[發明專利]基于深度學習和自適應閾值法的鼻翼黑頭圖像檢測方法

在審

• 申請號: 202110552883.7
• 申請日: 2021-05-20
• 公開（公告）號: CN113298772A
• 公開（公告）日: 2021-08-24
• 發明（設計）人: 熊國虹;董璐;孫佳;王遠大
• 申請（專利權）人: 南京云智控產業技術研究院有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/136;G06T7/194;G06N3/04;G06N3/08
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 許小莉

1.一種基于深度學習和自適應閾值法的鼻翼黑頭圖像檢測方法，其特征在于，該方法包括如下步驟：

S1.收集人臉五官分割數據集，訓練CNN級聯網絡并保存網絡參數；

S2.調用訓練好的CNN級聯網絡進行五官分割，將人臉圖像中的鼻部圖像提取出來；

S3.將鼻部圖像提取藍色單通道，去除邊緣、光線和陰影的影響，去除鼻孔部分；

S4.用自適應閾值法提取黑頭；

S5.利用tkinter庫制作交互界面。

2.根據權利要求1所述的于深度學習和自適應閾值法的鼻翼黑頭圖像檢測方法，其特征在于，步驟S1中所述CNN級聯網絡利用交叉熵損失函數進行面部標志的檢測，將檢測到的68個定位點，編碼成68個單獨的通道，通道在其對應的面部標志位置有一個二維高斯分布，把這68個通道堆積在一起，和原始圖像一起傳送給區域分割網絡；

所述訓練CNN級聯網絡是將標志編碼成位于提供的面部標志位置的二維高斯分布，每一個面部標志分配其單獨的通道來阻止與其他面部標志的重合，所述交叉熵損失函數中，n是標注數據的標簽，該標注數據的高斯分布和預測的高斯分布具有相同維度：N*W*H，N為通道數，W為寬，H為高，定義的交叉熵損失函數為：

面部區域分割網絡，利用softmax損失函數作為最后的損失函數：

其中M是輸出的個數。

3.根據權利要求1所述的于深度學習和自適應閾值法的鼻翼黑頭圖像檢測方法，其特征在于，步驟S4中所述用自適應閾值法提取黑頭的具體方法是：

設閾值為T，將圖像分割成目標圖像C₁和背景圖像C₂兩部分，遍歷整個灰度區間，確定合適的閾值T，使得C₁、C₂兩部分之間的灰度值方差差異最大；

對于給定的圖像I(x，y)，設分割目標圖像和背景圖像的閾值為T，屬于目標圖像的像素點數占整幅圖像的比例為ω₀，其平均灰度為μ₀；屬于背景圖像的像素點占整幅圖像的比例為ω₁，其平均灰度為μ₁；圖像總平均灰度為μ，類間方差為g；圖像I(x，y)的大小為M×N，圖像中灰度值小于閾值T的像素個數記作N₀，灰度值大于閾值T的像素個數記作N₁，則有：

N₀+N₁＝M×N

ω₀+ω₁＝1

μ＝ω₀μ₀+ω₁μ₁

g＝ω₀(μ₀-μ)²+ω₁(μ₀-μ)²從而得到：

g＝ω₀ω₁(μ₀-μ₁)²

通過遍歷整個區間來得到使類間方差最大的分割閾值。