本发明涉及图像处理,具体涉及一种眼纹检测方法、装置、电子设备及存储介质。
背景技术:
1、随着图像处理技术的飞速发展,对于人像图像中面部的检测处理应用越来越多,例如,肤色检测、肤龄检测、左右单双眼皮、有无眼袋、黑眼圈、抬头纹、鱼尾纹、眼部细纹、眉间细纹、法令纹、肤质检测都是人们越来越关注的皮肤问题。
2、然而,针对于眼部细纹的检测,由于其涉及到的部位小,存在很大的检测难度,因此目前还没有相应的技术方案实现眼部细纹的检测。
技术实现思路
1、本发明的目的是针对上述现有技术的不足提出的一种眼纹检测方法、装置、电子设备及存储介质,该目的是通过以下技术方案实现的。
2、本发明的第一方面提出了一种眼纹检测方法,所述方法包括:
3、根据接收到的用户图像进行眼部区域裁剪,以得到眼部图像;
4、将所述眼部图像输入已训练的眼纹检测模型,以由所述眼纹检测模型根据所述眼部图像进行眼纹程度识别并输出眼纹类别;
5、其中,所述眼纹类别包括无、轻度、中度、重度。
6、在本申请的一些实施例中,所述根据接收到的用户图像进行眼部区域裁剪,以得到眼部图像,包括:
7、对所述用户图像进行人脸关键点检测;根据检测到的人脸关键点确定眼部区域;从所述用户图像中裁剪出所述眼部区域,得到眼部图像。
8、在本申请的一些实施例中,所述根据检测到的人脸关键点确定眼部区域,包括:
9、从所述人脸关键点中获取脸部边缘关键点;利用位于眼部两边的脸部边缘关键点作为边界点确定眼部区域。
10、在本申请的一些实施例中,所述眼纹检测模型包括第一卷积层、移动翻转瓶颈卷积网络、第二卷积层、分类网络;所述由所述眼纹检测模型根据所述眼部图像进行眼纹程度识别,包括:
11、通过所述第一卷积层对所述眼部图像进行下采样处理,得到基础特征;通过所述移动翻转瓶颈卷积网络对所述基础特征进行多次移动翻转瓶颈卷积处理,得到特征图;通过所述第二卷积层对所述特征图进行升维操作,得到升维后的特征图;通过所述分类网络基于升维后的特征图进行眼纹分类并输出眼纹类别。
12、在本申请的一些实施例中,所述移动翻转瓶颈卷积网络包括多个串联的移动翻转瓶颈卷积模块;所述通过所述移动翻转瓶颈卷积网络对所述基础特征进行多次移动翻转瓶颈卷积处理,包括:
13、通过每个移动翻转瓶颈卷积模块对输入的特征进行一次移动翻转瓶颈卷积处理。
14、在本申请的一些实施例中,所述移动翻转瓶颈卷积模块包括1*1升维卷积层、深度卷积层、压缩与激发网络、1*1降维卷积层、以及拼接层;针对任一移动翻转瓶颈卷积模块对输入的特征进行一次移动翻转瓶颈卷积处理过程,包括:
15、通过所述1*1升维卷积层根据扩张比例对输入的特征进行1*1逐点卷积,以改变输出特征的通道维度;通过所述深度卷积层对所述1*1升维卷积层的输出特征进行深度卷积;通过所述压缩与激发网络对所述深度卷积层的输出特征进行压缩与激发操作;通过所述1*1降维卷积层对所述压缩与激发网络的输出特征进行1*1逐点卷积,以恢复输出特征的通道维度;通过所述拼接层对所述1*1升维卷积层的输出特征和所述1*1降维卷积层的输出特征按照通道维度进行融合。
16、在本申请的一些实施例中,所述眼纹检测模型的训练过程如下:
17、获取数据集,所述数据集包含无、轻度、中度、重度四种眼纹类别标签的眼部样本;遍历所述数据集中的每一眼部样本,将当前遍历的眼部样本输入预先构建的眼纹检测模型,以由所述眼纹检测模型对所述眼部样本进行眼纹类别预测并输出预测结果;利用所述预测结果、所述眼部样本的眼纹类别标签计算损失值;在所述损失值的变化率大于变化阈值时,根据所述损失值优化所述眼纹检测模型的网络参数,并继续遍历所述数据集中的每一眼部样本的过程,直至所述损失值低于所述变化阈值结束。
18、在本申请的一些实施例中,在获取数据集之后,所述方法还包括:
19、对所述数据集中的每一眼部样本进行一种数据增强处理,并将增强处理后的眼部样本添加到所述数据集中,以扩充所述数据集。
20、本发明的第二方面提出了一种眼纹检测装置,所述装置包括:
21、裁剪模块,用于根据接收到的用户图像进行眼部区域裁剪,以得到眼部图像;
22、检测模块,用于将所述眼部图像输入已训练的眼纹检测模型,以由所述眼纹检测模型根据所述眼部图像进行眼纹程度识别并输出眼纹类别。
23、本发明的第三方面提出了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一方面所述方法的步骤。
24、本发明的第四方面提出了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述第一方面所述方法的步骤。
25、基于上述第一方面和第二方面所述的眼纹检测方法及装置,本发明至少具有如下有益效果或优点:
26、通过使用一种专属于眼纹检测的深度学习模型,来精准地预测眼部图像中的眼纹程度并输出眼纹类别,以为后续对眼部进行的相关操作提供参考,并使得操作结果更符合用户实际需求。由于眼部涉及到的部位比较小,因此通过从用户图像中裁剪出专门针对眼部的图像输入模型,以增强特征感受野,有助于模型学习到眼纹类别。
1.一种眼纹检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述根据接收到的用户图像进行眼部区域裁剪,以得到眼部图像,包括:
3.根据权利要求2所述的方法,其特征在于,所述根据检测到的人脸关键点确定眼部区域,包括:
4.根据权利要求1所述的方法,其特征在于,所述眼纹检测模型包括第一卷积层、移动翻转瓶颈卷积网络、第二卷积层、分类网络;
5.根据权利要求4所述的方法,其特征在于,所述移动翻转瓶颈卷积网络包括多个串联的移动翻转瓶颈卷积模块;
6.根据权利要求5所述的方法,其特征在于,所述移动翻转瓶颈卷积模块包括1*1升维卷积层、深度卷积层、压缩与激发网络、1*1降维卷积层、以及拼接层;
7.根据权利要求1所述的方法,其特征在于,所述眼纹检测模型的训练过程如下:
8.根据权利要求7所述的方法,其特征在于,在获取数据集之后,所述方法还包括:
9.一种眼纹检测装置,其特征在于,所述装置包括:
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-8任一项所述方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-8任一项所述方法的步骤。