[發(fā)明專利]一種基于端到端卷積神經(jīng)網(wǎng)絡(luò)的顱骨面貌復(fù)原方法

在審

• 申請?zhí)枺?/td>: 202010931407.1
• 申請日: 2020-09-07
• 公開（公告）號: CN112132759A
• 公開（公告）日: 2020-12-25
• 發(fā)明（設(shè)計）人: 胡軼寧;潘玥利;謝理哲;王浩;顧正宇
• 申請（專利權(quán)）人: 東南大學(xué)
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T7/136
• 代理公司: 南京眾聯(lián)專利代理有限公司 32206
• 代理人: 葉涓涓

本發(fā)明提供了一種基于端到端卷積神經(jīng)網(wǎng)絡(luò)的顱骨面貌復(fù)原方法，包括以下步驟：S1：對人體顱骨CT掃描圖像進行數(shù)據(jù)預(yù)處理并制作數(shù)據(jù)集；S2：搭建卷積神經(jīng)網(wǎng)絡(luò)；S3：使用訓(xùn)練樣本訓(xùn)練步驟S2中搭建好的卷積神經(jīng)網(wǎng)絡(luò)，每訓(xùn)練五輪，便用模型對檢測樣本進行檢測，評判生成的預(yù)測面型；S4：選取步驟S4中效果最好的一輪作為最終結(jié)果。本發(fā)明采用神經(jīng)網(wǎng)絡(luò)的方法自動提取顱骨的特征，根據(jù)顱骨本身的特性預(yù)測面型，具有較高的靈活性，流程少，耗時短，并提升了預(yù)測準(zhǔn)確率。本發(fā)明利用深度卷積編解碼器，學(xué)習(xí)頭骨和面貌之間的相互關(guān)系及特征，根據(jù)顱骨信息還原面型，充分考慮了面部點的空間特性，彌補了稀疏特征點帶來的誤差。

技術(shù)領(lǐng)域

本發(fā)明屬于顱骨面貌復(fù)原技術(shù)領(lǐng)域，結(jié)合計算機技術(shù)，涉及一種基于端到端卷積神經(jīng)網(wǎng)絡(luò)的顱骨面貌復(fù)原方法。

背景技術(shù)

顱骨具有耐腐蝕性、堅固、難以被任意篡改等優(yōu)點，通過對顱骨進行面貌復(fù)原，對考古學(xué)、醫(yī)學(xué)整容學(xué)、法醫(yī)學(xué)和刑事偵探學(xué)等都有著廣泛應(yīng)用前景。目前，傳統(tǒng)的顱骨面貌復(fù)原方法將面部特征點處的平均軟組織厚度作為待復(fù)原的顱骨軟組織厚度，完全忽略了個體之間的差異性和其本身的特性。顯然，傳統(tǒng)方法沒有考慮顱骨自身特性，依靠平均測量值進行預(yù)測估計，導(dǎo)致精度不高。

發(fā)明內(nèi)容

為解決上述問題，本發(fā)明提供一種基于端到端卷積神經(jīng)網(wǎng)絡(luò)的顱骨面貌復(fù)原方法。利用端到端的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)自動提取顱骨本身的特性，根據(jù)軟組織厚度與顱骨之間的內(nèi)在聯(lián)系預(yù)測面型，精度更高、效率更高。

為了達到上述目的，本發(fā)明提供如下技術(shù)方案：

一種基于端到端卷積神經(jīng)網(wǎng)絡(luò)的顱骨面貌復(fù)原方法，包括如下步驟：

S1：對人體顱骨CT掃描圖進行數(shù)據(jù)處理，制作數(shù)據(jù)集，并劃分訓(xùn)練集和測試集；

S2：根據(jù)訓(xùn)練樣本的樣本特征搭建卷積神經(jīng)網(wǎng)絡(luò)G(x)；

S3：使用訓(xùn)練樣本訓(xùn)練步驟S2中搭建好的卷積神經(jīng)網(wǎng)絡(luò)，每訓(xùn)練五輪，便用模型對測試樣本進行測試，評判生成的預(yù)測面型；

S4：選取步驟S3中效果最好一輪對應(yīng)的模型作為最終結(jié)果。

進一步的，所述步驟S1具體包括如下子步驟：

S1.1：讀取顱骨CT掃描圖，采用基于先驗值和UM的局部自適應(yīng)迭代閾值分割對顱骨進行分割，自適應(yīng)設(shè)置閾值，得到精確的顱骨數(shù)據(jù)；

S1.2：讀取顱骨CT掃描圖，采用局部閾值分割方法，得到面型數(shù)據(jù)；

S1.3：將顱骨高程圖及其對應(yīng)的人臉高程圖按照預(yù)設(shè)比例劃分訓(xùn)練集，測試集。

進一步的，所述步驟S1.1包括如下子步驟：

S1.1.1：讀取顱骨CT掃描圖，手動去除空氣雜質(zhì)；

S1.1.2：采用3*3大小的窗口進行均值濾波去噪；

S1.1.3：對S1.1.2去噪后的數(shù)據(jù)，根據(jù)sobel算子得出高頻部分，高頻部分乘上倍數(shù)1加到原數(shù)據(jù)；

S1.1.4：對S1.1.3增強后的數(shù)據(jù)設(shè)置15*15滑動窗口，根據(jù)迭代閾值算法求出閾值，即求出當(dāng)前窗口內(nèi)最大灰度值t_max和最小灰度值t_min，然后根據(jù)閾值將圖像分為目標(biāo)與背景，再分別求出目標(biāo)與背景的平均灰度t₁,t₂，根據(jù)t₁,t₂求得閾值若T_k+1＝T_k，則T_k為迭代閾值算法所求最優(yōu)閾值T，比較最優(yōu)閾值T與顱骨先驗值，選取較大者最為當(dāng)前窗口閾值進行分割；