一种基于对抗生成网络的皮肤检测算法的训练方法技术

本发明专利技术涉及皮肤检测算法领域，尤其涉及一种基于对抗生成网络的皮肤检测算法的训练方法；技术问题：现有方法在使用过程中需要占用较多的计算资源，且由于其灵敏度高，会受到环境因素影响，准确性较低，且计算速度较慢；技术方案：一种基于对抗生成网络的皮肤检测算法的训练方法，包括在训练过程中，计算模型综合损失函数，并进行评估，进行监控；本发明专利技术通过在训练过程中优化和精简网络结构，可以减小模型的体积，使该方法可以应用于储存有限的嵌入式系统和移动设备中，且通过设置验证数据库，可以训练并增强模型的抗干扰能力，增加其适应能力和应用范围，且通过特殊构架的对抗生成网络模型，可以提高对皮肤缺陷检测的准确性和可靠性

【技术实现步骤摘要】
一种基于对抗生成网络的皮肤检测算法的训练方法


[0001]本专利技术涉及皮肤检测算法领域，尤其涉及一种基于对抗生成网络的皮肤检测算法的训练方法
。

技术介绍

[0002]皮肤检测算法是一种通过使用计算机视觉技术来辨别和识别人类皮肤的算法；它能够对不同类型的皮肤进行分类，如正常肤色
、
痤疮
、
色素沉着等；该算法基于对皮肤图像的特征提取和分析，通过比较和匹配这些特征与已知样本进行判断；其目的是能够对皮肤疾病和问题进行早期识别和预防，提供更好的医疗和护肤建议；同时，皮肤检测算法也可以应用于美容和化妆品行业，帮助用户选择适合自己肤色的产品，其中，人工智能和图像处理在医疗领域，特别是在皮肤检测和诊断方面，正变得越来越重要；传统的图像处理方法，如使用
OpenCV
库进行面部皮肤缺陷检测，具有一定的局限性，而深度学习和其他先进的机器学习方法则提供了一个更加有效和准确的替代方案；现有的采用基于
OpenCV
的算法，在使用过程中需要占用较多的计算资源，且由于其灵敏度高，会受到环境因素如角度和光照的影响，在复杂和多变的场景中准确性较低，且计算速度较慢，现有的采用基于
DCNN
的图像翻译方法，在使用过程中，因为涉及大量的参数和层，需要占用大量的计算资源，且模型的体积大，处理速度慢，导致实际应用中的实时性差
。

技术实现思路

[0003]为了克服采用基于
OpenCV
的算法，在使用过程中需要占用较多的计算资源，且由于其灵敏度高，会受到环境因素如角度和光照的影响，在复杂和多变的场景中准确性较低，且计算速度较慢，现有的采用基于
DCNN
的图像翻译方法，在使用过程中，因为涉及大量的参数和层，需要占用大量的计算资源，且模型的体积大，处理速度慢，导致实际应用中的实时性差的问题
。
[0004]本专利技术的技术方案为：一种基于对抗生成网络的皮肤检测算法的训练方法，包括以下步骤：
[0005]步骤一：准备模型训练所需要的环境和文件，包括建立训练数据库和验证数据库；
[0006]步骤二：建立对抗生成网络模型，利用步骤一中所建立的训练数据库，对对抗生成网络模型进行训练，其中对抗生成网络模型中包括用于生成目标图像的生成器和区分真实和生成的图像的判别器；
[0007]步骤三：在训练过程中，计算模型的各种参数的损失函数，并进行加权组合形成综合损失函数，根据综合损失函数的结果对对抗生成网络模型训练的结果进行评估，以形成对对抗生成网络模型的性能进行监控，并对对抗生成网络模型进行调整；
[0008]步骤四：将验证数据库中的图像输入值对抗生成网络模型中，对对抗生成网络模型进行测试和验证，并对对抗生成网络模型的参数进行调整优化对抗生成网络模型的性能；
[0009]步骤五：对抗生成网络模型训练调整完成后，使用推理部署的方式对对抗生成网络模型进行集成，形成最终模型
。
[0010]优选的，现有的采用基于
OpenCV
的算法，在使用过程中需要占用较多的计算资源，且由于其灵敏度高，会受到环境因素如角度和光照的影响，在复杂和多变的场景中准确性较低，且计算速度较慢，现有的采用基于
DCNN
的图像翻译方法，在使用过程中，因为涉及大量的参数和层，需要占用大量的计算资源，且模型的体积大，处理速度慢，导致实际应用中的实时性差，相对于现有的皮肤检测方法，该方法通过在训练过程中优化和精简网络结构，可以减小模型的体积，使该方法可以应用于储存有限的嵌入式系统和移动设备中，且通过设置验证数据库，可以训练并增强模型的抗干扰能力，增加其适应能力和应用范围，且通过特殊构架的对抗生成网络模型，可以提高对皮肤缺陷检测的准确性和可靠性
。
[0011]作为优选，在准备模型训练所需要的环境和文件，包括以下步骤：
[0012]步骤一：在密闭空间内关闭其他灯光，使用相机的闪光灯对测试人员的面部图像进行采集，并将采集到的图像进行保存；
[0013]步骤二：使用
OpenCV
结合
PS
软件对拍摄的人脸图像进行标注，构建验证数据库；
[0014]步骤三：增强人脸图像的各种特征，构建训练数据库；
[0015]步骤四：部署深度学习所需要的硬件和软件环境，包括
Windows
系统
、Linux
系统
、Mac
系统
、Android
系统和
iOS
系统中的一种
。
[0016]作为优选，在对人脸图像进行标注时，首先使用
opencv
基于传统算法在
YCrCb
空间中的
Cr
值与
RGB
空间计算出效果图，并对每张人脸图像设置不同的参数，输出最优的效果图，再利用
PS
软件对效果图中缺陷的部分进行修正
。
[0017]作为优选，在增强人脸图像的特征时，增强特征的方式包括：进行随机旋转
、
增加随机噪声
、
增加随机阴影
、
随机明暗度变化和随机裁剪，并利用其中的一种或者多种对人脸图像的特征进行增强，形成具有多种特征且多样化的训练数据库
。
[0018]作为优选，在进行模型训练时，包括以下步骤：
[0019]步骤一：对训练数据库中增强特征后的人脸图像进行图像预处理，形成标准化图像；
[0020]步骤二：构建具有用于生成目标图像的生成器和区分真实和生成的图像的判别器的对抗生成网络模型；
[0021]步骤三：将标准化图像输入到对抗生成网络中，对对抗生成网络模型进行训练；
[0022]步骤四：重复训练，得到所需要的对抗生成网络模型
。
[0023]作为优选，在对对训练数据库中增强特征后的人脸图进行图像预处理时，包括以下步骤：
[0024]步骤一：通过对数化的方法对人脸图像的图像亮度进行增强，其中，对数化亮度调整方法的数学表达公式为：
[0025][0026]其中，
k
是一个亮度增强因子，
n
是一个幂指数，用于控制增强程度的非线性特征，
I
adjusted
为调整后图像的亮度，
I
为原始图像的亮度；
[0027]步骤二：对经过亮度增强后的图像进行标准化处理，消除图像中光照
、
曝光不同导
致的差异，其中，标准化处理的数学表达式为：
[0028][0029]其中，
I
是原图像，
I
normalized
是标准化后的图像
。
[0030]作为优选，对抗生成网络模型中的生成器由两组残差网络生成器组成，其训练方法为：首先，在低分辨率图像上训练一个残差本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于对抗生成网络的皮肤检测算法的训练方法；其特征在于：包括以下步骤：步骤一：准备模型训练所需要的环境和文件，包括建立训练数据库和验证数据库；步骤二：建立对抗生成网络模型，利用步骤一中所建立的训练数据库，对对抗生成网络模型进行训练，其中对抗生成网络模型中包括用于生成目标图像的生成器和区分真实和生成的图像的判别器；步骤三：在训练过程中，计算模型的各种参数的损失函数，并进行加权组合形成综合损失函数，根据综合损失函数的结果对对抗生成网络模型训练的结果进行评估，以形成对对抗生成网络模型的性能进行监控，并对对抗生成网络模型进行调整；步骤四：将验证数据库中的图像输入值对抗生成网络模型中，对对抗生成网络模型进行测试和验证，并对对抗生成网络模型的参数进行调整优化对抗生成网络模型的性能；步骤五：对抗生成网络模型训练调整完成后，使用推理部署的方式对对抗生成网络模型进行集成，形成最终模型
。2.
根据权利要求1所述的一种基于对抗生成网络的皮肤检测算法的训练方法，其特征在于：在准备模型训练所需要的环境和文件，包括以下步骤：步骤一：在密闭空间内关闭其他灯光，使用相机的闪光灯对测试人员的面部图像进行采集，并将采集到的图像进行保存；步骤二：使用
OpenCV
结合
PS
软件对拍摄的人脸图像进行标注，构建验证数据库；步骤三：增强人脸图像的各种特征，构建训练数据库；步骤四：部署深度学习所需要的硬件和软件环境，包括
Windows
系统
、Linux
系统
、Mac
系统
、Android
系统和
iOS
系统中的一种
。3.
根据权利要求2所述的一种基于对抗生成网络的皮肤检测算法的训练方法，其特征在于：在对人脸图像进行标注时，首先使用
opencv
基于传统算法在
YCrCb
空间中的
Cr
值与
RGB
空间计算出效果图，并对每张人脸图像设置不同的参数，输出最优的效果图，再利用
PS
软件对效果图中缺陷的部分进行修正，在增强人脸图像的特征时，增强特征的方式包括：进行随机旋转
、
增加随机噪声
、
增加随机阴影
、
随机明暗度变化和随机裁剪，并利用其中的一种或者多种对人脸图像的特征进行增强，形成具有多种特征且多样化的训练数据库
。4.
根据权利要求2所述的一种基于对抗生成网络的皮肤检测算法的训练方法，其特征在于：在进行模型训练时，包括以下步骤：步骤一：对训练数据库中增强特征后的人脸图像进行图像预处理，形成标准化图像；步骤二：构建具有用于生成目标图像的生成器和区分真实和生成的图像的判别器的对抗生成网络模型；步骤三：将标准化图像输入到对抗生成网络中，对对抗生成网络模型进行训练；步骤四：重复训练，得到所需要的对抗生成网络模型
。5.
根据权利要求4所述的一种基于对抗生成网络的皮肤检测算法的训练方法，其特征在于：在对对训练数据库中增强特征后的人脸图进行图像预处理时，包括以下步骤：步骤一：通过对数化的方法对人脸图像的图像亮度进行增强，其中，对数化亮度调整方法的数学表达公式为：
其中，
k
是一个亮度增强因子，
n
是一个幂指数，用于控制增强程度的非线性特征，
I
adjusted
为调整后图像的亮度，
I
为原始图像的亮度；步骤二：对经过亮度增强后的图像进行标准化处理，消除图像中光照
、
曝光不同导致的差异，其中，标准化处理的数学表达式为：其中，
I
是原图像，
I
normalized
是标准化后的图像
。6.
根据权利要求4所述的一种基于对抗生成网络的皮肤检测算法的训练方法，其特征在于：对抗生成网络模型中的生成器由两组残差网络生成器组成，其训练方法为：首先，在低分辨率图像上训练一个残差网络生成器
A
；然后，另一个残差网络生成器
B
被附加到生成器
A
上，并且两个网络在高分辨率图像上共同进行训练，完成对生成器的训练
。7.
根据权利要求4所述的一种基于对抗生成网络的皮肤检测算法的训练方法，其特征在于：对抗生成网络模型中的判别器为多尺度判别器，其训练方法为：首先训练三组判别器，分为判别器
A、
判别器
B、
和判别器
C
，然后将采集到的人脸图像及生成器输出的图像
、
降采样2倍人脸图像及生成器输出的图像的及降采样4倍的人脸图像及生成器输出的图像输入至三组判别器，对三组判别器进行对抗训练
。8.
根据权利...

【专利技术属性】
技术研发人员：孙建华，
申请(专利权)人：北京安德盛威科技发展有限公司，
类型：发明
国别省市：