[发明专利]人脸肤质分析方法、装置、计算机设备及存储介质

说明书

本申请提供了一种人脸肤质分析方法，人脸肤质分析方法包括：获取人脸图像；分别获取人脸图像中和黑眼圈区域以及皱纹区域对应的标注信息；结合人脸关键点定位以及标注信息对人脸图片进行裁剪，以分别得到具有标注信息的黑眼圈图像和皱纹图像；分别对具有标注信息的黑眼圈图像和皱纹图像进行训练，以得到和黑眼圈图像及皱纹图像对应的训练模型。本申请通过对人脸图像进行标注以及关键点的精确定位，并裁减出人脸中黑眼圈及皱纹区域，分别对具有标注信息的黑眼圈图像和皱纹图像进行模型训练，以得到更准确的训练模型。

技术领域

本申请涉及人工智能技术领域，特别是涉及一种人脸肤质分析方法、装置、计算机设备及存储介质。

背景技术

深度学习是最早在图像分类任务处理上取得优越效果的计算。在ImageNet图像数据集上，VGG、GoggleNet、Resnet以及Densenet能够逐步提升图像分类的效果，并且已经超过了人类的识别能力。上述方法都是使用卷积神经网络对原始图片进行卷积操作，获得不同深度的特征图，并且基于最后一层的特征图进行分类。其中，Resnet创造性地设计了跳线模块(skip connection)，即x_l+1＝x_l+f(x_l)，x_l表示第l层的特征，Resnet可以有效地保证神经网络的层数加深，性能的提升，并且能够较大程度地解决训练过程中梯度消失或梯度爆炸的问题。Densenet采用更加激进的连接方式，每一层的特征都与其前的所有特征层相连，从而以很低的开销共享更多层的特征。

尽管现有的模型在图像识别任务上取得了优越的效果，其基础是大规模的标准数据集，即Imagenet图像数据集。但是在人脸肤质分析——黑眼圈和皱纹的分类任务上，遇到很多的问题。首先，需要从人脸图片中定位出眼睛区域，将眼睛区域从原始人脸图片中裁剪出来。在实际场景下，受人脸的旋转角度等因素的影响，使得关键点的定位比较复杂。另外，在模型训练的过程中，数据集存在类别不平衡，标签错误或者标签界限模糊等问题，直接将已有的深度学习模型应用到人脸肤质分析的任务中的效果不够理想，为此需要针对此任务的具体问题进行改进。

发明内容

本申请主要解决的技术问题是提供一种人脸肤质分析方法、装置、计算机设备及存储介质，能够解决现有技术中数据集存在类别不平衡，标签模糊和标签界限模糊等问题。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种人脸肤质分析方法，所述人脸肤质分析方法包括：获取人脸图像；分别获取所述人脸图像中和黑眼圈区域以及皱纹区域对应的标注信息；结合人脸关键点定位以及所述标注信息对所述人脸图片进行裁剪，以分别得到具有标注信息的黑眼圈图像和皱纹图像；分别对具有标注信息的黑眼圈图像和皱纹图像进行训练，以得到和所述黑眼圈图像及所述皱纹图像对应的训练模型。

其中，所述分别对具有标注信息的黑眼圈图像和皱纹图像进行训练，以得到和所述黑眼圈图像及所述皱纹图像对应的预测模型之后进一步包括：对所述人脸图像预处理，以分别得到具有所述黑眼圈和所述皱纹的图像；将具有所述黑眼圈和所述皱纹的图像送入对应的所述训练模型中，分别得到和所述黑眼圈图像及所述皱纹的图像对应预测标签。

其中，所述对所述人脸图像预处理，以分别得到具有所述黑眼圈和所述皱纹的图像，进一步包括：获取所述人脸图像中的人脸关键点；根据所述关键点确定所述黑眼圈及所述皱纹对应的区域；根据所述区域将所述黑眼圈及所述皱纹从所述人脸图像中裁剪出来，以分别得到具有所述黑眼圈和所述皱纹的图像。

其中，所述分别对具有标注信息的黑眼圈图像和皱纹图像进行训练，以得到和所述黑眼圈图像及所述皱纹图像对应的训练模型，进一步包括：分别定义和所述黑眼圈图像及所述皱纹图像对应预测模型；根据所述预测模型分别确定和所述黑眼圈图像及所述皱纹图像对应的损失函数；分别对所述损失函数中所述预测模型参数进行迭代更新，以得到和所述黑眼圈图像及所述皱纹图像对应的训练模型。