[go: up one dir, main page]

CN114782309A - 一种皮肤检测方法、电子设备、存储介质及产品 - Google Patents

一种皮肤检测方法、电子设备、存储介质及产品 Download PDF

Info

Publication number
CN114782309A
CN114782309A CN202210214727.4A CN202210214727A CN114782309A CN 114782309 A CN114782309 A CN 114782309A CN 202210214727 A CN202210214727 A CN 202210214727A CN 114782309 A CN114782309 A CN 114782309A
Authority
CN
China
Prior art keywords
area
face
gray value
image
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210214727.4A
Other languages
English (en)
Inventor
辛琪
孙宇超
魏文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yuanli Jinzhi Chongqing Technology Co ltd
Original Assignee
Beijing Kuangshi Technology Co Ltd
Beijing Megvii Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Kuangshi Technology Co Ltd, Beijing Megvii Technology Co Ltd filed Critical Beijing Kuangshi Technology Co Ltd
Priority to CN202210214727.4A priority Critical patent/CN114782309A/zh
Publication of CN114782309A publication Critical patent/CN114782309A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30088—Skin; Dermal

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种皮肤检测方法、电子设备、存储介质及产品，所述方法包括：获取待检测对象的人脸图像；确定所述人脸图像所对应的纹理图；确定所述纹理图中的至少一个高光区域；去除所述至少一个高光区域中的干扰区域，得到所述人脸图像中的油光区域。也就是说，本申请实施例，通过一系列自动操作对待检测对象的人脸图像的纹理图进行处理，得到该纹理图中的至少一个高光区域，然后去除该皮肤亮度区域中比如痘痘、痔等的干扰区域，得到人脸图像上精准的油光区域，不但节省了人工检测的成本，而且还提高了检测面部油光区域的精准度。

Description

一种皮肤检测方法、电子设备、存储介质及产品
技术领域
本申请涉及图像处理技术领域，尤其涉及一种皮肤检测方法、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
面部皮肤检测是计算机视觉领域的一个研究方向，它在人像美化和人脸跟踪方面具有广泛的应用。利用人工智能(AI，Artificial Intelligence)技术来检测面部皮肤的状态已经成为了一种新的潮流。
相关技术中，在进行面部皮肤检测时，一般可以检测出皮肤的出油区域，以及出油程度。现有的面部出油区域的检测几乎都是通过人工来完成的，不但成本高，效率较低，而且识别结果也不够精准。
所以，如何精准的进行面部油光区域的检测是目前有待解决的技术问题。
发明内容
本申请提供一种皮肤检测方法、电子设备、计算机可读存储介质及计算机程序产品，以至少解决相关技术中面部油光区域检测的精准度较低的技术问题。本申请的技术方案如下：
本申请的技术方案如下：
根据本申请实施例的第一方面，提供一种皮肤检测方法，包括：
获取待检测对象的人脸图像；
确定所述人脸图像所对应的纹理图；
确定所述纹理图中的至少一个高光区域；
去除所述至少一个高光区域中的干扰区域，得到所述人脸图像中的油光区域。
可选的，所述纹理图为灰度图表征的纹理图；所述确定所述纹理图中的至少一个高光区域，包括：
分别将所述纹理图中各像素点的灰度值与目标筛选阈值进行比较；
将灰度值高于所述目标筛选阈值的像素点所对应的区域确定为所述高光区域。
可选的，按下述步骤确定所述目标筛选阈值：
确定所述人脸图像的脸部平均灰度值；
将所述脸部平均灰度值与目标灰度差值之间的和值确定为所述目标筛选阈值；其中，所述目标灰度差值基于各标注图像中油光区域平均灰度值和脸部区域平均灰度值所确定的。
可选的，确定所述人脸图像的脸部平均灰度值，包括：
从所述人脸图像的多个不同位置区域选取代表关键点；
确定所述代表关键点的灰度均值，将所述灰度均值确定为所述脸部平均灰度值。
可选的，所述去除所述至少一个高光区域中的干扰区域，得到所述脸部图像中的油光区域，包括：
确定各高光区域的区域面积；
过滤掉面积小于面积阈值的高光区域，得到所述油光区域。
可选的，所述方法还包括：
确定所述人脸图像中油光区域的平均灰度值与所述人脸图像中脸部区域的平均灰度值之间的差值；
将所述差值与对应的第一分类阈值进行比较，确定所述油光区域的严重程度等级；其中，所述第一分类阈值基于各标注图像中油光区域的平均灰度值和脸部区域的平均灰度值的差值所确定。
可选的，所述方法还包括：
确定所述人脸图像中油光区域的平均灰度值；
将所述人脸图像中油光区域的平均灰度值与第二分类阈值进行比较，确定所述油光区域的严重程度等级；其中，所述第二分类阈值基于各标注图像中油光区域的平均灰度值所确定。
根据本申请实施例的第二方面，提供一种皮肤检测装置，包括：
获取模块，用于获取待检测对象的人脸图像；
第一确定模块，用于确定所述人脸图像所对应的纹理图；
第二确定模块，用于确定所述纹理图中的至少一个高光区域；
去除模块，用于去除所述至少一个高光区域中的干扰区域，得到所述人脸图像中的油光区域。
可选的，所述纹理图为灰度图表征的纹理图；所述第二确定模块包括：
第一比较模块，用于分别将所述纹理图中各像素点的灰度值与目标筛选阈值进行比较；
区域确定模块，用于将灰度值高于所述目标筛选阈值的像素点所对应的区域确定为所述高光区。
可选的，所述装置还包括：筛选阈值确定模块，具体包括：
第一灰度值确定模块，用于确定所述人脸图像的脸部平均灰度值；
目标筛选阈值确定模块，用于将所述脸部平均灰度值与目标灰度差值之间的和值确定为所述目标筛选阈值；其中，所述目标灰度差值基于各标注图像中油光区域平均灰度值和脸部区域平均灰度值所确定的。
可选的，所述第一灰度值确定模块包括：
选取模块，用于从所述人脸图像的多个不同位置区域选取代表关键点；
第二灰度值确定模块，用于确定所述代表关键点的灰度均值，将所述灰度均值确定为所述脸部平均灰度值。
可选的，所述去除模块包括：
面积确定模块，用于确定各高光区域的区域面积；
面积过滤模块，用于过滤掉面积小于面积阈值的高光区域，得到所述油光区域。
可选的，所述装置还包括：
差值确定模块，用于确定所述人脸图像中油光区域的平均灰度值与所述人脸图像中脸部区域的平均灰度值之间的差值；
第二比较模块，用于将所述差值与对应的第一分类阈值进行比较，确定所述油光区域的严重程度等级；其中，所述第一分类阈值基于各标注图像中油光区域的平均灰度值和脸部区域的平均灰度值的差值所确定。
可选的，所述装置还包括：
第三灰度值确定模块，用于确定所述人脸图像中油光区域的平均灰度值；
第三比较模块，用于将所述人脸图像中油光区域的平均灰度值与第二分类阈值进行比较，确定所述油光区域的严重程度等级；其中，所述第二分类阈值基于各标注图像中油光区域的平均灰度值所确定。
根据本申请实施例的第三方面，提供一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如上所述的皮肤检测方法。
根据本申请实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如上所述的皮肤检测方法。
根据本申请实施例的第五方面，提供一种计算机程序产品，包括计算机程序或指令，其特征在于，所述计算机程序或指令被处理器执行时实现如上所述的皮肤检测方法。
本申请的实施例提供的技术方案至少带来以下有益效果：
本申请实施例中，获取待检测对象的人脸图像；确定所述人脸图像所对应的纹理图；确定所述纹理图中的至少一个高光区域；去除所述至少一个高光区域中的干扰区域，得到所述人脸图像中的油光区域。也就是说，本申请实施例，通过一系列自动操作对待检测对象的人脸图像的纹理图进行处理，得到该纹理图中的至少一个高光区域，然后去除该皮肤亮度区域中比如痘痘、痔等的干扰区域，得到人脸图像上精准的油光区域，不但节省了人工检测的成本，而且还提高了检测面部油光区域的精准度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理，并不构成对本申请的不当限定。
图1是本申请实施例示出的一种皮肤检测方法的流程图。
图2是本申请实施例示出的一种皮肤检测装置的框图。
图3是本申请实施例示出的一种第二确定模块的框图。
图4是本申请实施例示出的一种去除模块的框图。
图5是本申请实施例示出的一种皮肤检测装置的另一框图。
图6是本申请实施例示出的一种电子设备的框图。
图7是根据一示例性实施例示出的一种具有皮肤检测的装置的框图。
具体实施方式
为了使本领域普通人员更好地理解本申请的技术方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
近年来，基于人工智能的计算机视觉、深度学习、机器学习、图像处理、图像识别等技术研究取得了重要进展。人工智能(Artificial Intelligence，AI)是研究、开发用于模拟、延伸人的智能的理论、方法、技术及应用系统的新兴科学技术。人工智能学科是一门综合性学科，涉及芯片、大数据、云计算、物联网、分布式存储、深度学习、机器学习、神经网络等诸多技术种类。计算机视觉作为人工智能的一个重要分支，具体是让机器识别世界，计算机视觉技术通常包括人脸识别、活体检测、指纹识别与防伪验证、生物特征识别、人脸检测、行人检测、目标检测、行人识别、图像处理、图像识别、图像语义理解、图像检索、文字识别、视频处理、视频内容识别、三维重建、虚拟现实、增强现实、同步定位与地图构建(SLAM)、计算摄影、机器人导航与定位等技术。随着人工智能技术的研究和进步，该项技术在众多领域展开了应用，例如安全防控、城市管理、交通管理、楼宇管理、园区管理、人脸通行、人脸考勤、物流管理、仓储管理、机器人、智能营销、计算摄影、手机影像、云服务、智能家居、穿戴设备、无人驾驶、自动驾驶、智能医疗、人脸支付、人脸解锁、指纹解锁、人证核验、智慧屏、智能电视、摄像机、移动互联网、网络直播、美颜、美妆、医疗美容、智能测温等领域。
图1是本申请实施例提供的一种皮肤检测方法的流程图，如图1所示，该皮肤检测方法包括以下步骤：
在步骤101中，获取待检测对象的人脸图像；
在步骤102中，确定所述人脸图像所对应的纹理图；
在步骤103中，确定所述纹理图中的至少一个高光区域；
在步骤104中，去除所述至少一个高光区域中的干扰区域，得到所述人脸图像中的油光区域。
本公开所述的皮肤检测方法可以应用于终端、服务器等，在此不作限制，其终端实施设备可以是智能手机，笔记本电脑、平板电脑等电子设备，在此不作限制。
下面结合图1，对本公开实施例提供的一种皮肤检测方法的具体实施步骤进行详细说明。
在步骤101中，获取待检测对象的人脸图像。
该步骤中，待检测对象的人脸图像，通常可以包括脸部区域，当然，可以包括其它皮肤区域，待检测的人脸图像可以是通过终端或采集设备采集的面部测试图片，当然，本实施例中的面部测试图片可以是任意年龄、任意性别用户的面部测试图片。通常情况下，为了提高检测的精准度，本实施例中的人脸图像可以采用高清素颜且光线充足，没有过度曝光的人脸正脸图像，比如人正脸的RGB彩色图像，其中，RGB代表红(R)、绿(G)、蓝(B)三个颜色通道的颜色，通过这三个颜色通道的变化以及它们相互之间的叠加，就可以得到各式各样的颜色。而每一种颜色，在视觉效果上，都可以用不同比例的红、绿和蓝来合成。需要说明的是彩色图像的每一个像素，都是RGB的不同比例来表示的，这样的图像称为RGB图像。
在步骤102中，确定所述人脸图像所对应的纹理图。
该步骤中，可以采用直方图均衡算法确定人脸图像的纹理图，使得皮肤明暗区域对比更加明显。比如，对采集的一张正面高清无遮挡的人脸图像，采用标准的人脸81点模型先来确定其人脸图像上的脸部区域，然后，对脸部区域采用直方图均衡算法，调整脸部区域中像素的亮度分布，得到用灰度图像表示的人脸皮肤的纹理图。也就是说，直方图均衡化算法被认为是提高图像对比度最有效的方法，基本思想是用数学方法调整像素的亮度分布，使调整后的直方图具有最大的动态范围。
具体的，本实施例可以采用自适应直方图均衡化(AHE)来提升图像的对比度的，该自适应直方图均衡化(AHE，Adaptive histgram equalization)是一种计算机图像处理技术，与普通的直方图均衡算法不同，AHE算法通过计算图像的局部直方图，然后重新分布亮度来来改变图像对比度。AHE算法对于图像中存在明显比其他区域亮或者暗的地方时，普通的直方图均衡算法就不能将该处的细节信息描述出来。AHE算法通过在当前处理像素周边的一个矩形区域内进行直方图均衡，来达到扩大局部对比度，显示平滑区域细节的作用。也就是说，AHE通过计算每一个像素邻域的变换函数来对每个像素执行直方图增强，其最简单的形式是，基于该像素的方形邻域的直方图来均衡化每一个像素。
其中，AHE算法有两个属性：一个是，AHE算法处理的局部邻域，矩形邻域小，局部对比度强，矩形邻域大，局部对比度弱。另一个是，如果矩形区域内的图像块信息比较平坦，灰度接近，其灰度直方图呈尖状，在直方图均衡的过程中就可能会出现过度放大噪声的情况。
当然，本实施例还可以采用限制对比度自适应直方图均衡(CLAHE，ContrastLimited Adaptive histgram equalization)算法，CLAHE算法同普通的自适应直方图均衡算法不同的地方在于其对比度限幅。这个特性也可以应用到全局直方图均衡化中，即构成所谓的限制对比度直方图均衡(CLHE)算法，在CLAHE算法中，对于每个小区域都必须使用对比度限幅。可以用来克服AHE算法的过度放大噪音的问题。也就是说，CLAHE算法在提升图像的对比度时，还可以有效的限制噪声放大的情形。比如，局部矩形邻域内的灰度直方图，由于对比度放大的程度与像素点的概率分布直方图的曲线斜度成比例，所以，为了限制对比度，将大于一定阈值的部分平均分配到直方图的其他地方。
在步骤103中，确定所述纹理图中的至少一个高光区域；
对所述纹理图的像素值进行筛选处理，得到纹理图中至少一个高光区域，其中，每个高光区域，通常指皮肤亮度较高的区域。
其中，高光区域，也可以理解为油光区域，高光区域中会包括一些离散的点以及一些小的瑕疵区域等统称为干扰区域，比如闭口，化脓的痘痘等干扰区域。
该实施例中，高光区域通常通过灰度图像表示，即二值图像，二值图像(BinaryImage)是指图像上的任何像素点只有两种灰度值，即0或者255，分别代表黑色和白。
在步骤104中，去除所述至少一个高光区域中的干扰区域，得到所述人脸图像中的油光区域。
该步骤中，可以通过相应的算法或阈值判断，来除去至少一个高光区域中的细小干扰区域，从而得到人脸图像中的油光区域，其具体的去除过程详见下述实施例。
本申请实施例中，在获取待检测对象的人脸图像时，先确定所述人脸图像所对应的纹理图；然后确定所述纹理图中的至少一个高光区域；最后去除所述至少一个高光区域中的干扰区域，得到所述人脸图像中的油光区域。也就是说，本申请实施例，通过一系列自动操作对待检测对象的人脸图像的纹理图进行处理，得到该纹理图中的至少一个高光，然后去除该高光区域中的如痘痘、痔等干扰区域，得到人脸图像上精准的油光区域，不但节省了人工检测的成本，而且还提高了检测面部油光区域的精准度。
可选的，在另一实施例中，该实施例中在上述实施例的基础上，所述确定所述人脸图像所对应的纹理图，包括：
1)利用人脸关键点模型确定所述人脸图像上的面部皮肤区域。
其中，该实施例中的人脸关键点模型通常采用人脸81点模型，该模型是以人脸81点点位为例，来确定人脸的面部皮肤区域。本申请中，将人脸图像输入到该81点模型，就可以得到该人脸图像上的面部皮肤区域。
2)将所述面部皮肤区域划分为多个图像块，分别确定每个所述图像块的像素的直方图。
本实施例，可以先将面部皮肤区域划分为多个图像块，比如8*8图像块，当然也可以划分为5*5的图像块等，或划分为5*4的图像块等，本实施例不做限制；之后，以图像块为单位，计算各个图像块的像素的直方图。其划分图像块的方式，对于本领域技术人员来说已是熟知技术，在此不再赘述。
3)对所述直方图进行修剪和均衡处理，得到每个图像块的直方图均衡图像。
该步骤中，可以通过对比限幅的方式修剪直方图，对各个图像块的直方图进行均衡化处理，得到每个图像块的直方图均衡图像。其中，对比限幅的方式可以包括：限制对比度直方图均衡算法等，该算法被认为是提高图像对比度最有效的方法，即利用数学方法来调整像素的亮度分布，使调整后的直方图具有最大的动态范围。该限制对比度直方图均衡算法处理完后图像有些偏色，所以，本实施例在处理完后增加了图层滤色混合操作处理，可以很好的降低偏色，使增强后的图像看着更自然、舒服。
4)将各个图像块中的每个像素值通过线性插值映射为新的像素值。
该步骤中，计算每个图像块的累积分布，在计算累积分布时，需要限制一下对比度，别让直方图出现特别陡峭的情况，之后，在累积分布求计算好后，需要将原始图像块中的每个像素值通过累积分布映射为新的像素值。在映射的过程中，采用了线性插值算法(比如双线性插值算法等)，将插值得到的新的数值作为像素点的像素值。其具体的实现过程，对于本领域技术人员来说，已是熟知技术，在此不再赘述。
其中，本实施例中，通过采用线性插值算法，遍历各个图像块，将各个像素块中的每个像素值通过累积分布映射为新的像素值，其目的就是解决图像块之间的数值不连续问题，通过块间线性插值算法可以降低计算量，提高计算速度，比如，位于各个图像块所组成的图形的中间部分的图像块的像素可以采用双线性插值，而位于所述图形的边缘部分的图像块可以采用线性插值，而位于所述图形的角点处的图像块可以直接使用该图像块所在的变换函数等，这样的处理过程可以极大的降低变换函数所需要计算的次数，只是简单的增加了一些双线性插值的计算量，节省计算量，提高了计算效率。
也就是说，该插值(或线性插值)过程，得到了亮度变换(CDF)函数，在计算变换函数的时候可以通过插值过程来降低计算量。其中，图像角点处的图像块的变换函数是完全按照定义获得的，图像边缘处的图像块的变换函数是通过旁边两个图像块的变换函数线性插值得到的，图像中心处的图像块的变换函数则是通过双线性插值得到。
5)基于所述新的像素值，将所述直方图均衡图像与原图(即待检测的人脸图像)进行图层滤色混合处理，得到用灰度图表示的皮肤纹理。
一种图层滤色混合处理算法可以采用：f(a，b)＝1-(1-a)*(1-b)，其中，a表示待检测的人脸图像，b表示直方图均衡图像，将面部皮肤区域的RGB图像应用CLAHE算法后，可以得到用灰度图表示的纹理图。在得到的纹理图中会存在高光区域和非高光区域，其中，高光区域对应的是油光区域，而非高光区域对应的是非油光区域。
需要说明的是，本申请中的限制对比度直方图均衡算法和图层滤色混合处理算法对于本领域技术人员来说，已是熟知技术，在此不再详细描述。
本申请实施例中，使用人脸关键点模型确定人脸图像上的面部皮肤区域，并使用限制对比度的直方图均衡算法生成纹理图，以提高图像亮度的对比度，最后通过阈值筛选得到高光区域，然后去除该高光区域中的干扰区域，得到人脸图像上精准的油光区域，不但节省了人工检测的成本，而且还提高了检测面部油光区域的精准度。
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述纹理图为灰度图表征的纹理图；所述确定所述纹理图中的至少一个高光区域，包括：首先，分别将所述纹理图中各像素点的灰度值与目标筛选阈值进行比较；其次，将灰度值高于所述目标筛选阈值的像素点所对应的区域确定为所述高光区域。
该实施例中，将所述纹理图中各个像素点的灰度值分别与确定的目标筛选阈值进行比较，根据比较结果，一种情况是，先确定灰度值高于目标筛选阈值的像素点所对应的区域，其中，可以通过最大连通区域算法来确定灰度值高于目标筛选阈值的像素点所对应的区域，然后，直接筛选出该对应的区域为高光区域；另一种情况是，先确定灰度值低于目标筛选阈值的像素点所对应的区域，其中，可以通过最大连通区域算法来确定灰度值低于目标筛选阈值的像素点所对应的区域，然后去除该区域，得到高光区域。
其中，最大连接区域算法包括：从任意一个非0的像素点开始，判断该像素点的上下左右以及对角线的相邻像素点是否非0，如果非0则判断其跟当前像素点属于同一个区域，将这些新像素点作为边界，重复上述过程，直到没有新的相邻像素点产生为止，一张灰度图经过这样的处理会生成若干个区域，选择其中像素点最多的区域作为最大连接区域，并将这些最大连通区域作为灰度值低于目标筛选阈值的像素点所对应的区域。
其中，该实施例中，按下述步骤确定所述目标筛选阈值：确定所述人脸图像的脸部平均灰度值；将所述脸部平均灰度值与目标灰度差值之间的和值确定为所述目标筛选阈值；其中，所述目标灰度差值基于各标注图像中油光区域平均灰度值和脸部区域平均灰度值所确定的。
该实施例中的目标灰度差值，可以在预先确定，也可以在检测的过程中确定等，本实施例不做限制。
一种确定目标灰度差值具体包括：获取多张人脸图片，其中，每张人脸图片上都包括标注的油光区域；确定每张人脸图片的纹理图；根据每张人脸图片的纹理图，确定脸部区域平均灰度值以及标注的所述油光区域的平均灰度值；根据所述脸部区域平均灰度值以及标注的所述油光区域的平均灰度值之差确定所述目标灰度差值。之后，将待检测对象的人脸图像的所述脸部平均灰度值与该目标灰度差值之间的和值确定为所述目标筛选阈值。
该实施例中，为了确定油光区域，需要预先确定一个阈值K(即目标筛选阈值)，如果高于该阈值的区域，就被认定为油光区域，低于该阈值的区域，就被认为为非油光区域，所以，本实施例中对阈值K的设定非常重要，如果阈值K设的过大，会导致漏检；如果阈值K设的过小，会导致误检，即将一些较亮的皮肤区域也确定为油光区域。
所以，本申请实施例中，为了确定一个合理的目标筛选阈值K，为了克服不同皮肤颜色、不同光照条件对油光区域检测的影响，本实施例中，目标筛选阈值K为一个相对值，以下述两种实施例为例，但在实际应用中，并不限于此。
第一种实施例：预先采集一批高清的人脸图片，本实施例以N张人脸图片为例，并人工标注每张人脸图片中的油光区域的边界线，该实施例中，之后，将每张人脸图片使用CLAHE算法生成对应的纹理图，并计算每张人脸图片的油光区域的平均灰度值，以人脸81点点位图为例，以选择35，36，37，65，69，64，77，73等部分点位为例来计算该油光区域的平均灰度值，以及计算每张人脸图片的脸部区域的平均灰度值，然后，计算N张人脸图片的油光区域的平均灰度值与脸部区域的平均灰度值的差值，最后，在计算待检测对象的人脸图像中的脸部平均灰度值之后，将该差值与脸部区域的平均灰度值的和作为目标筛选阈值。也就是说，该实施例中，目标筛选阈值的确定，是基于各标注的人脸图片中油光区域平均灰度值和脸部区域平均灰度值之差，以及将得到的差值与当前待检测对象的人脸图像中的脸部平均灰度值的和来确定的。
第二种实施例：该实施例在第一种实施例的基础上，在人工标注每张人脸图片中的油光区域的边界线时，还可以标注该油光区域的严重程度等级，严重程度等级可以简单分为高、中和低三种等级，以用于不同深度学习的数据采集标注。也即是说，本实施例中，目标筛选阈值的确定，还可以基于标注的油光区域的严重程度等级来计算，从而得到一个基于严重程度等级的相对目标筛选阈值。
该实施例与第一种实施例不相同的是，在计算每张人脸图片的油光区域的平均灰度值和脸部区域的平均灰度值时，需要结合某个严重等级来计算，比如，计算油光区域的平均灰度值vij shiny为：计算严重程度等级为1的第i张标注的人脸图片的第j个油光区域的平均灰度值，当然，也可以计算严重程度等级为2的第i张标注的人脸图片的第j个油光区域的平均灰度值，具体选取哪个严重程度等级可以人为来设置，也可以根据系统中默认的严重程度等级来计算。同理，计算人脸图片的平均灰度值vi face为：计算严重程度等级为1的第i张标注的人脸图片的平均灰度值，或者计算严重程度等级为2的第i张标注的人脸图片的平均灰度值，需要说明的是，该实施例中其它与第一种实施例类似的部分详见第一种实施例，在此不再赘述。具体的，该实施例确定目标筛选阈值的过程如下述公式：
Figure BDA0003532355230000111
其中，该公式中，Vface表示待测试对象的人脸图像的脸部平均灰度值，l表示严重程度的等级，N表示标注的人脸图片(即标注图像)的总数量，vij shiny表示严重程度等级为l的第i张标注的人脸图片的第j个油光区域的平均灰度值，vi face表示严重程度等级为l的第i张标注的人脸图片的平均灰度值。其中，在该公式中，vij shiny和vi face的严重程度等级相同，比如同时选取l＝1，或者同时选取l＝2等。
也就是说，本申请实施例中，通过上述公式，先确定所述人脸图像的脸部平均灰度值，然后，将所述脸部平均灰度值与目标灰度差值之间的和值确定为所述目标筛选阈值，相比于绝对筛选阈值，可以有效克服光照条件，人脸皮肤颜色等因素的干扰。
可选的，在另一实施例中，该实施例中在上述实施例的基础上，所述确定所述人脸图像的脸部平均灰度值，包括：从所述人脸图像的多个不同位置区域选取代表关键点；确定所述代表关键点的灰度均值，将所述灰度均值确定为所述脸部平均灰度值。
本实施例中，是从人脸图像的面部各个位置选取代表关键点，来计算脸部平均灰度值，而不是使用全部人脸关键点计算脸部平均值，减少了计算量，提高了计算效率。
可选的，在另一实施例中，该实施例中在上述实施例的基础上，所述去除所述至少一个高光区域中的干扰区域，得到所述脸部图像中的的油光区域，包括：确定各高光区域的区域面积，过滤掉面积小于面积阈值的高光区域，得到所述油光区域。
该实施例中，通过最大连通区域算法，先确定纹理图中的至少一个高光区域，此处确定的高光区域中，可能包括一些痘痘等干扰区域，需要除去该干扰区域，才能得到精准的油光区域，所以，还需要对确定的每个高光区域进行标注，然后，计算标注的每个高光区域的面积；过滤掉面积小于面积阈值的高光区域，得到精准的油光区域。
本实施例中，对纹理图，经过目标筛选阈值K筛选后，可以得到皮肤亮度区域的二值图，二值图也就是说图像中的任何像素点的灰度值均为0或者255，分别代表黑色和白，该二值图中会包含一些离散的点以及一些小瑕疵的干扰区域，比如闭口，化脓的痘痘等，之后，采用最大连通区域算法将皮肤亮度区域连接起来，所形成的区域称为高光区域，本实施例为了得到精确的油光区域，采用一种后处理算法(比如图像边缘的后处理算法等)来去除高光区域中的这些干扰区域。一种后处理算法为：
也就是说，该步骤中，对二值图使用最大连通区域算法，将皮肤亮度区域中相邻的点进行归属，相邻点的判断可以采用4相邻(上下左右)或者8相邻(上下左右对角线)，最大连通区域算法可以采用贪婪算法等来实现，即从任意一个未被标注的点开始，采用深度优先搜索判定相邻点，直到没有新的相邻点产生为止，将相邻点所围成的区域用同一个标签来表示，然后，再寻找下一个未被标注的点，直到所有的点都被标注为某个区域，并将这些区域称为高光区域。之后，为了去除高光区域中的离散点，以及痘痘、闭口等干扰区域，本实施例中提出：先计算每个高光区域的面积，将每个高光区域的面积与面积阈值进行比较，将面积小于某个面积阈值S的区域过滤掉，从而得到精确的油光区域。需要说明的是，面积阈值S的设定取决于人脸图片的像素框的大小，本实施例中，通过公式
Figure BDA0003532355230000121
来设定面积阈值S，其中，该公式中的w和h分别代表人脸81点构成的最小矩形框的宽度和高度。
可选的，在另一实施例中，该实施例中在上述实施例的基础上，所述方法还包括：确定所述人脸图像中油光区域的平均灰度值与所述人脸图像中脸部区域的平均灰度值之间的差值；将所述差值与对应的第一分类阈值进行比较，确定所述油光区域的严重程度等级；其中，所述第一分类阈值基于各标注图像中油光区域的平均灰度值和脸部区域的平均灰度值的差值所确定。
该实施例中，为了精确的判断油光区域的严重程度等级，即高、中、低的严重程度，该实施例中，可以利用现有对人脸图片的标注结果，即标注数据中所有的高、中、低等的油光区域。先计算人脸图像中油光区域与人脸图像中脸部区域(非油光区域)的之间的灰度差值，然后，遍历求和，得到平均差值。即：
Figure BDA0003532355230000122
其中，l表示油光区域的严重程度等级，通常分为低、中、高三个等级，即l＝0，1，2，
Figure BDA0003532355230000123
表示第i张人脸图片中第j个区域被标注为第l等严重程度的油光区域纹理图(灰度图)，即
Figure BDA0003532355230000131
经过试验，最终采用t1和t2作为油光区域中高等严重程度的筛选分类阈值，其中，t1表示严重程度等级标签为1的所有区域求的平均差值；t2表示严重程度等级标签为2的所有区域求的平均差值。
所以，对于得到的纹理图，经过后处理算法可以得到精确的油光区域，之后，将所述油光区域的平均灰度值与所述人脸图像中脸部区域的平均灰度值之间的差值，与第一分类阈值(该第一分类阈值也为差值)进行比较，从而判断出油光区域的严重程度等级。
本申请实施例中，在确定人脸图像中的油光区域后，进一步确定所述人脸图像中油光区域的平均灰度值与所述人脸图像中脸部区域的平均灰度值之间的差值；然后，将所述差值与对应的第一分类阈值进行比较，确定出所述油光区域的严重程度等级，其中所述第一分类阈值基于各标注图像中油光区域的平均灰度值和脸部区域的平均灰度值的差值所确定。也就是说，本申请实施例，通过确定所述人脸图像中油光区域的平均灰度值与所述人脸图像中脸部区域的平均灰度值之间的差值，并利用该差值与第一分类阈值进行比较，从而确定油光区域的严重等级，节省了人工检测的成本，为油光区域严重等级的判断提供了依据。
可选的，在另一实施例中，该实施例中在上述实施例的基础上，将所述差值与对应的第一分类阈值进行比较，确定所述油光区域的严重程度等级，包括：
若所述差值大于且等于第一筛选分类阈值，确定所述油光区域的严重程度等级为高级；
若所述差值大于第二筛选分类阈值且小于所述第一筛选分类阈值，则确定所述油光区域的严重程度等级为中级；
若所述差值小于且等于所述第二筛选分类阈值，确定所述油光区域的严重程度等级为低级。
可选的，在另一实施例中，该实施例中在上述实施例的基础上，所述方法还包括：确定所述人脸图像中油光区域的平均灰度值；将所述人脸图像中油光区域的平均灰度值与第二分类阈值进行比较，确定所述油光区域的严重程度等级，其中，所述第二分类阈值基于各标注图像中油光区域的平均灰度值所确定。
该实施例中，判断油光区域的严重程序等级，与上述实施例的实现过程类似，其不同之处在于，上述实施例中是通过差值进行比较的，而本实施例中，是通过平均灰度值进行比较的，即将油光区域的平均灰度值与各标注图像中油光区域的平均灰度值进行比较，从而确定油光区域的严重程度等级。节省了人工检测的成本，为油光区域严重等级的判断提供了依据。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本实施公开并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请所必须的。
图2是本申请实施例提供的一种皮肤检测装置框图。参照图2，该装置包括：获取模块401，第一确定模块402，第二确定模块403和去除模块404，其中，
该获取模块401，用于获取待检测对象的人脸图像；
该第一确定模块402，用于确定所述人脸图像所对应的纹理图；
该第二确定模块403，用于确定所述纹理图中的至少一个高光区域；
该去除模块404，用于去除所述至少一个高光区域中的干扰区域，得到所述人脸图像中的油光区域。
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述纹理图为灰度图表征的纹理图；所述第二确定模块403包括：第一比较模块501和区域确定模块502，其结构示意图如图3所示，其中，
该第一比较模块501，用于分别将所述纹理图中各像素点的灰度值与目标筛选阈值进行比较将灰度值高于所述目标筛选阈值的像素点所对应的区域确定为所述高光区；
该区域确定模块502，用于将灰度值高于所述目标筛选阈值的像素点所对应的区域确定为所述高光区。
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述装置还包括：筛选阈值确定模块，具体包括：第一灰度值确定和目标筛选阈值确定模块，其中，
该第一灰度值确定模块，用于确定所述人脸图像的脸部平均灰度值；
该图像确定模块，用于确定每张面部测试图片的纹理图；
该目标筛选阈值确定模块，用于将所述脸部平均灰度值与目标灰度差值之间的和值确定为所述目标筛选阈值；其中，所述目标灰度差值基于各标注图像中油光区域平均灰度值和脸部区域平均灰度值所确定的。
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述第一灰度值确定模块包括：选取模块和第二灰度值确定模块，其中，
该选取模块，用于从所述人脸图像的多个不同位置区域选取代表关键点；
该第二灰度值确定模块，用于确定所述代表关键点的灰度均值，将所述灰度均值确定为所述脸部平均灰度值。
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述去除模块404包括：面积确定模块601和面积过滤模块602，其结构示意图如图4所示，其中，
该面积确定模块601，用于确定各高光区域的区域面积；
该面积过滤模块602，用于过滤掉面积小于面积阈值的高光区域，得到所述油光区域。
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述装置还包括：差值确定模块701和第二比较模块702，其结构示意图如图5所示，其中，
该差值确定模块701，用于确定所述人脸图像中油光区域的平均灰度值与所述人脸图像中脸部区域的平均灰度值之间的差值；
该第二比较模块702，用于将所述差值与对应的第一分类阈值进行比较，确定所述油光区域的严重程度等级；其中，所述第一分类阈值基于各标注图像中油光区域的平均灰度值和脸部区域的平均灰度值的差值所确定。
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述装置还包括：第三灰度值确定模块和第三比较模块，其中，
该第三灰度值确定模块，用于确定所述人脸图像中油光区域的平均灰度值；
该第三比较模块，用于将所述人脸图像中油光区域的平均灰度值与第二分类阈值进行比较，确定所述油光区域的严重程度等级；其中，所述第二分类阈值基于各标注图像中油光区域的平均灰度值所确定。
其中，本申请实施例所提供的皮肤检测装置可实现上述方法实施例中的全部方法步骤，此处不再赘述。
可选的，本申请实施例还提供一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如上所述的皮肤检测方法。
可选的，本申请实施例还提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如上所述的皮肤检测方法。可选地，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
可选的，本申请实施例还提供一种计算机程序产品，包括计算机程序或指令，所述计算机程序或指令被处理器执行时实现如上所述的皮肤检测方法。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图6是本申请实施例提供的一种电子设备800的框图。例如，电子设备800可以为移动终端也可以为服务器，本申请实施例中以电子设备为移动终端为例进行说明。例如,电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述所示的皮肤检测方法。
在实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器804，上述指令可由电子设备800的处理器820执行以完成上述所示的皮肤检测方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在实施例中，还提供了一种计算机程序产品，当计算机程序产品中的指令由电子设备800的处理器820执行时，使得电子设备400执行上述所示的皮肤检测方法。
图7是本申请实施例提供的一种用于皮肤检测的装置900的框图。例如，装置900可以被提供为一服务器。参照图7，装置900包括处理组件922，其进一步包括一个或多个处理器，以及由存储器932所代表的存储器资源，用于存储可由处理组件922的执行的指令，例如应用程序。存储器932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件922被配置为执行指令，以执行上述皮肤检测方法。
装置900还可以包括一个电源组件926被配置为执行装置900的电源管理，一个有线或无线网络接口950被配置为将装置900连接到网络，和一个输入输出(I/O)接口958。装置900可以操作基于存储在存储器932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
本申请所涉及的用户信息(包括但不限于用户的设备信息、用户个人信息等)、相关数据等均为经用户授权或经各方授权后的信息。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种皮肤检测方法，其特征在于，包括：
获取待检测对象的人脸图像；
确定所述人脸图像所对应的纹理图；
确定所述纹理图中的至少一个高光区域；
去除所述至少一个高光区域中的干扰区域，得到所述人脸图像中的油光区域。
2.根据权利要求1所述的皮肤检测方法，其特征在于，所述纹理图为灰度图表征的纹理图；
所述确定所述纹理图中的至少一个高光区域，包括：
分别将所述纹理图中各像素点的灰度值与目标筛选阈值进行比较；
将灰度值高于所述目标筛选阈值的像素点所对应的区域确定为所述高光区域。
3.根据权利要求2所述的皮肤检测方法，其特征在于，按下述步骤确定所述目标筛选阈值：
确定所述人脸图像的脸部平均灰度值；
将所述脸部平均灰度值与目标灰度差值之间的和值确定为所述目标筛选阈值；其中，所述目标灰度差值基于各标注图像中油光区域平均灰度值和脸部区域平均灰度值所确定的。
4.根据权利要求3所述的皮肤检测方法，其特征在于，所述确定所述人脸图像的脸部平均灰度值，包括：
从所述人脸图像的多个不同位置区域选取代表关键点；
确定所述代表关键点的灰度均值，将所述灰度均值确定为所述脸部平均灰度值。
5.根据权利要求1至4任一项所述的皮肤检测方法，其特征在于，所述去除所述至少一个高光区域中的干扰区域，得到所述脸部图像中的油光区域，包括：
确定各高光区域的区域面积；
过滤掉面积小于面积阈值的高光区域，得到所述油光区域。
6.根据权利要求1至5任一项所述的皮肤检测方法，其特征在于，所述方法还包括：
确定所述人脸图像中油光区域的平均灰度值与所述人脸图像中脸部区域的平均灰度值之间的差值；
将所述差值与对应的第一分类阈值进行比较，确定所述油光区域的严重程度等级；其中，所述第一分类阈值基于各标注图像中油光区域的平均灰度值和脸部区域的平均灰度值的差值所确定。
7.根据权利要求1至5任一项所述的皮肤检测方法，其特征在于，所述方法还包括：
确定所述人脸图像中油光区域的平均灰度值；
将所述人脸图像中油光区域的平均灰度值与第二分类阈值进行比较，确定所述油光区域的严重程度等级；其中，所述第二分类阈值基于各标注图像中油光区域的平均灰度值所确定。
8.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至7中任一项所述的皮肤检测方法。
9.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至7中任一项所述的皮肤检测方法。
10.一种计算机程序产品，包括计算机程序或指令，其特征在于，所述计算机程序或指令被处理器执行时实现权利要求1至7任一项所述的皮肤检测方法。
CN202210214727.4A 2022-03-04 2022-03-04 一种皮肤检测方法、电子设备、存储介质及产品 Pending CN114782309A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210214727.4A CN114782309A (zh) 2022-03-04 2022-03-04 一种皮肤检测方法、电子设备、存储介质及产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210214727.4A CN114782309A (zh) 2022-03-04 2022-03-04 一种皮肤检测方法、电子设备、存储介质及产品

Publications (1)

Publication Number Publication Date
CN114782309A true CN114782309A (zh) 2022-07-22

Family

ID=82423779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210214727.4A Pending CN114782309A (zh) 2022-03-04 2022-03-04 一种皮肤检测方法、电子设备、存储介质及产品

Country Status (1)

Country Link
CN (1) CN114782309A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105719234A (zh) * 2016-01-26 2016-06-29 厦门美图之家科技有限公司 用于人脸区域的自动去油光方法、系统及拍摄终端
CN113298753A (zh) * 2021-03-26 2021-08-24 阿里巴巴新加坡控股有限公司 敏感肌的检测方法、图像处理方法、装置及设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105719234A (zh) * 2016-01-26 2016-06-29 厦门美图之家科技有限公司 用于人脸区域的自动去油光方法、系统及拍摄终端
CN113298753A (zh) * 2021-03-26 2021-08-24 阿里巴巴新加坡控股有限公司 敏感肌的检测方法、图像处理方法、装置及设备

Similar Documents

Publication Publication Date Title
US11410277B2 (en) Method and device for blurring image background, storage medium and electronic apparatus
KR102783839B1 (ko) 피부질 검출 방법, 피부질 등급 분류 방법, 피부질 검출 장치, 전자 기기 및 저장 매체
CN108229277B (zh) 手势识别、手势控制及多层神经网络训练方法、装置及电子设备
CN104517268B (zh) 调整图像亮度的方法及装置
CN106570472B (zh) 一种肤色检测方法、装置及终端
US20210166015A1 (en) Certificate image extraction method and terminal device
CN113298845A (zh) 一种图像处理方法、装置与设备
US20140079319A1 (en) Methods for enhancing images and apparatuses using the same
CN105243371A (zh) 一种人脸美颜程度的检测方法、系统及拍摄终端
CN107172354B (zh) 视频处理方法、装置、电子设备及存储介质
CN107798654B (zh) 图像磨皮方法及装置、存储介质
CN112329851B (zh) 一种图标检测方法、装置及计算机可读存储介质
CN113610720B (zh) 视频去噪方法及装置、计算机可读介质和电子设备
CN107730448B (zh) 基于图像处理的美颜方法及装置
CN108664946A (zh) 基于图像的人流特征获取方法及装置
CN114120034B (zh) 一种图像分类方法、装置、电子设备及存储介质
CN106600556A (zh) 图像处理方法及装置
CN106650615A (zh) 一种图像处理方法及终端
CN108805838B (zh) 一种图像处理方法、移动终端及计算机可读存储介质
CN110110742B (zh) 多特征融合方法、装置、电子设备及存储介质
CN115330610B (zh) 图像处理方法、装置、电子设备以及存储介质
CN107590830A (zh) 基于图像的高度确定方法、装置及存储介质
CN112381737B (zh) 图像处理方法、装置、电子设备及存储介质
Chen et al. Hybrid saliency detection for images
CN118608926A (zh) 图像质量评价方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20250124

Address after: No. 257, 2nd Floor, Building 9, No. 2 Huizhu Road, Liangjiang New District, Yubei District, Chongqing 401120

Applicant after: Yuanli Jinzhi (Chongqing) Technology Co.,Ltd.

Country or region after: China

Address before: No. 1268, 1f, building 12, neijian Middle Road, Xisanqi building materials City, Haidian District, Beijing 100096

Applicant before: BEIJING KUANGSHI TECHNOLOGY Co.,Ltd.

Country or region before: China

Applicant before: MEGVII (BEIJING) TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right