[發(fā)明專利]黑眼圈識(shí)別方法、裝置、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201911415701.0
• 申請(qǐng)日: 2019-12-31
• 公開（公告）號(hào): CN111428552B
• 公開（公告）日: 2022-07-15
• 發(fā)明（設(shè)計(jì)）人: 曾夢(mèng)萍;周桂文
• 申請(qǐng)（專利權(quán)）人: 深圳數(shù)聯(lián)天下智能科技有限公司
• 主分類號(hào): G06V40/16
• 分類號(hào): G06V40/16;G06V10/56;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 華進(jìn)聯(lián)合專利商標(biāo)代理有限公司 44224
• 代理人: 黃麗

1.一種黑眼圈識(shí)別方法，所述方法包括：

S10，獲取目標(biāo)人臉樣本圖像；

S20，基于目標(biāo)神經(jīng)網(wǎng)絡(luò)模型中的卷積層對(duì)所述目標(biāo)人臉樣本圖像進(jìn)行卷積處理，得到多個(gè)尺寸不同的卷積特征圖，每個(gè)卷積特征圖包括多個(gè)卷積特征子圖；其中，所述卷積特征圖表征所述目標(biāo)人臉樣本圖像中黑眼圈對(duì)應(yīng)的特征信息；

S30，分別確定所述每個(gè)卷積特征圖對(duì)應(yīng)的目標(biāo)卷積特征信息，所述目標(biāo)卷積特征信息包括所述多個(gè)卷積特征子圖中各個(gè)卷積特征子圖對(duì)應(yīng)的卷積特征信息；

S40，分別確定所述目標(biāo)卷積特征信息中的各個(gè)卷積特征信息對(duì)應(yīng)的位置坐標(biāo)，將所述目標(biāo)人臉樣本圖像中與所述位置坐標(biāo)對(duì)應(yīng)的區(qū)域確定為所述各個(gè)卷積特征信息對(duì)應(yīng)的第一區(qū)域；

S50，確定各個(gè)卷積特征信息對(duì)應(yīng)的第一區(qū)域的置信度和所述第一區(qū)域?qū)?yīng)的屬性類別，并將置信度大于置信度閾值并且屬性類別為預(yù)設(shè)黑眼圈類別中任意一種的第一區(qū)域確定為第二區(qū)域，將所述第二區(qū)域?qū)?yīng)的屬性類別確定為黑眼圈的類別；

S60，根據(jù)所述第二區(qū)域?qū)?yīng)的位置坐標(biāo)確定黑眼圈在所述目標(biāo)人臉樣本圖像中的位置坐標(biāo)；

S70，根據(jù)預(yù)設(shè)的損失函數(shù)計(jì)算所述黑眼圈的類別以及在所述黑眼圈在目標(biāo)人臉樣本圖像中的位置坐標(biāo)與預(yù)設(shè)的期望輸出標(biāo)簽之間的總誤差；

S80，若所述總誤差小于預(yù)設(shè)閾值，將所述目標(biāo)神經(jīng)網(wǎng)絡(luò)模型作為黑眼圈識(shí)別模型；

S90，若所述總誤差不小于所述預(yù)設(shè)閾值，調(diào)整所述目標(biāo)神經(jīng)網(wǎng)絡(luò)模型中的網(wǎng)絡(luò)參數(shù)，得到調(diào)整后的目標(biāo)神經(jīng)網(wǎng)絡(luò)模型，將所述目標(biāo)人臉樣本圖像對(duì)應(yīng)的下一人臉樣本圖像作為所述目標(biāo)人臉樣本圖像，返回執(zhí)行S20-S90重新進(jìn)行迭代訓(xùn)練，直到訓(xùn)練次數(shù)達(dá)到預(yù)設(shè)迭代次數(shù)為止，且將所述調(diào)整后的目標(biāo)神經(jīng)網(wǎng)絡(luò)模型作為所述黑眼圈識(shí)別模型；

S100，通過所述黑眼圈識(shí)別模型識(shí)別目標(biāo)人臉圖像，以得到所述目標(biāo)人臉圖像中黑眼圈的類型以及所述黑眼圈在所述目標(biāo)人臉圖像中的位置坐標(biāo)。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述確定各個(gè)卷積特征信息對(duì)應(yīng)的第一區(qū)域的置信度和所述第一區(qū)域?qū)?yīng)的屬性類別，包括：

分別確定所述各個(gè)卷積特征信息與所述目標(biāo)神經(jīng)網(wǎng)絡(luò)模型中的多種屬性類別之間的匹配概率，所述多種屬性類別至少包括背景、血管型黑眼圈和色素型黑眼圈；

在所述各個(gè)卷積特征信息與所述目標(biāo)神經(jīng)網(wǎng)絡(luò)模型中的多種屬性類別之間的匹配概率中確定最大匹配概率，并將所述最大匹配概率確定為所述各個(gè)卷積特征信息對(duì)應(yīng)的第一區(qū)域的置信度；

將所述最大匹配概率對(duì)應(yīng)的屬性類別確定為所述第一區(qū)域?qū)?yīng)的屬性類別。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述第二區(qū)域?qū)?yīng)的位置坐標(biāo)確定黑眼圈在所述目標(biāo)人臉樣本圖像中的位置坐標(biāo)，包括：

在所述第二區(qū)域的數(shù)量為多個(gè)的情況下，在所述第二區(qū)域中確定置信度最大的第二區(qū)域，將所述置信度最大的區(qū)域確定為第三區(qū)域；

計(jì)算第四區(qū)域與第三區(qū)域的區(qū)域交叉度，所述第四區(qū)域?yàn)樗龅诙^(qū)域中排除所述第三區(qū)域之后的第二區(qū)域，所述區(qū)域交叉度用于指示所述第四區(qū)域與所述第三區(qū)域在所述目標(biāo)人臉樣本圖像中的重合程度；

在所述第四區(qū)域中查找第五區(qū)域，所述第五區(qū)域與所述第三區(qū)域的區(qū)域交叉度大于區(qū)域交叉度閾值；

在查找到所述第五區(qū)域的情況下，將所述第三區(qū)域確定為目標(biāo)區(qū)域，并在所述第二區(qū)域中排除所述第三區(qū)域和所述第五區(qū)域之后，如果所述第二區(qū)域的數(shù)量仍為多個(gè)，則執(zhí)行所述在所述第二區(qū)域中確定置信度最大的第二區(qū)域，將所述置信度最大的區(qū)域確定為第三區(qū)域的步驟；

在未查找到第五區(qū)域的情況下，將所述第三區(qū)域確定為目標(biāo)區(qū)域，并在所述第二區(qū)域中排除所述第三區(qū)域之后，如果所述第二區(qū)域的數(shù)量仍為多個(gè)，則執(zhí)行所述在所述第二區(qū)域中確定置信度最大的第二區(qū)域，將所述置信度最大的區(qū)域確定為第三區(qū)域的步驟；

在所述第二區(qū)域的數(shù)量為一個(gè)的情況下，將所述第二區(qū)域確定為目標(biāo)區(qū)域；

將所述目標(biāo)區(qū)域?qū)?yīng)的位置坐標(biāo)確定為所述黑眼圈在所述目標(biāo)人臉樣本圖像中的位置坐標(biāo)。