠采样，所述欠采样是通过鱼尾纹这一类的数量大小作为数量标准来平衡数据集，使得图片中所有类别数量相同
。
[0015]进一步地，所述深度卷积神经网络模型采用深度卷积神经网络训练得到，所述深度卷积神经网络包括：输入层
、
卷积层
、
激活函数
、
池化层
、
全连接层
、
输出层，相邻层间的节点通常采取局部连接和权值共享，通过不同的卷积核对图像特征实现卷积提取，并借助
softmax
分类，达到端到端的识别结果输出
。
[0016]进一步地，所述输入层接收图像数据输入尺寸为
(512,512,3)
，
[0017]所述卷积层对输入特征图进行卷积计算
,
是特征提取的关键过程之一；特征提取效果与卷积层的卷积核数量有关
,
设计选取5个卷积层
Conv1、Conv2、Conv3、Conv4、Conv5,
卷积核尺寸均设为
5*5
；
Conv1、Conv2、Conv3、Conv4、Conv5
所包含的卷积核个数分别为
64、64、128、128
和
256
；
[0018]池化层中通过下采样操作，在提取有效特征的基础上减少数据运算量
。
[0019]进一步地，对所述图像信息进行预处理，包括：数据增强
、
图像背景去除
。
[0020]为了实现上述目的，根据本申请的另一方面，提供了一种人脸皱纹识别装置
。
[0021]根据本申请的人脸皱纹识别装置包括：
[0022]获取以及处理模块，用于获取至少包含人脸的图像信息，对所述图像信息进行预处理和图像归一化处理得到待处理图像；
[0023]卷积网络构建模块，用于将所述待处理图像输入预先训练的深度卷积神经网络模型；
[0024]网络优化模块，用于根据所述预先训练的深度卷积神经网络模型，得到人脸皱纹识别结果
。
[0025]为了实现上述目的，根据本申请的又一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述方法
。
[0026]为了实现上述目的，根据本申请的再一方面，提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述的方法
。
[0027]在本申请实施例中的人脸皱纹识别方法
、
装置以及存储介质
、
电子装置，能够自主地学习人脸皱纹图像的底层特征，达到识别皱纹分类的良好效果
。
附图说明
[0028]构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征
、
目的和优点变得更明显
。
本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定
。
在附图中：
[0029]图1是根据本申请实施例的人脸皱纹识别方法
、
的流程示意图；
[0030]图2是根据本申请实施例的人脸皱纹识别方装置的结构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种人脸皱纹识别方法，其特征在于，所述方法包括：获取至少包含人脸的图像信息，对所述图像信息进行预处理和图像归一化处理得到待处理图像；将所述待处理图像输入预先训练的深度卷积神经网络模型；根据所述预先训练的深度卷积神经网络模型，得到人脸皱纹识别结果
。2.
根据权利要求1所述的方法，其特征在于，所述方法还包括：基于融合
Dropout
算法和
L2
正则化算法优化改进所述深度卷积神经网络模型
。3.
根据权利要求2所述的方法，其特征在于，所述方法还包括：将经过训练后改进的所述深度卷积神经网络模型，上传部署至云端服务器
。4.
根据权利要求1所述的方法，其特征在于，所述深度卷积神经网络模型中的图像数据集包括如下几类样本：眼下细纹
、
抬头纹
、
鱼尾纹
、
法令纹
、
无皱纹，所述图像归一化处理包括：对图像进行欠采样，所述欠采样是通过鱼尾纹这一类的数量大小作为数量标准来平衡数据集，使得图片中所有类别数量相同
。5.
根据权利要求1所述的方法，其特征在于，所述深度卷积神经网络模型采用深度卷积神经网络训练得到，所述深度卷积神经网络包括：输入层
、
卷积层
、
激活函数
、
池化层
、
全连接层
、
输出层，相邻层间的节点通常采取局部连接和权值共享，通过不同的卷积核对图像特征实现卷积提取，并借助
softmax
分类，达到端到端的识别结果输出
。6.
根据权...

【专利技术属性】
技术研发人员：李宗博，
申请(专利权)人：吾征智能技术北京有限公司，
类型：发明
国别省市：