一种基于图像识别的防晒涂抹效果分析方法及系统与流程

摘要: 本技术涉及图像识别,具体而言,涉及一种基于图像识别的防晒涂抹效果分析方法及系统。背景技术:1、在日常生活中,防晒涂抹效果的评估对于皮肤健康和美容至关重要。目前,...
一种基于图像识别的防晒涂抹效果分析方法及系统与流程

本技术涉及图像识别,具体而言,涉及一种基于图像识别的防晒涂抹效果分析方法及系统。

背景技术:

1、在日常生活中,防晒涂抹效果的评估对于皮肤健康和美容至关重要。目前,室内镜前自检是防晒涂抹分析最基础、最高频的日常应用场景。然而,在这一普遍场景中,存在一个显著的技术难题:如何准确评估防晒霜的涂抹效果,尤其是在毛孔粗大与轻薄透明防晒霜结合使用的情况下。

2、具体而言,当用户皮肤毛孔较为粗大,且使用的防晒霜质地轻薄透明时,防晒霜涂抹后,毛孔区域可能因防晒霜未能完全覆盖或填充而呈现出与未涂抹区域相似的纹理特征。这种现象导致在可见光成像下,皮肤的自然毛孔纹理与因防晒涂抹缺失而暴露的皮肤纹理在视觉上高度相似,使得传统的图像识别方法难以有效区分。

3、这一问题并非由极端环境或异常操作引起,而是由皮肤自然生理结构与现代护肤品特性在可见光成像下产生的固有光学表现所致。现有技术在图像识别的特征提取与映射环节面临核心痛点,即如何精确地区分这些视觉上高度相似的纹理,从而准确判断防晒霜的涂抹状态。解决该问题不需要引入复杂的外部硬件设备或颠覆既有使用流程,而是可以聚焦于图像识别算法内部特征分离机制或多尺度纹理分析的优化,具有极高的工程实现价值和技术拓展空间。 技术实现要素:

4、本技术旨在至少解决现有技术中存在的技术问题之一。为此,本技术公开了一种基于图像识别的防晒涂抹效果分析方法及系统,旨在解决现有技术中防晒涂抹效果评估不准确,尤其是在毛孔粗大与轻薄透明防晒霜结合使用时,难以有效区分皮肤自然毛孔纹理与因防晒涂抹缺失而暴露的皮肤纹理的技术问题。

5、第一方面,本技术公开了一种基于图像识别的防晒涂抹效果分析方法,包括:

6、获取面部图像,对面部图像进行标准化处理,得到多个网格图像;

7、获取每个网格图像的纹理复杂度和毛孔密度;

8、基于纹理复杂度和毛孔密度,将网格图像区分为毛孔纹理主导网格图像和非毛孔纹理主导网格图像;

9、对于非毛孔纹理主导网格图像,根据纹理复杂度,确定网格图像的涂抹状态,其中当纹理复杂度不大于预设复杂度时,确定网格图像处于已涂抹状态,当纹理复杂度大于预设复杂度时,确定网格图像为未涂抹状态;

10、对于毛孔纹理主导网格图像,根据纹理表现来源,确定网格图像的涂抹状态;

11、汇总各网格图像的涂抹状态,获得汇总涂抹状态;

12、基于预设的面部拓扑分区信息,对汇总涂抹状态进行修正,得到修正后的汇总涂抹状态;

13、根据修正后的汇总涂抹状态,生成防晒涂抹效果评价及补涂提示。

14、进一步地,获取面部图像,对面部图像进行标准化处理,得到多个网格图像的步骤包括:

15、在面部图像中标定关键点坐标,其中,关键点包括面部轮廓、眼睛、鼻子和嘴巴;

16、剔除关键点对应区域的像素,得到有效皮肤区域图像,以减少关键点天然强边缘对后续纹理分析的干扰;

17、对有效皮肤区域图像进行网格化分割,得到多个网格图像,其中,单个网格图像的物理映射尺寸基于相机标定与人脸尺度估计,设定为边长3~8 mm的正方形。

18、在此基础上,获取面部图像,对面部图像进行标准化处理,得到多个网格图像之后还包括:

19、获取各网格图像亮度分布和纹理结构;

20、根据亮度分布和纹理结构,识别各网格图像中的非皮肤高反光物体;

21、将识别出的非皮肤高反光物体从相应的网格图像中排除。

22、更加具体的,在一些实施方案中,根据亮度分布和纹理结构,识别各网格图像中的非皮肤高反光物体的步骤包括:

23、根据亮度分布,计算像素亮度值并检测镜面反射特性;

24、根据纹理结构,分析局部纹理的连续性;

25、当网格图像中的区域同时满足像素亮度值高于周围区域、呈现镜面反射特性且局部纹理失去连续性时,识别该区域为非皮肤高反光物体。

26、优选地,基于纹理复杂度和毛孔密度,将网格图像区分为毛孔纹理主导网格图像和非毛孔纹理主导网格图像的步骤包括:

27、根据毛孔密度和纹理复杂度按照预设权重计算毛孔主导指数;

28、根据毛孔主导指数将各网格图像区分为毛孔纹理主导网格图像和非毛孔纹理主导网格图像,其中,当毛孔主导指数大于预设指数阈值时,确定该网格图像为毛孔纹理主导网格图像,当毛孔主导指数不大于预设指数阈值时,确定该网格图像为非毛孔纹理主导网格图像。

29、在上述基础上,对于毛孔纹理主导网格图像,根据纹理表现来源,确定网格图像的涂抹状态的步骤包括:

30、对于毛孔纹理主导网格图像,获取网格图像的光学反射特征;

31、根据光学反射特征,判断毛孔纹理主导网格图像的纹理表现来源,纹理表现来源包括:稳定性的生理结构和防晒涂抹缺失;

32、当纹理表现来源为稳定性的生理结构时,确定网格图像的涂抹状态为已涂抹状态;当纹理表现来源为防晒涂抹缺失时,确定网格图像的涂抹状态为涂抹缺失。

33、为了完善方案,获取每个网格图像的纹理复杂度和毛孔密度的步骤包括:

34、对每个网格图像进行黑白二值化处理,并构造空间灰度共生矩阵;

35、提取灰度共生矩阵在不同方向和步长下的对比度、能量和信息熵;

36、根据对比度、能量和熵,计算每个网格图像的纹理复杂度;

37、对网格图像应用形态学顶帽变换,以将暗斑从背景中分离出来,获取毛孔统计网格图像;

38、对毛孔统计网格图像通过局部极小值检测算法统计网格内的有效毛孔数量,计算单位面积的毛孔密度。

39、作为技术改进,对毛孔统计网格图像通过局部极小值检测算法统计网格内的有效毛孔数量,计算单位面积的毛孔密度的步骤包括:

40、获取毛孔统计网格图像中的色素分布参数;

41、基于色素分布参数,评估皮肤是否存在老化状态和/或病理状态;

42、当皮肤存在老化状态和/或病理状态时,调整用于毛孔识别的形态学结构元素尺寸,以适配皮肤生理结构的变化;

43、根据调整后的用于毛孔识别的形态学结构元素尺寸,通过局部极小值检测算法统计有效毛孔数量,计算单位面积的毛孔密度。

44、作为进一步改进,基于预设的面部拓扑分区信息,对汇总涂抹状态进行修正,得到修正后的汇总涂抹状态的步骤包括:

45、获取面部图像中的人脸关键点位置;

46、计算人脸关键点之间的几何距离和相对角度;

47、将几何距离和相对角度与预设的面部拓扑模板库进行匹配,选择匹配度最高的拓扑模板作为目标匹配拓扑模板;

48、根据目标匹配拓扑模板中定义的解剖学分区边界,对网格图像进行分区映射,为每个网格图像附加对应的解剖学分区标签;

49、当中心网格图像与其相邻网格图像的解剖学分区标签不一致时,采用平滑阻断机制对汇总涂抹状态进行修正,平滑阻断机制为中心网格图像的涂抹状态不向解剖学分区标签不同的相邻网格图像传播;

50、当中心网格图像与其相邻网格图像的解剖学分区标签一致时,采用平滑机制对汇总涂抹状态进行修正,平滑机制为中心网格图像的涂抹状态可向解剖学分区标签一致的相邻网格图像传播。

51、第二方面,本技术还公开了一种基于图像识别的防晒涂抹效果分析系统,包括:

52、图像获取模块,用于获取面部图像,对面部图像进行标准化处理,得到多个网格图像;

53、特征获取模块,用于获取每个网格图像的纹理复杂度和毛孔密度;

54、网格图像分类模块,用于基于纹理复杂度和毛孔密度,将网格图像区分为毛孔纹理主导网格图像和非毛孔纹理主导网格图像;

55、非毛孔纹理主导网格图像涂抹状态判定模块,用于对于非毛孔纹理主导网格图像,根据纹理复杂度,确定网格图像的涂抹状态,其中当纹理复杂度不大于预设复杂度时,确定网格图像处于已涂抹状态,当纹理复杂度大于预设复杂度时,确定网格图像为未涂抹状态;

56、毛孔纹理主导网格图像涂抹状态判定模块,用于对于毛孔纹理主导网格图像,根据纹理表现来源,确定网格图像的涂抹状态;

57、汇总模块,用于汇总各网格图像的涂抹状态,获得汇总涂抹状态;

58、修正模块,用于基于预设的面部拓扑分区信息,对汇总涂抹状态进行修正,得到修正后的汇总涂抹状态;

59、评价模块,用于根据修正后的汇总涂抹状态,生成防晒涂抹效果评价及补涂提示。

60、本技术提供了一种基于图像识别的防晒涂抹效果分析方法,通过获取面部图像并进行标准化处理,得到多个网格图像。该方法进一步获取每个网格图像的纹理复杂度和毛孔密度,并基于此将网格图像区分为毛孔纹理主导网格图像和非毛孔纹理主导网格图像。针对不同类型的网格图像,本技术采用差异化的涂抹状态判定策略:对于非毛孔纹理主导网格图像,根据纹理复杂度直接判断涂抹状态;对于毛孔纹理主导网格图像,则根据纹理表现来源(生理结构或涂抹缺失)来确定涂抹状态。最后,汇总各网格图像的涂抹状态,并基于面部拓扑分区信息进行修正,生成防晒涂抹效果评价及补涂提示。

61、该方法有效解决了现有技术中,当用户皮肤毛孔较为粗大且使用轻薄透明防晒霜时,传统图像识别方法难以区分皮肤自然毛孔纹理与因防晒涂抹缺失而暴露的皮肤纹理的问题。通过引入毛孔密度和纹理复杂度的综合分析,并针对毛孔纹理主导区域进行纹理表现来源的判断,本技术能够精确地区分视觉上高度相似的纹理,从而准确判断防晒霜的涂抹状态。此外,面部拓扑分区信息的引入,进一步提高了涂抹状态评估的区域准确性和整体合理性。因此,本技术能够提供更准确、更可靠的防晒涂抹效果评估,克服了现有技术在图像识别特征提取与映射环节的痛点,具有显著的技术进步和实用价值。

62、本技术的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本技术的实践了解到。

技术实现思路