一种皮肤类型和皮肤问题的识别方法

摘要

本发明涉及人脸识别技术领域，特别涉及一种皮肤类型和皮肤问题的识别方法，其依次包括以下步骤：获取人脸图像；检测该人脸图像是否包含人脸；检测皮肤色泽与色度；计算纹理对比度值；计算灰度平均值；并且将上述计算所得结果与该预设数据库进行匹配，并输出匹配所得的皮肤问题结果。本发明的识别方法赋予计算机分析人脸图像中的对象皮肤类型和皮肤问题的能力，实现自动化智能管理，并对对象皮肤进行分析，得出肤色、斑点、水分油份、纹理皱纹和毛孔等若干指标，对皮肤表面状况进行综合评价。

说明书

技术领域

本发明涉及人脸识别技术领域，特别涉及一种皮肤类型和皮肤问题的识别方法。

背景技术

人脸是重要的生物特征之一，人脸图像上蕴含了大量的信息，例如性别、年龄、人种、身份等。人机交互技术(HCI)的发展使得计算机视觉、人工智能，在监控、GUI人机界面设计等方面发挥越来越重要的作用。随着技术的进步，基于人脸图像模式识别问题也成为近年来研究的热点。其中包括人脸检测、人脸身份识别、人脸属性(性别、年龄、表情、种族等)识别等各类识别问题。

随着现代社会的发展，人们对自身皮肤健康的要求也越来越高。便利迅速的帮助用户找到自己皮肤类型以及皮肤问题就显得更加有意义。本发明能够通过移动设备终端采集用户人脸照片，通过智能皮肤识别系统对照片进行分析，并且将结果反馈给用户。

中国专利申请CN 102831408A公开了一种人脸识别方法，其包括以下步骤：S1判断检测视频序列中是否存在用户设定的特定手势；若是，进行S2；否则，重复步骤S1；S2检测视频区间内是否有用户人脸，若是，进行步骤S3，否则重复步骤S2；S3对检测到的用户人脸进行实时跟踪；S4对用户人脸图像提取光照不敏感特征；S5模拟用户姿势变化规律；S6人脸识别过程，判断待识别人脸图像与人脸库中的样本是否同属一个人，若是，识别过程结束，系统执行用户操作；若否，进行步骤S7；S7询问用户是否是第一次使用系统；若是，新建样本库，若否，询问用户是否更替样本库，若是，将该用户人脸图像代替人脸库中的原有样本，否则结束操作。

从现有技术中，还可以了解到：中国专利申请CN 103729625 A公开了一种人脸识别的方法，以及中国专利申请CN 103761504 A公开了一种人脸识别系统。

然而，上述现有技术仅能够提供一种人脸识别的系统或方法，并不能进一步利用人脸图像数据，提供更详细的分析处理，例如对用户的性别、皮肤、人脸特征相似度、以及年龄等的分析功能，以迎合用户的特定需求。

发明内容

为克服现有技术的不足，本发明提供一种皮肤类型和皮肤问题的识别方法，其特别之处在于依次包括以下步骤：

S1、使用摄像装置获取人脸图像；

S2、检测该人脸图像是否包含人脸，并且当确定该人脸图像包含人脸时，跳转步骤S3；

S3、对该人脸图像进行皮肤色泽与色度检测，其中该检测的计算公式为：

${\mu }_c=\frac{1}{\mathrm{MN}}\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}{p}_{\mathrm{ij}}^c$

${\sigma }_c={\left[\frac{1}{\mathrm{MN}}\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}{(p_{\mathrm{ij}}^c-{\mu }_c)}^2\right]}^{1/2}$

${{\theta }_c=\left[\frac{1}{\mathrm{MN}}\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}{(p_{\mathrm{ij}}^c-{\mu }_c)}^3\right]}^{1/3}$

其中，M、N为图像的二维尺寸，i、j分别表示该像素点的所在图像的行、列，c为所述像素点的颜色分量的值；

S4、定义一纹理共生矩阵C(i,j)，并利用以下公式计算获得纹理对比度值：

$\underset{i}{\Sigma }\underset{j}{\Sigma }{(i-j)}^{2}C(i,j)\text{;}$

S5、利用差和算法、以及该人脸图像的灰度值快速匹配算法，得到以下计算公式：

$R(i,j)=\frac{\underset{m,n}{\Sigma }|S^{i,j}(m,n)-E\left(S^{i,j}\right)||T(m,n)-E\left(T\right)|}{\sqrt{\underset{m,n}{\Sigma }{(S^{i,j}(m,n)-E\left(S^{i,j}\right))}^2\underset{m,n}{\Sigma }{(T(m,n)-E\left(T\right))}^2}}$

其中,E(S^i,j)与E(T)分别是用户皮肤子图S^i,j与预设数据库中的皮肤图像T的灰度平均值；

S6、将前述步骤S3至S5计算所得结果与该预设皮肤问题数据库进行匹配，并输出匹配所得的皮肤问题结果。

根据本发明的一个实施例，在实施该识别方法之前，首先建立包含各种典型人脸的皮肤图像库。

根据本发明的一个实施例，该步骤S2利用网络神经法、特征基准法或色度基准法来检测该人脸图像是否包含人脸。

根据本发明的一个实施例，在执行该步骤S3之前，对所述人脸图像执行光照处理，将所述人脸图像利用直方图规定化进行转换，其中所述转换的计算公式为：

$g(x,y)=a+\frac{\ln \left(f(x,y)\right)+1}{b\ln c}.$

其中，f(x,y)为输入人脸图像的像素点元素数据，g(x,y)为输出灰度直方图的像素点元素数据，a、b、c是调整曲线的位置和形状而引入的参数。进一步地，将所述人脸图像利用直方图规定化进行转换后，再进行3×3中值滤波,去除图像中引入的噪声信息。

通过上述技术方案，根据本发明的皮肤类型和皮肤问题的识别方法能够实现以下技术效 果：

(1)赋予计算机分析人脸图像中的对象皮肤类型和皮肤问题的能力；

(2)实现自动化智能管理

(3)对对象皮肤进行分析，得出肤色、斑点、水分油份、纹理皱纹和毛孔等若干指标,对皮肤表面状况进行综合评价。

附图说明

图1示出了根据本发明实施例的识别皮肤类型和皮肤问题的方法流程图。

图2示出了根据本发明实施例的识别皮肤类型和皮肤问题的另一方法流程图。

具体实施方式

下面将结合附图以及具体实施方法来详细说明本发明，在本发明的示意性实施及说明用来解释本发明，但并不作为对本发明的限定。

在实施根据本发明实施例的识别方法之前，可以预先建立包含各种典型人脸的皮肤图像库。目前大部分人脸方面问题的研究和实验都是基于一个或若干个人脸图像库来进行的。为了实现人脸皮肤类型与皮肤问题识别算法的研究和实用化,可以建立用于实现人脸皮肤类型与皮肤问题的识别算法的通用标准人脸图像库，该图像库中的图像在拍摄条件上有一定的限制，譬如对于人脸的大小必须约束在某个规定的范围内、不同光照条件的灰度人脸图像，并严格划分了训练集合、库(Gallery)、不同的测试集合等，这是人脸识别领域应用最广泛的人脸数据库之一。

如图1所示，在通过摄像装置获得人脸图像之后，首先对所获得的图像进行预处理，包括确认人脸、面部预处理。

在本实施例中，确认人脸的方法可包括：网络神经法(Neural Network)、特征基准法(Feature-based)及色度基准法(Color-based)的方法。其中，网络神经法是使用许多的训练集数据(Training Data)去训练网络神经，这些数据一部份是脸部的、一部份是非脸部的，使系统能够辨识出包含人脸的影像。特征基准法是利用人脸部的一些特征来侦测人脸，例如：人脸上的眼睛、鼻子、嘴巴，而这些器官都有固定的相对位置；并且就整张脸而言，大概是呈椭圆形，而脸和背景之间会有大致的边缘线，等等，这些特征均可供系统侦测出人脸。而色度基准法则是利用人脸部的颜色来判断某影像是否包含人脸：众所周知，人脸的颜色通常包括例如橘黄、黄、白、褐、深褐色等颜色；若影像是灰阶的，人脸的灰阶颜色的变化并不会太大，而眼睛、嘴巴、头发是较黑的部份；由此，根据眼睛、眉毛、嘴巴、鼻子等器官的特征以及相互之间的几何位置关系，可以检测到人脸。

检测到该影像中包含人脸之后，通常需要对该图像进行预处理，这是因为待处理的人脸 图像经常存在光照不均匀的问题，而这会直接影响到人脸的特征提取精度，因此对输入的图像必须进行光照处理以改善图像质量。一般地，灰度直方图可用于表示数字图像中每一个灰度级与其出现的频率之间的统计关系。对于偏暗、偏亮、亮度范围不足或对比度不足的图像进行直方图规定化,可以使得输入图像的直方图分布变换成近似特定的直方图。变换函数可以选用例如高斯、瑞利、对数、指数等形式的函数。在本实施例中采用对数变换形式：

$g(x,y)=a+\frac{\ln \left(f(x,y)\right)+1}{b\ln c}.$

式中，f(x,y)为输入图像，g(x,y)为输出图像，a、b、c是调整曲线的位置和形状而引入的参数。通过这种变换可以使图像低灰度范围得以扩展，高灰度范围能够被压缩，图像的灰度分布趋于均匀。优选地，对灰度变换后的图像再进行例如3×3的中值滤波，去除图像中引入的噪声信息，以改善图像质量。

提取人脸特征之后，使用根据本发明实施例的方法以获得所需的皮肤类型/问题所需输出结果，包括：检测皮肤色泽与色度、计算纹理对比度值、计算灰度平均值、并且将上述计算所得结果与该预设数据库进行匹配，并输出匹配所得的皮肤问题结果。

在本实施例中，可以使用这样一种算法以检测皮肤色泽与色度，其中，以皮肤颜色矩阵的彩色/颜色强度分布表征来表征一彩色人脸图像。大多数的颜色分布信息可以由三个二阶矩阵来表示，其中，一线阶矩阵(μc)表征的是平均颜色，二线阶矩阵(δc)表征的是标准偏差，以及三阶矩表征的是偏斜度(θc)颜色。利用以下的数学公式，从这三个低次矩阵(μc、δc、θC)提取各三种色平面(R、G、B)：

${\mu }_c=\frac{1}{\mathrm{MN}}\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}{p}_{\mathrm{ij}}^c$

${\sigma }_c={\left[\frac{1}{\mathrm{MN}}\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}{(p_{\mathrm{ij}}^c-{\mu }_c)}^2\right]}^{1/2}$${{\theta }_c=\left[\frac{1}{\mathrm{MN}}\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}{(p_{\mathrm{ij}}^c-{\mu }_c)}^3\right]}^{1/3}$

其中，M、N为图像的二维尺寸，i、j分别表示该像素点的所在行、列，c为颜色分量的值。其结果是，仅需要提取九个参数作为彩色人脸图像的特征，例如包括色平面参数(RGB)、平均颜色、标准偏差、偏斜度颜色、色泽色度值、纹理对比度、灰度平均值等，通过对以上皮肤色泽与色度的计算，可以得出输入人脸图像的对象皮肤色泽与色度等一系列参数数组。

在本实施例中，以皮肤纹理检测算法计算纹理对比度值。纹理是人脸图像的特征，而纹理本身的一大特点是其图案的重复。在此，引入术语“纹理基元”，其意思即是指纹理的模式单元，纹理基元的大小、形状、颜色和取向可在很大的区间内变化，而且任意两个纹理之间 的差异可以体现为纹理基元的变化程度。可构建一纹理共生矩阵，该纹理共生矩阵C(i,j)是由位移矢量D_x、D_y＝(ΔX，ΔY)所定义的，其中ΔX、ΔY是分别在x方向和y方向上的位移，然后计算所有像素相隔位移D_x、D_y所具有的灰度级i和j。其也可能是由于图像中的纹理基元的空间统计分布，并且包含关于底层中的图像表面的结构布置等重要信息。然后，对矩阵C(I,j)中的每个元素进行归一化。通过对以上计算，可计算得出皮肤纹理的一系列参数数组，纹理对比度数值的计算公式为：

由此可得到输入人脸图像中对象皮肤纹理的对度比大小，也就能够表示对象皮肤纹理的深浅度。

在本实施例中，利用差和算法、以及该人脸图像的灰度值快速匹配算法，得到以下计算公式：

$R(i,j)=\frac{\underset{m,n}{\Sigma }|S^{i,j}(m,n)-E\left(S^{i,j}\right)||T(m,n)-E\left(T\right)|}{\sqrt{\underset{m,n}{\Sigma }{(S^{i,j}(m,n)-E\left(S^{i,j}\right))}^2\underset{m,n}{\Sigma }{(T(m,n)-E\left(T\right))}^2}}.$

其中，E(S^i,j)与E(T)分别是用户皮肤子图S^i,j与预设数据库中的皮肤图像T(m，n)的灰度平均值。

然后，通过提取以上所得的数值，与预设的皮肤问题数据库进行数据匹配，最终得到匹配的皮肤问题，并返回至客户端。

以上对本发明实施例所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。