CN110222571B - 黑眼圈智能判断方法、装置及计算机可读存储介质 - Google Patents

Abstract

本发明涉及一种人工智能技术，揭露了一种黑眼圈智能判断方法，包括：接收人脸图像集和标签集，并对所述人脸图片集进行预处理，并将所述标签集作为黑眼圈判断模型的损失函数的输入值，将所述人脸图像集的数据进行方向梯度直方运算后，输入至所述黑眼圈判断模型的支持向量机模块，所述支持向量机模块对人脸图像集进行初分类后将数据输入至所述黑眼圈判断模型的卷积神经网络模块再训练；接收用户的测试集，将所述测试集进行方向梯度直方运算后输入至所述黑眼圈判断模型判断是否有黑眼圈，并输出结果。本发明还提出一种黑眼圈智能判断装置以及一种计算机可读存储介质。本发明可以实现精准的黑眼圈智能判断功能。

Description

黑眼圈智能判断方法、装置及计算机可读存储介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于人脸数据输入后可自动判断黑眼圈的方法、装置及计算机可读存储介质。

背景技术

黑眼圈是由于熬夜，情绪波动大，眼疲劳、衰老导致眼部皮肤血管血流速度过于缓慢形成滞流，组织供氧不足，血管中代谢废物积累过多，造成眼部色素沉着。年纪愈大的人，眼睛周围的皮下脂肪变得愈薄，所以黑眼圈就更明显。在当今社会中有很多人存在黑眼圈而不自知，因此需要对是否存在黑眼圈进行判断，然而，对于黑眼圈的精确识别还存有很多问题，如应用场景多数比较复杂，背景的局部动态变化、光照不均所造成目标阴影等会对识别增加难度，另外，人脸是非刚性目标，拥有丰富的姿态特征，同一人脸所处的不同的姿态，在检测和识别中往往差别很大。

发明内容

本发明提供一种黑眼圈智能判断方法、装置及计算机可读存储介质，其主要目的在于当用户判断人脸是否有黑眼圈时，给用户呈现出精准的黑眼圈判断结果。

为实现上述目的，本发明提供的一种黑眼圈智能判断方法，包括：

数据接收层接收人脸图像集，所述人脸图像集通过标签集被划分为正样本集和负样本集，对所述正样本集和所述负样本集进行包括灰度化、二值化和降噪的预处理操作后，将所述预处理完成的正样本集和负样本集以及所述标签集输入至数据处理层；

数据处理层接收预处理完成的人脸图像集，将所述标签集作为黑眼圈判断模型的损失函数的输入值，将所述正样本集和负样本集的数据进行方向梯度直方运算后，输入至所述黑眼圈判断模型的支持向量机模块，所述支持向量机模块对所述负样本集和所述正样本集进行初分类，并基于所述标签集提取所述初分类错误的数据输入至所述黑眼圈判断模型的卷积神经网络模块再训练，所述卷积神经网络模块进行训练后，输出训练标签集，并将所述训练标签输入至所述损失函数，所述损失函数结合所述训练标签集与所述标签集计算输出值，当所述输出值小于预设阈值时，所述黑眼圈判断模型退出训练；

接收用户的测试集，基于非线性映射方法将所述测试集内的数据映射至高维空间，将所述映射完成的测试集进行方向梯度直方运算后输入至所述黑眼圈判断模型判断是否有黑眼圈，并输出结果。

可选地，所述正样本集内的数据是包括黑眼圈的人脸图像，所述负样本集内的数据是不包括黑眼圈的人脸图像。

可选地，所述自适应图像降噪滤波法为：

g(x,y)＝η(x,y)+f(x,y)

其中，(x,y)表示图像像素点坐标，f(x,y)为基于自适应图像降噪滤波法对所述正样本集和所述负样本集进行降噪处理后的输出数据，η(x,y)为噪声，g(x,y)为所述正样本集和所述负样本集，

为所述正样本集和所述负样本集的噪声总方差，

为所述(x,y)的像素灰度均值，

为所述(x,y)的像素灰度方差，L表示当前像素点坐标。

可选地，所述卷积神经网络模块包括输入层、卷积层、输出层；

所述卷积层包括卷积操作、池化操作与激活操作；

所述卷积操作为：

其中ω’为输出数据，ω为所述初分类错误的数据，k为卷积核的大小，s为卷积操作的步幅，p为数据补零矩阵；

所述激活操作为：

其中y为所述激活操作的输出值，e为无限不循环小数。

可选地，所述支持向量机算法包括非线性映射和约束求解；

所述非线性映射为：

κ(x_i，x_j)＝<θ(x_i)，θ(x_j)>

其中，<θ(x_i)，θ(x_j)>表示所述方向梯度直方特征(x_i,x_j)非线性映射的内积计算，κ(x_i,x_j)为所述方向梯度直方特征(x_i,x_j)的非线性映射函数；

所述约束求解为：

其中，α_i≥0,i＝1,2,…m

其中，m为所述方向梯度直方特征的数量，α_i，α_j为所述约束求解的拉格朗日数乘因子，y_i，y_j为所述正负样本的标签，s.t为约束条件。

此外，为实现上述目的，本发明还提供一种黑眼圈智能判断装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的黑眼圈智能判断程序，所述黑眼圈智能判断程序被所述处理器执行时实现如下步骤：

数据接收层接收人脸图像集，所述人脸图像集通过标签集被划分为正样本集和负样本集，对所述正样本集和所述负样本集进行包括灰度化、二值化和降噪的预处理操作后，将所述预处理完成的正样本集和负样本集以及所述标签集输入至数据处理层；

数据处理层接收预处理完成的人脸图像集，将所述标签集作为黑眼圈判断模型的损失函数的输入值，将所述正样本集和负样本集的数据进行方向梯度直方运算后，输入至所述黑眼圈判断模型的支持向量机模块，所述支持向量机模块对所述负样本集和所述正样本集进行初分类，并基于所述标签集提取所述初分类错误的数据输入至所述黑眼圈判断模型的卷积神经网络模块再训练，所述卷积神经网络模块进行训练后，输出训练标签集，并将所述训练标签输入至所述损失函数，所述损失函数结合所述训练标签集与所述标签集计算输出值，当所述输出值小于预设阈值时，所述黑眼圈判断模型退出训练；

接收用户的测试集，基于非线性映射方法将所述测试集内的数据映射至高维空间，将所述映射完成的测试集进行方向梯度直方运算后输入至所述黑眼圈判断模型判断是否有黑眼圈，并输出结果。

可选地，所述自适应图像降噪滤波法为：

g(x,y)＝η(x,y)+f(x,y)

其中，(x,y)表示图像像素点坐标，f(x,y)为基于自适应图像降噪滤波法对所述正样本集和所述负样本集进行降噪处理后的输出数据，η(x,y)为噪声，g(x,y)为所述正样本集和所述负样本集，

为所述正样本集和所述负样本集的噪声总方差，

为所述(x,y)的像素灰度均值，

为所述(x,y)的像素灰度方差，L表示当前像素点坐标。

可选地，所述卷积神经网络模块包括输入层、卷积层、输出层；

所述卷积层包括卷积操作、池化操作与激活操作；

所述卷积操作为：

其中ω’为输出数据，η为所述初分类错误的数据，k为卷积核的大小，s为卷积操作的步幅，p为数据补零矩阵；

所述激活操作为：

其中y为所述激活操作的输出值，e为无限不循环小数。

可选地，所述支持向量机算法包括非线性映射和约束求解；

所述非线性映射为：

κ(x_i，x_j)＝<θ(x_i)，θ(x_j)>

其中，<θ(x_i)，θ(x_j)>表示所述方向梯度直方特征(x_i,x_j)非线性映射的内积计算，κ(x_i,x_j)为所述方向梯度直方特征(x_i,x_j)的非线性映射函数；

所述约束求解为：

其中，α_i≥0,i＝1,2,…m

其中，m为所述方向梯度直方特征的数量，α_i，α_j为所述约束求解的拉格朗日数乘因子，y_i，y_j为所述正负样本的标签，s.t为约束条件。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有黑眼圈智能判断程序，所述黑眼圈智能判断程序可被一个或者多个处理器执行，以实现如上所述的黑眼圈智能判断方法的步骤。

本发明提出的黑眼圈智能判断方法、装置及计算机可读存储介质，数据接收层接收人脸图像集，所述人脸图像集通过标签集被划分为正样本集和负样本集，将所述正样本集和负样本集以及所述标签集输入至数据处理层；数据处理层接收预处理完成的人脸图像集，将所述标签集作为黑眼圈判断模型的损失函数的输入值，将所述正样本集和负样本集输入至所述黑眼圈判断模型的支持向量机模块，所述支持向量机模块进行初分类，并基于所述标签集提取所述初分类错误的数据输入至所述黑眼圈判断模型的卷积神经网络模块再训练，直至黑眼圈判断模型退出训练；接收用户的测试集，基于非线性映射方法将所述测试集内的数据映射至高维空间，将所述映射完成的测试集进行方向梯度直方运算后输入至所述黑眼圈判断模型判断是否有黑眼圈，并输出结果。由于本发明使用效率较高的支持向量机模型和卷积神经网络模型，且前期基于多种数据预处理方法降低影响模型判断的噪声，因此本发明可以实现精准的黑眼圈智能判断功能。

附图说明

图1为本发明一实施例提供的黑眼圈智能判断方法的流程示意图；

图2为本发明一实施例提供的黑眼圈智能判断装置的内部结构示意图；

图3为本发明一实施例提供的黑眼圈智能判断装置中黑眼圈智能判断程序的模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种黑眼圈智能判断方法。参照图1所示，为本发明一实施例提供的黑眼圈智能判断方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。

在本实施例中，黑眼圈智能判断方法包括：

S1、数据接收层接收人脸图像集，所述人脸图像集通过标签集被划分为正样本集和负样本集，对所述正样本集和所述负样本集进行包括灰度化、二值化和降噪的预处理操作后，将所述预处理完成的正样本集和负样本集以及所述标签集输入至数据处理层。

本发明较佳实施例数据接收层接收包括正样本集、负样本集、标签集的人脸图像集，所述正样本集内的数据都包括有黑眼圈的人脸，所述负样本集内的数据都包括没有黑眼圈的人脸。

本发明较佳实施例所述灰度化操作是将所述正样本集和所述负样本内的数据从RGB格式转为黑白灰格式，进一步地，所述灰度化操作采用比例法，即根据如下函数转为所述黑白灰格式：

0.30*R+0.59*G+0.11*B

本发明较佳实施例所述二值化操作包括先设定阈值，当所述黑白灰格式内的像素大于所述阈值时，所述像素变为255，当所述黑白灰格式内的像素小于所述阈值时，所述像素变为0，即所述黑白格式表示所述正样本集和所述负样本集的像素值为0或255。

本发明较佳实施例所述降噪是基于自适应图像降噪滤波法对所述黑白格式数据进行降噪处理，所述自适应图像降噪滤波法为：

g(x,y)＝η(x,y)+f(x,y)

其中，(x,y)表示图像像素点坐标，f(x,y)为基于自适应图像降噪滤波法对所述黑白格式数据进行降噪处理后的输出数据，η(x,y)为噪声，g(x,y)为所述黑白格式数据，

为所述黑白格式数据的噪声总方差，

为所述(x,y)的像素灰度均值，

为所述(x,y)的像素灰度方差，L表示当前像素点坐标。

S2、数据处理层接收预处理完成的人脸图像集，将所述标签集作为黑眼圈判断模型的损失函数的输入值，将所述正样本集和负样本集的数据进行方向梯度直方运算后，输入至所述黑眼圈判断模型的支持向量机模块，所述支持向量机模块对所述负样本集和所述正样本集进行初分类，并基于所述标签集提取所述初分类错误的数据输入至所述黑眼圈判断模型的卷积神经网络模块再训练，所述卷积神经网络模块进行训练后，输出训练标签集，并将所述训练标签输入至所述损失函数，所述损失函数结合所述训练标签集与所述标签集计算输出值，当所述输出值小于预设阈值时，所述黑眼圈判断模型退出训练。

本发明较佳实施例，所述正样本集和负样本集的数据进行方向梯度直方运算后输入至黑眼圈判断模型，包括计算所述人脸图像集内的数据各像素点(x,y)的梯度幅值和方向梯度值，并将所述梯度幅值作为第一分量，所述方向梯度值作为第二分量形成梯度矩阵，将所述梯度矩阵内数据划分为多个小块，并相加各小块的梯度幅值与方向梯度值得到相加值，并将所述相加值串联形成方向梯度直方特征输入至黑眼圈判断模型。

本发明较佳实施例，将所述黑眼圈判断模型基于支持向量机算法对所述负样本集和所述正样本集进行训练，直到所述支持向量机算法内的损失函数值小于阈值时退出训练。所述支持向量机算法包括非线性映射和约束求解；

所述非线性映射为：

κ(x_i，x_j)＝<θ(x_i)，θ(x_j)>

其中，<θ(x_i)，θ(x_j)>表示所述方向梯度直方特征(x_i,x_j)非线性映射的内积计算，κ(x_i,x_j)为所述方向梯度直方特征(x_i,x_j)的非线性映射函数；

所述约束求解为：

其中，α_i≥0,i＝1,2,…m

其中，m为所述方向梯度直方特征的数量，α_i，α_j为所述约束求解的拉格朗日数乘因子，y_i，y_j为所述正负样本的标签，s.t为约束条件。所述损失函数为最小二乘法，所述损失函数值为L(e)：

其中，e为所述黑眼圈判断模型的训练值与所述标签集的误差值，k为所述正样本集与所述负样本集的总数量，y_i为所述标签集，y′_i为所述训练值，所述阈值一般设置为0.01。

本发明较佳实施例，所述卷积神经网络模块包括输入层、卷积层、输出层；

所述卷积层包括卷积操作、池化操作与激活操作；

所述卷积操作为：

其中ω’为输出数据，ω为所述初分类错误的数据，k为卷积核的大小，s为卷积操作的步幅，p为数据补零矩阵；

所述激活操作为：

其中y为所述激活操作的输出值，e为无限不循环小数。

S3、接收用户的测试集，基于非线性映射方法将所述测试集内的数据映射至高维空间，将所述映射完成的测试集进行方向梯度直方运算后输入至所述黑眼圈判断模型判断是否有黑眼圈，并输出结果。

本发明较佳实施例，基于非线性映射方法将所述测试集内的数据映射至高维空间，所述数据映射采用所述支持向量机的非线性映射方法。

发明还提供一种黑眼圈智能判断装置。参照图2所示，为本发明一实施例提供的黑眼圈智能判断装置的内部结构示意图。

在本实施例中，所述黑眼圈智能判断装置1可以是PC(Personal Computer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。该黑眼圈智能判断装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。

其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是黑眼圈智能判断装置1的内部存储单元，例如该黑眼圈智能判断装置1的硬盘。存储器11在另一些实施例中也可以是黑眼圈智能判断装置1的外部存储设备，例如黑眼圈智能判断装置1上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括黑眼圈智能判断装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于黑眼圈智能判断装置1的应用软件及各类数据，例如黑眼圈智能判断程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

处理器12在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行黑眼圈智能判断程序01等。

通信总线13用于实现这些组件之间的连接通信。

网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。

可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在黑眼圈智能判断装置1中处理的信息以及用于显示可视化的用户界面。

图2仅示出了具有组件11-14以及黑眼圈智能判断程序01的黑眼圈智能判断装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对黑眼圈智能判断装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

在图2所示的装置1实施例中，存储器11中存储有黑眼圈智能判断程序01；处理器12执行存储器11中存储的黑眼圈智能判断程序01时实现如下步骤：

步骤一、数据接收层接收人脸图像集，所述人脸图像集通过标签集被划分为正样本集和负样本集，对所述正样本集和所述负样本集进行包括灰度化、二值化和降噪的预处理操作后，将所述预处理完成的正样本集和负样本集以及所述标签集输入至数据处理层。

本发明较佳实施例，数据接收层接收包括正样本集、负样本集、标签集的人脸图像集，所述正样本集内的数据都包括有黑眼圈的人脸，所述负样本集内的数据都包括没有黑眼圈的人脸。

本发明较佳实施例，所述灰度化操作是将所述正样本集和所述负样本内的数据从RGB格式转为黑白灰格式，进一步地，所述灰度化操作采用比例法，即根据如下函数转为所述黑白灰格式：

0.30*R+0.59*G+0.11*B

本发明较佳实施例所述二值化操作包括先设定阈值，当所述黑白灰格式内的像素大于所述阈值时，所述像素变为255，当所述黑白灰格式内的像素小于所述阈值时，所述像素变为0，,即所述黑白格式表示所述正样本集和所述负样本集的像素值为0或255。

本发明较佳实施例，所述降噪是基于自适应图像降噪滤波法对所述黑白格式数据进行降噪处理，所述自适应图像降噪滤波法为：

g(x,y)＝η(x,y)+f(x,y)

其中，(x,y)表示图像像素点坐标，f(x,y)为基于自适应图像降噪滤波法对所述黑白格式数据进行降噪处理后的输出数据，η(x,y)为噪声，g(x,y)为所述黑白格式数据，

为所述黑白格式数据的噪声总方差，

为所述(x,y)的像素灰度均值，

为所述(x,y)的像素灰度方差，L表示当前像素点坐标。

步骤二、数据处理层接收预处理完成的人脸图像集，将所述标签集作为黑眼圈判断模型的损失函数的输入值，将所述正样本集和负样本集的数据进行方向梯度直方运算后，输入至所述黑眼圈判断模型的支持向量机模块，所述支持向量机模块对所述负样本集和所述正样本集进行初分类，并基于所述标签集提取所述初分类错误的数据输入至所述黑眼圈判断模型的卷积神经网络模块再训练，所述卷积神经网络模块进行训练后，输出训练标签集，并将所述训练标签输入至所述损失函数，所述损失函数结合所述训练标签集与所述标签集计算输出值，当所述输出值小于预设阈值时，所述黑眼圈判断模型退出训练。

本发明较佳实施例，所述正样本集和负样本集的数据进行方向梯度直方运算后输入至黑眼圈判断模型，包括计算所述人脸图像集内的数据各像素点(x,y)的梯度幅值和方向梯度值，并将所述梯度幅值作为第一分量，所述方向梯度值作为第二分量形成梯度矩阵，将所述梯度矩阵内数据划分为多个小块，并相加各小块的梯度幅值与方向梯度值得到相加值，并将所述相加值串联形成方向梯度直方特征输入至黑眼圈判断模型。

本发明较佳实施例，将所述黑眼圈判断模型基于支持向量机算法对所述负样本集和所述正样本集进行训练，直到所述支持向量机算法内的损失函数值小于阈值时退出训练。所述支持向量机算法包括非线性映射和约束求解；

所述非线性映射为：

κ(x_i，x_j)＝<θ(x_i)，θ(x_j)>

其中，<θ(x_i)，θ(x_j)>表示所述方向梯度直方特征(x_i,x_j)非线性映射的内积计算，κ(x_i,x_j)为所述方向梯度直方特征(x_i,x_j)的非线性映射函数；

所述约束求解为：

其中，α_i≥0,i＝1,2,…m

其中，m为所述方向梯度直方特征的数量，α_i，α_j为所述约束求解的拉格朗日数乘因子，y_i，y_j为所述正负样本的标签，s.t为约束条件。所述损失函数为最小二乘法，所述损失函数值为L(e)：

其中，e为所述黑眼圈判断模型的训练值与所述标签集的误差值，k为所述正样本集与所述负样本集的总数量，y_i为所述标签集，y_i ^′为所述训练值，所述阈值一般设置为0.01。

本发明较佳实施例所述卷积神经网络模块包括输入层、卷积层、输出层；

所述卷积层包括卷积操作、池化操作与激活操作；

所述卷积操作为：

其中ω’为输出数据，ω为所述初分类错误的数据，k为卷积核的大小，s为卷积操作的步幅，p为数据补零矩阵；

所述激活操作为：

其中y为所述激活操作的输出值，e为无限不循环小数。

步骤三、接收用户的测试集，基于非线性映射方法将所述测试集内的数据映射至高维空间，将所述映射完成的测试集进行方向梯度直方运算后输入至所述黑眼圈判断模型判断是否有黑眼圈，并输出结果。

本发明较佳实施例，基于非线性映射方法将所述测试集内的数据映射至高维空间，所述数据映射采用所述支持向量机的非线性映射方法。

可选地，在其他实施例中，黑眼圈智能判断程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述黑眼圈智能判断程序在黑眼圈智能判断装置中的执行过程。

例如，参照图3所示，为本发明黑眼圈智能判断装置一实施例中的黑眼圈智能判断程序的程序模块示意图，该实施例中，所述黑眼圈智能判断程序可以被分割为数据接收模块10、模型训练模块20、黑眼圈判断模块30示例性地：

所述数据接收模块10用于：接收人脸图像集，所述人脸图像集通过标签集被划分为正样本集和负样本集，对所述正样本集和所述负样本集进行包括灰度化、二值化和降噪的预处理操作后，将所述预处理完成的正样本集和负样本集以及所述标签集输入至数据处理层。

所述模型训练模块20用于：接收预处理完成的人脸图像集，将所述标签集作为黑眼圈判断模型的损失函数的输入值，将所述正样本集和负样本集的数据进行方向梯度直方运算后，输入至所述黑眼圈判断模型的支持向量机模块，所述支持向量机模块对所述负样本集和所述正样本集进行初分类，并基于所述标签集提取所述初分类错误的数据输入至所述黑眼圈判断模型的卷积神经网络模块再训练，所述卷积神经网络模块进行训练后，输出训练标签集，并将所述训练标签输入至所述损失函数，所述损失函数结合所述训练标签集与所述标签集计算输出值，当所述输出值小于预设阈值时，所述黑眼圈判断模型退出训练。

所述黑眼圈判断模块30用于：接收用户的测试集，基于非线性映射方法将所述测试集内的数据映射至高维空间，将所述映射完成的测试集进行方向梯度直方运算后输入至所述黑眼圈判断模型判断是否有黑眼圈，并输出结果。

上述数据接收模块10、模型训练模块20、黑眼圈判断模块30等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有黑眼圈智能判断程序，所述黑眼圈智能判断程序可被一个或多个处理器执行，以实现如下操作：

接收人脸图像集，所述人脸图像集通过标签集被划分为正样本集和负样本集，对所述正样本集和所述负样本集进行包括灰度化、二值化和降噪的预处理操作后，将所述预处理完成的正样本集和负样本集以及所述标签集输入至数据处理层；

接收预处理完成的人脸图像集，将所述标签集作为黑眼圈判断模型的损失函数的输入值，将所述正样本集和负样本集的数据进行方向梯度直方运算后，输入至所述黑眼圈判断模型的支持向量机模块，所述支持向量机模块对所述负样本集和所述正样本集进行初分类，并基于所述标签集提取所述初分类错误的数据输入至所述黑眼圈判断模型的卷积神经网络模块再训练，所述卷积神经网络模块进行训练后，输出训练标签集，并将所述训练标签输入至所述损失函数，所述损失函数结合所述训练标签集与所述标签集计算输出值，当所述输出值小于预设阈值时，所述黑眼圈判断模型退出训练；

接收用户的测试集，基于非线性映射方法将所述测试集内的数据映射至高维空间，将所述映射完成的测试集进行方向梯度直方运算后输入至所述黑眼圈判断模型判断是否有黑眼圈，并输出结果。

本发明计算机可读存储介质具体实施方式与上述黑眼圈智能判断装置和方法各实施例基本相同，在此不作累述。

需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种黑眼圈智能判断方法，其特征在于，所述方法包括：

数据接收层接收人脸图像集，所述人脸图像集通过标签集被划分为正样本集和负样本集，对所述正样本集和所述负样本集进行包括灰度化、二值化和降噪的预处理操作后，将所述预处理完成的正样本集和负样本集以及所述标签集输入至数据处理层；

数据处理层接收预处理完成的人脸图像集，将所述标签集作为黑眼圈判断模型的损失函数的输入值，将所述正样本集和负样本集的数据进行方向梯度直方运算后，输入至所述黑眼圈判断模型的支持向量机模块，所述支持向量机模块对所述负样本集和所述正样本集进行初分类，并基于所述标签集提取所述初分类错误的数据输入至所述黑眼圈判断模型的卷积神经网络模块再训练，所述卷积神经网络模块进行训练后，输出训练标签集，并将所述训练标签输入至所述损失函数，所述损失函数结合所述训练标签集与所述标签集计算输出值，当所述输出值小于预设阈值时，所述黑眼圈判断模型退出训练；

所述卷积神经网络模块包括输入层、卷积层、输出层；

所述卷积层包括卷积操作、池化操作与激活操作；

所述卷积操作为：

其中ω’为输出数据，ω为所述初分类错误的数据，k为卷积核的大小，s为卷积操作的步幅，p为数据补零矩阵；

所述支持向量机算法包括非线性映射和约束求解；

所述非线性映射为：

κ(x_i,x_j)＝<θ(x_i),θ(x_j)>

其中，<θ(x_i),θ(x_j)>表示所述方向梯度直方特征(x_i,x_j)非线性映射的内积计算，κ(x_i,x_j)为所述方向梯度直方特征(x_i,x_j)的非线性映射函数；

所述约束求解为:

其中，α_i≥0,i＝1,2,…m

其中，m为所述方向梯度直方特征的数量，α_i，α_j为所述约束求解的拉格朗日数乘因子，y_i，y_j为正负样本的标签，s.t为约束条件；

接收用户的测试集，基于非线性映射方法将所述测试集内的数据映射至高维空间，将映射完成的测试集进行方向梯度直方运算后输入至所述黑眼圈判断模型判断是否有黑眼圈，并输出结果。

2.如权利要求1所述的黑眼圈智能判断方法，其特征在于，所述正样本集内的数据是包括黑眼圈的人脸图像，所述负样本集内的数据是不包括黑眼圈的人脸图像。

3.如权利要求1或2所述的黑眼圈智能判断方法，其特征在于，所述降噪是基于自适应图像降噪滤波法对黑白格式数据进行降噪处理，所述自适应图像降噪滤波法为：

g(x,y)＝η(x,y)+f(x,y)

其中，(x,y)表示图像像素点坐标，f(x,y)为基于自适应图像降噪滤波法对所述正样本集和所述负样本集进行降噪处理后的输出数据，η(x,y)为噪声，g(x,y)为所述正样本集和所述负样本集，

为所述正样本集和所述负样本集的噪声总方差，

为所述(x,y)的像素灰度均值，

为所述(x,y)的像素灰度方差，L表示当前像素点坐标。

4.如权利要求1所述的黑眼圈智能判断方法，其特征在于，所述激活操作为：

其中y为所述激活操作的输出值，e为无限不循环小数。

5.一种黑眼圈智能判断装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的黑眼圈智能判断程序，所述黑眼圈智能判断程序被所述处理器执行时实现如下步骤：

数据接收层接收人脸图像集，所述人脸图像集通过标签集被划分为正样本集和负样本集，对所述正样本集和所述负样本集进行包括灰度化、二值化和降噪的预处理操作后，将所述预处理完成的正样本集和负样本集以及所述标签集输入至数据处理层；

数据处理层接收预处理完成的人脸图像集，将所述标签集作为黑眼圈判断模型的损失函数的输入值，将所述正样本集和负样本集的数据进行方向梯度直方运算后，输入至所述黑眼圈判断模型的支持向量机模块，所述支持向量机模块对所述负样本集和所述正样本集进行初分类，并基于所述标签集提取所述初分类错误的数据输入至所述黑眼圈判断模型的卷积神经网络模块再训练，所述卷积神经网络模块进行训练后，输出训练标签集，并将所述训练标签输入至所述损失函数，所述损失函数结合所述训练标签集与所述标签集计算输出值，当所述输出值小于预设阈值时，所述黑眼圈判断模型退出训练；

所述卷积神经网络模块包括输入层、卷积层、输出层；

所述卷积层包括卷积操作、池化操作与激活操作；

所述卷积操作为：

其中ω’为输出数据，ω为所述初分类错误的数据，k为卷积核的大小，s为卷积操作的步幅，p为数据补零矩阵；

所述支持向量机算法包括非线性映射和约束求解；

所述非线性映射为：

κ(x_i,x_j)＝<θ(x_i),θ(x_j)>

其中，<θ(x_i),θ(x_j)>表示所述方向梯度直方特征(x_i,x_j)非线性映射的内积计算，κ(x_i,x_j)为所述方向梯度直方特征(x_i,x_j)的非线性映射函数；

所述约束求解为:

其中，α_i≥0,i＝1,2,…m

其中，m为所述方向梯度直方特征的数量，α_i，α_j为所述约束求解的拉格朗日数乘因子，y_i，y_j为正负样本的标签，s.t为约束条件；

接收用户的测试集，基于非线性映射方法将所述测试集内的数据映射至高维空间，将映射完成的测试集进行方向梯度直方运算后输入至所述黑眼圈判断模型判断是否有黑眼圈，并输出结果。

6.如权利要求5所述的黑眼圈智能判断装置，其特征在于，所述正样本集内的数据是包括黑眼圈的人脸图像，所述负样本集内的数据是不包括黑眼圈的人脸图像。

7.如权利要求5或6所述的黑眼圈智能判断装置，其特征在于，所述降噪是基于自适应图像降噪滤波法对黑白格式数据进行降噪处理，所述自适应图像降噪滤波法为：

g(x,y)＝η(x,y)+f(x,y)

其中，(x,y)表示图像像素点坐标，f(x,y)为基于自适应图像降噪滤波法对所述正样本集和所述负样本集进行降噪处理后的输出数据，v(x,y)为噪声，g(x,y)为所述正样本集和所述负样本集，

为所述正样本集和所述负样本集的噪声总方差，

为所述(x,y)的像素灰度均值，

为所述(x,y)的像素灰度方差，L表示当前像素点坐标。

8.如权利要求5所述的黑眼圈智能判断装置，其特征在于，所述激活操作为：

其中y为所述激活操作的输出值，e为无限不循环小数。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有黑眼圈智能判断程序，所述黑眼圈智能判断程序可被一个或者多个处理器执行，以实现如权利要求1至4中任一项所述的黑眼圈智能判断方法的步骤。

Images