CN116977464A - 人脸皮肤敏感度的检测方法、***、设备及介质 - Google Patents

Abstract

本申请公开了一种人脸皮肤敏感度的检测方法、***、设备及介质，其中，该人脸皮肤敏感度的检测方法包括：获取待识别图像；基于待识别图像，分割出脸部皮肤区域图像；对脸部皮肤区域图像进行计算处理，获得敏感度灰度图；基于敏感度灰度图，计算敏感区域数据，用于输出敏感区结果；和/或，对敏感度灰度图进行渲染，生成红区图；采用增强算法增强红区图的红区区分度，用于输出敏感区结果。该方法有效地突出敏感区域，提高了对敏感区域检测的准确性和可靠性。

Description

人脸皮肤敏感度的检测方法、***、设备及介质

技术领域

本申请涉及图像处理以及皮肤检测领域，尤其涉及一种人脸皮肤敏感度的检测方法、***、设备及介质。

背景技术

随着人们对生活质量的需求不断提高，对皮肤护理和修复的关注度也逐渐上升。同时，受敏感性皮肤困扰的用户数量日渐增长。

医学领域对皮肤敏感度的定义是皮肤比较敏感，容易有炎症等疾病。而在图像处理领域，敏感度表现就是越敏感的区域位置，颜色会越红。所以，检测敏感区域以及其严重程度，本质是要去提取出图片中的红色的值，并且把它分离和增强，最终通过专业的渲染表达出来。

因此，如何提高对敏感区域检测的准确性是目前亟待解决的技术问题。

发明内容

本申请实施例提供一种人脸皮肤敏感度的检测方法、***、设备及介质，以解决或部分解决如何提高对敏感区域检测的准确性的问题。

一种人脸皮肤敏感度的检测方法，包括：

获取待识别图像；

基于待识别图像，分割出脸部皮肤区域图像；

对脸部皮肤区域图像进行计算处理，获得敏感度灰度图；

基于敏感度灰度图，计算敏感区域数据，用于输出敏感区结果；

和/或，对敏感度灰度图进行渲染，用于生成红区图，采用增强算法增强红区图的红区区分度，用于输出敏感区结果。

本申请在一较佳示例中可以进一步配置为：基于敏感度灰度图，计算敏感区域数据，用于输出敏感区结果，包括：

获取敏感像素阈值；

将敏感度灰度图的实际像素值与敏感像素阈值进行比对，获得像素比对结果；

基于像素比对结果，计算出敏感区域数据，用于输出敏感区结果。

本申请在一较佳示例中可以进一步配置为：敏感区域数据包括敏感程度；

基于像素比对结果，计算出敏感区域数据，包括：

基于像素比对结果，对实际像素值小于敏感像素阈值的像素值进行累加，得到敏感像素值之和；

基于像素比对结果，统计实际像素值小于敏感像素阈值的敏感像素数；

基于敏感像素数和敏感像素值之和，计算出敏感程度，用于输出敏感区结果。

本申请在一较佳示例中可以进一步配置为：敏感区域数据还包括敏感面积占比；

在统计实际像素值小于敏感像素阈值的敏感像素数之后，包括：

获得敏感度灰度图的整体像素数；

基于整体像素数和敏感像素数，计算出敏感面积占比，用于输出敏感区结果。

本申请在一较佳示例中可以进一步配置为：对敏感度灰度图进行渲染，用于生成红区图，包括：

获取目标基准颜色值，将目标基准颜色值对应的RGB值转化为HSV颜色模型；

基于敏感度灰度图，采用HSV颜色模型填充得到HSV纯色图；

获取HSV纯色图预设通道赋值，基于HSV纯色图预设通道赋值，调整HSV纯色图的当前通道赋值，用于得到红区图。

本申请在一较佳示例中可以进一步配置为：在采用HSV颜色模型填充得到HSV纯色图之前，包括：

采用对比度增强算法对敏感度灰度图进行增强，用于增强敏感度灰度图的颜色区分度。

本申请在一较佳示例中可以进一步配置为：采用增强算法增强红区图的红区区分度，用于输出敏感区结果，包括：

将红区图分离为b通道、g通道和r通道；

采用三角函数分别对b通道、g通道和r通道进行运算，得到b通道运算结果、g通道运算结果和r通道运算结果；

将b通道运算结果、g通道运算结果和r通道运算结果进行合并，得到增强红区图，用于输出敏感区结果。

本申请目的二是提供一种人脸皮肤敏感度的检测***。

本申请的上述申请目的二是通过以下技术方案得以实现的：

一种人脸皮肤敏感度的检测***，包括：

获取图像模块，用于获取待识别图像；

分割皮肤区域模块，用于基于待识别图像，分割出脸部皮肤区域图像；

获得敏感度灰度图模块，用于对脸部皮肤区域图像进行计算处理，获得敏感度灰度图；

计算敏感区域数据模块，用于基于敏感度灰度图，计算敏感区域数据，用于输出敏感区结果；

和/或，生成红区图并增强红区区分度模块，用于对敏感度灰度图进行渲染，用于生成红区图，采用增强算法增强红区图的红区区分度，用于输出敏感区结果。

本申请目的三是提供一种电子设备。

本申请的上述申请目的三是通过以下技术方案得以实现的：

一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述人脸皮肤敏感度的检测方法。

一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述人脸皮肤敏感度的检测方法。

综上，本申请包括以下有益技术效果：

上述人脸皮肤敏感度的检测方法，通过待识别图像分割出脸部皮肤区域图像，根据该脸部皮肤区域图像计算出敏感度灰度图，然后基于敏感度灰度图计算出敏感区域数据，进而输出敏感区结果。和/或，基于敏感度灰度图生成红区图，然后采用增强算法增强红区图的红区区分度，进而输出敏感区结果。该方法有效地突出敏感区域，提高了对敏感区域检测的准确性和可靠性。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1绘示本申请一实施例中人脸皮肤敏感度的检测方法的流程图；

图2绘示本申请一实施例中人脸皮肤敏感度的检测方法的普通敏感度灰度图；

图3绘示本申请一实施例中人脸皮肤敏感度的检测方法的敏感度灰度图；

图4绘示本申请一实施例中人脸皮肤敏感度的检测方法的红区图；

图5绘示本申请一实施例中人脸皮肤敏感度的检测方法的增强红区图；

图6绘示本申请一实施例中人脸皮肤敏感度的检测方法的整体流程图；

图7绘示本申请一实施例中人脸皮肤敏感度的检测方法的三角函数tanh的曲线图；

图8绘示本申请一实施例中人脸皮肤敏感度的检测***的示意图；

图9绘示本申请一实施例中电子设备的示意图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似改进，因此本申请不受下面公开的具体实施例的限制。

本申请以下实施例中所使用的术语只是为了描述特定实施例的目的，而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样，单数表达形式“一个”“一种”“所述”“上述”“该”和“这一”旨在也包括复数表达形式，除非其上下文中明确地有相反指示。还应当理解，本申请中使用的术语“和/或”是指并包含一个或多个所列出项目的任何或所有可能组合。

为了便于理解，下面先对本申请实施例涉及的相关术语及相关概念进行介绍。

HSV(HueSaturationValue)是根据颜色的直观特性创建的一种颜色空间，也称六角锥体模型(HexconeModel)。这个模型中颜色的参数分别是色调(H)、饱和度(S)和明度(V)。

其中，色调H用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°，蓝色为240°。它们的补色是：黄色为60°，青色为180°，紫色为300°。饱和度S表示颜色接近光谱色的程度。一种颜色，可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。饱和度高，颜色则深而艳。光谱色的白光成分为0，饱和度达到最高。通常取值范围为0％～100％，值越大，颜色越饱和。明度V表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关；对于物体色，此值和物体的透射比或反射比有关，通常取值范围为0％(黑)到100％(白)。

RGB(redgreenblue)是工业界的一种颜色标准，是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是目前运用最广的颜色***之一。

HSV颜色模型的三维表示从RGB立方体演化而来。设想从RGB沿立方体对角线的白色顶点向黑色顶点观察，就可以看到立方体的六边形外形。六边形边界表示色彩，水平轴表示纯度，明度沿垂直轴测量。

下面结合说明书附图对本申请实施例作进一步详细描述。

本申请实施例提供一种人脸皮肤敏感度的检测方法，方法的主要流程描述如下：

参照图1，S10、获取待识别图像。

具体地，本实施例可以采用图像拍摄设备近距离拍摄人脸皮肤，获取待识别图像，然后对该待识别图像进行识别，其中，光源没有特别要求，尽量是在自然光下，避免很明显的反光。本实施例还可以通过***数据库中预先输入待识别图像，然后在分析处理的过程中，直接从该***数据库获取待识别图像。

由于脸部皮肤不是平坦的，而且，脸上存在或多或少的分泌物，以及一些光照和成像的原因造成了待识别图像亮度不均匀，特别是在脸部突出的部分出现亮光，凹陷的地方像素较暗，这些对后面的检测带来一定的影响，因此，在获取待识别图像之后可以先对其进行预处理。

其中，预处理主要是尽量地消除光照不均匀等影响，使得待识别图像的像素的亮度一样。

本实施例中，由于待识别图像的像素范围较小，所以消除光照、去除高光的方法主要采用同态滤波。同态滤波是将待识别图像视为照明分量和反射分量的乘积，照明分量频谱主要在低频段，反射分量频谱集中在高频段，进而反映图像的细节。将二者的乘法组合通过对数处理变成加法运算组合，然后进行傅里叶频域变换，再设计合适的滤波器，使得低频成分削弱，高频分量增强，达到克服非均匀光照，压缩动态范围与增强对比度的目的。

步骤S10的作用在于多方式获取待识别图像，提高了待识别图像获取的可靠性、真实性和准确性。

S20、基于待识别图像，分割出脸部皮肤区域图像。

具体地，本实施例中采用颜色匹配法或者深度学习实例分割法对待识别图像的脸部皮肤区域图像进行分割，应知道的是，分割待识别图像中的脸部皮肤区域图像的方法有多种，本实施例中仅讲述了其中两种方法。需要说明的是，嘴唇部分一般会保留，因为嘴唇是红色的，保留嘴唇部分有利于人脸皮肤敏感度的检测的专业性和可靠性。

其中，颜色匹配法是先将待识别图像的颜色值转到HSV颜色空间，再设定一个与皮肤颜色相近的颜色区间，然后使用openCV的inRange方法做颜色区间的匹配，进而得到一个掩码图，再用该掩码图和原来的待识别图像做“与”操作，进而分割出脸部皮肤区域图像。

深度学习实例分割法是通过实例分割模型进行定制训练，具体操作为准备一批人脸图片，然后用标注工具对该人脸图片中的脸部皮肤的边缘进行圈定。除了皮肤，本实施例还可以圈定眼睛、头发等人脸特征，形成实例分割的样本集，然后利用该样本集训练出预测模型，再使用该预测模型对待识别图像进行预测，进而得到分割后的脸部皮肤区域图像。

步骤S20的作用在于便于在后续检测过程中对待识别图像中的有效部分进行提取，提高了人脸皮肤敏感度的检测的准确性和可靠性。

S30、对脸部皮肤区域图像进行计算处理，获得敏感度灰度图。

具体地，本实施例采用敏感度灰度图计算公式对脸部皮肤区域图像进行计算处理，获得敏感度灰度图。该敏感度灰度图实现了增强红色区(即敏感区)，最明显的对比就是如图2所示的普通敏感度灰度图中用户的下巴有个黑痣，此时该黑痣颜色很深，而在本实施例如图3所示的敏感度灰度图中基本不见了。而再比对用户的嘴唇和痘痘等红色区域，在如图2所示的普通灰度图中并不明显，而在如图3所示的敏感度灰度图中，颜色最深，说明敏感度灰度图有效地表达了皮肤的敏感度。

其中，敏感度灰度图计算公式为：

x1＝(r1-g1)/r1，

x2＝a*x1，

x3＝r1/b1，

x4＝x1*x2*x3，

result＝bitwise_not(x4)。

其中，a为给定参数，b1，g1，r1是脸部皮肤区域图像的3个通道，a可取值为0.5-1，优选a为0.7，b1可取值为0.5-1，优选b为0.7，bitwise_not是按位取反的函数，根据result步骤得到结果图，即敏感度灰度图，如图3所示。

步骤S30的作用在于敏感度灰度图有效地表达了皮肤的敏感度，提高了人脸皮肤敏感度的检测的可靠性。

S40、基于敏感度灰度图，计算敏感区域数据，用于输出敏感区结果。

具体地，本实施例对敏感度灰度图的像素数据进行提取，并获取预先存储至***数据库中的敏感像素阈值，将敏感度灰度图的实际像素值与敏感像素阈值进行比对，获得像素比对结果。再根据该像素比对结果，计算出敏感区域数据，进而输出敏感区域信息和敏感区域图片，即敏感区结果。

其中，敏感区域数据包括敏感程度和敏感面积占比。

步骤S40的作用在于提高了人脸皮肤敏感度的检测的准确性。

S50、对敏感度灰度图进行渲染，用于生成红区图，采用增强算法增强红区图的红区区分度，用于输出敏感区结果。

具体地，本实施例采用红区图渲染算法将敏感度灰度图渲染成一种红色的图片，即红区图。具体地，本实施例获取预先输入至***数据库中的目标基准颜色值，将目标基准颜色值对应的RGB值转化为HSV颜色模型。本实施例再根据敏感度灰度图，采用HSV颜色模型填充得到HSV纯色图。然后根据预先输入至***数据库的预设通道赋值，调整HSV纯色图的当前通道赋值，进而得到如图4所示的红区图。

进一步地，本实施例采用增强算法增强红区图的红区区分度，具体地，本实施例中的增强算法是将红区图分离为b通道、g通道和r通道。然后本实施例采用三角函数分别对b通道、g通道和r通道进行运算，得到b通道运算结果、g通道运算结果和r通道运算结果。再将b通道运算结果、g通道运算结果和r通道运算结果进行合并，得到如图5所示的增强红区图，进而在显示终端输出敏感区结果。

步骤S50的作用在于有效地表达了皮肤的敏感度，提高了人脸皮肤敏感度的检测的专业性。

上述人脸皮肤敏感度的检测方法，通过待识别图像分割出脸部皮肤区域图像，根据该脸部皮肤区域图像计算出敏感度灰度图，然后基于敏感度灰度图计算出敏感区域数据，进而输出敏感区结果。和/或，基于敏感度灰度图生成红区图，然后采用增强算法增强红区图的红区区分度，进而输出敏感区结果。该方法有效地突出敏感区域，提高了对敏感区域检测的专业性、准确性和可靠性。

请参阅图6，在一些可能的实施例中，步骤S40，即基于敏感度灰度图，计算敏感区域数据，用于输出敏感区结果，包括：

S41、获取敏感像素阈值。

S42、将敏感度灰度图的实际像素值与敏感像素阈值进行比对，获得像素比对结果。

S43、基于像素比对结果，计算出敏感区域数据，用于输出敏感区结果。

其中，敏感像素阈值是预先存储至***数据库中的数据信息。

具体地，本实施例利用像素分析工具获取敏感度灰度图的实际像素值，然后将敏感度灰度图的实际像素值与敏感像素阈值进行比对，获得像素比对结果。其中，像素比对结果包括实际像素值小于敏感像素阈值的像素值和敏感像素数。

步骤S41至步骤S43的作用在于可以对敏感度进行量化度量，提高了对敏感区域检测的准确性和可靠性。

在一些可能的实施例中，敏感区域数据包括敏感程度。

步骤S43，即基于像素比对结果，计算出敏感区域数据，包括：

S431、基于像素比对结果，对实际像素值小于敏感像素阈值的像素值进行累加，得到敏感像素值之和。

S432、基于像素比对结果，统计实际像素值小于敏感像素阈值的敏感像素数。

S433、基于敏感像素数和敏感像素值之和，计算出敏感程度，用于输出敏感区结果。

具体地，本实施例对实际像素值小于敏感像素阈值的像素值进行累加，得到敏感像素值之和，并统计实际像素值小于敏感像素阈值的敏感像素数，然后利用敏感程度计算公式，即敏感程度＝敏感像素值之和/敏感像素数，得到敏感程度，进而在显示终端输出敏感区结果。

步骤S431至步骤S433的作用在于可以对敏感度进行量化度量，提高了对敏感区域检测的准确性和可靠性。

在一些可能的实施例中，敏感区域数据还包括敏感面积占比。

在步骤S432之后，即在统计实际像素值小于敏感像素阈值的敏感像素数之后，包括：

S434、获得敏感度灰度图的整体像素数。

S435、基于整体像素数和敏感像素数，计算出敏感面积占比，用于输出敏感区结果。

具体地，本实施例利用像素分析工具获得敏感度灰度图的整体像素数，然后通过敏感面积占比计算公式，即敏感面积占比＝敏感像素数/整体像素数，得到敏感面积占比，进而在显示终端输出敏感区结果。

步骤S434和步骤S435的作用在于可以对敏感度进行量化度量，提高了对敏感区域检测的准确性和可靠性。

在一些可能的实施例中，步骤S50，即对敏感度灰度图进行渲染，用于生成红区图，包括：

S51、获取目标基准颜色值，将目标基准颜色值对应的RGB值转化为HSV颜色模型。

S52、基于敏感度灰度图，采用HSV颜色模型填充得到HSV纯色图。

S53、获取HSV纯色图预设通道赋值，基于HSV纯色图预设通道赋值，调整HSV纯色图的当前通道赋值，用于得到红区图。

具体地，本实施预先在***数据库设置一个目标基准颜色值，该目标基准颜色值是一个红色的颜色值，不必要是纯红色，例如，本实施例中将目标基准颜色值对应的RGB值设置为RGB[255，3，26]，应知道的是，该目标基准颜色值也可以设置为其他值。然后，本实施例将该RGB值转化为HSV颜色模型，再输入敏感度灰度图，然后使用HSV颜色模型填充一副长宽和敏感度灰度图一样的图片，即HSV纯色图。

本实施例获取HSV纯色图预设通道赋值，根据该HSV纯色图预设通道赋值改变HSV纯色图的当前通道赋值，比如，改变HSV纯色图的当前S通道赋值，使其值为255-对应像素的灰度值，改变HSV纯色图的当前V通道赋值，统一赋值为255。然后，把当前通道赋值调整后的HSV纯色图转化为RGB图片，并保存，得到如图4所示的红区图，可以看到的是，该红区图给图3中的敏感度灰度图“上红色”了，敏感度灰度图中颜色越深的地方红区图中显示的越红，即越敏感的地方表现得越红。

步骤S51至步骤S53的作用在于有效地表达了皮肤的敏感度，提高了人脸皮肤敏感度的检测的专业性。

在一些可能的实施例中，在步骤S52之前，即在采用HSV颜色模型填充得到HSV纯色图之前，包括：

S54、采用对比度增强算法对敏感度灰度图进行增强，用于增强敏感度灰度图的颜色区分度。

其中，本实施例中的对比度增强算法采用的是CLAHE增强算法，即限制对比度自适应直方图均衡化算法。限制对比度自适应直方图均衡化算法由HE算法(灰度直方图均衡算法)演变而来，由于HE算法是对图像的直方图进行整体性拉伸，对图像局部增强效果作用不大，比较适合像素值分配均匀的低照度图像。因此在HE算法基础上，自适应直方图均衡化算法(AHE)被提出，AHE算法是通过计算图像的局部区域直方图达到改变图像亮度和对比度的一种算法，但是在计算过程中会出现放大噪声的问题。于是CLAHE算法随后被提出，其在AHE算法的基础上，对每个区域的直方图进行了限制，有效地克服AHE算法的不足。

CLAHE算法的目的是改善图像局部对比度，抑制噪声放大。从MATLAB2007a开始，提供了一个adapthistep函数来实现CLAHE方法，它首先对图像的局部块进行直方图均衡化，再采用双线性插值方法将每个小块组合起来，在灰度均匀分布区域可以有效地消除边界。

步骤S54的作用在于提高了敏感度灰度图的颜色区分度。

在一些可能的实施例中，步骤S50，即采用增强算法增强红区图的红区区分度，用于输出敏感区结果，包括：

S55、将红区图分离为b通道、g通道和r通道。

S56、采用三角函数分别对b通道、g通道和r通道进行运算，得到b通道运算结果、g通道运算结果和r通道运算结果。

S57、将b通道运算结果、g通道运算结果和r通道运算结果进行合并，得到增强红区图，用于输出敏感区结果。

具体地，本实施例将红区图作为输入图片，然后将该红区图分离为b，g，r三个通道，采用三角函数tanh分别对b通道、g通道和r通道进行运算，得到如图7所示的三角函数曲线。然后将该曲线中各自得到的通道运算结果进行合并，最后输出，得到图5所示的增强红区图。本实施例中可以看到增强红区图把敏感区域保留，而非敏感区域则变成了底衬颜色，有效地突出敏感区域。

步骤S55至步骤S57的作用在于增强红区图将红色的区域变的更红，而普通皮肤部分则直接变成一个底衬颜色，拉开颜色对比度，直接割勒出敏感区域，提高了敏感区的颜色区分度。

本申请另一实施例，公开了一种人脸皮肤敏感度的检测***。

参照图8，人脸皮肤敏感度的检测***包括：

获取图像模块10，用于获取待识别图像。

分割皮肤区域模块20，用于基于待识别图像，分割出脸部皮肤区域图像。

获得敏感度灰度图模块30，用于对脸部皮肤区域图像进行计算处理，获得敏感度灰度图。

计算敏感区域数据模块40，用于基于敏感度灰度图，计算敏感区域数据，用于输出敏感区结果。

和/或，生成红区图并增强红区区分度模块50，用于对敏感度灰度图进行渲染，用于生成红区图，采用增强算法增强红区图的红区区分度，用于输出敏感区结果。

进一步地，如图8所示，计算敏感区域数据模块40，包括：

获取像素阈值子模块41，用于获取敏感像素阈值。

获得像素比对结果子模块42，用于将敏感度灰度图的实际像素值与敏感像素阈值进行比对，获得像素比对结果。

计算敏感区域数据子模块43，用于基于像素比对结果，计算出敏感区域数据，用于输出敏感区结果。

进一步地，如图8所示，计算敏感区域数据子模块43，包括：

获得敏感像素值之和单元431，用于基于像素比对结果，对实际像素值小于敏感像素阈值的像素值进行累加，得到敏感像素值之和。

统计敏感像素数单元432，用于基于像素比对结果，统计实际像素值小于敏感像素阈值的敏感像素数。

计算敏感程度单元433，用于基于敏感像素数和敏感像素值之和，计算出敏感程度，用于输出敏感区结果。

进一步地，如图8所示，计算敏感区域数据子模块43，包括：

获得整体像素数单元434，用于获得敏感度灰度图的整体像素数。

计算敏感面积占比单元435，用于基于整体像素数和敏感像素数，计算出敏感面积占比，用于输出敏感区结果。

进一步地，如图8所示，生成红区图并增强红区区分度模块50，包括：

转化颜色模型子模块51，用于获取目标基准颜色值，将目标基准颜色值对应的RGB值转化为HSV颜色模型。

获得HSV纯色图子模块52，用于基于敏感度灰度图，采用HSV颜色模型填充得到HSV纯色图。

调整当前通道赋值子模块53，用于获取HSV纯色图预设通道赋值，基于HSV纯色图预设通道赋值，调整HSV纯色图的当前通道赋值，用于得到红区图。

进一步地，如图8所示，生成红区图并增强红区区分度模块50，包括：

增强颜色区分度子模块54，用于采用对比度增强算法对敏感度灰度图进行增强，用于增强敏感度灰度图的颜色区分度。

进一步地，如图8所示，生成红区图并增强红区区分度模块50，包括：

分离红区图通道子模块55，用于将红区图分离为b通道、g通道和r通道。

获得通道运算结果子模块56，用于采用三角函数分别对b通道、g通道和r通道进行运算，得到b通道运算结果、g通道运算结果和r通道运算结果。

获得增强红区图子模块57，用于将b通道运算结果、g通道运算结果和r通道运算结果进行合并，得到增强红区图，用于输出敏感区结果。

本实施例提供的人脸皮肤敏感度的检测***，由于其各模块本身的功能及彼此之间的逻辑连接，能实现前述实施例的各个步骤，因此能够达到与前述实施例相同的技术效果，原理分析可参见前述人脸皮肤敏感度的检测方法的步骤的相关描述，在此不再赘述。

关于人脸皮肤敏感度的检测***的具体限定可以参见上文中对于人脸皮肤敏感度的检测方法的限定，在此不再赘述。上述人脸皮肤敏感度的检测***中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于设备中的处理器中，也可以以软件形式存储于设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一实施例中，提供一种电子设备，该电子设备可以是监控终端，其内部结构图可以如图9所示。该电子设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性介质、内存储器。该非易失性介质存储有操作***、计算机程序和数据库。该内存储器为非易失性介质中的操作***和计算机程序的运行提供环境。该电子设备的数据库用于存储人脸皮肤敏感度的检测方法中需保存的数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人脸皮肤敏感度的检测方法。

在一实施例中，提供一种电子设备，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，处理器执行计算机程序时实现上述实施例人脸皮肤敏感度的检测方法，例如图1所示步骤S10至步骤S50。或者，处理器执行计算机程序时实现上述实施例中人脸皮肤敏感度的检测***的各模块/单元的功能，例如图8所示模块10至模块50的功能。为避免重复，此处不再赘述。

在一实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述实施例人脸皮肤敏感度的检测方法，或者，该计算机程序被处理器执行时实现上述***实施例中人脸皮肤敏感度的检测***中各模块/单元的功能。为避免重复，此处不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其他介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)，以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将***的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种人脸皮肤敏感度的检测方法，其特征在于，包括：

获取待识别图像；

基于所述待识别图像，分割出脸部皮肤区域图像；

对所述脸部皮肤区域图像进行计算处理，获得敏感度灰度图；

基于所述敏感度灰度图，计算敏感区域数据，用于输出敏感区结果；

和/或，对所述敏感度灰度图进行渲染，用于生成红区图，采用增强算法增强所述红区图的红区区分度，用于输出敏感区结果。

2.根据权利要求1所述的一种人脸皮肤敏感度的检测方法，其特征在于，所述基于所述敏感度灰度图，计算敏感区域数据，用于输出敏感区结果，包括：

获取敏感像素阈值；

将所述敏感度灰度图的实际像素值与所述敏感像素阈值进行比对，获得像素比对结果；

基于所述像素比对结果，计算出敏感区域数据，用于输出敏感区结果。

3.根据权利要求2所述的一种人脸皮肤敏感度的检测方法，其特征在于，所述敏感区域数据包括敏感程度；

所述基于所述像素比对结果，计算出敏感区域数据，包括：

基于所述像素比对结果，对所述实际像素值小于所述敏感像素阈值的像素值进行累加，得到敏感像素值之和；

基于所述像素比对结果，统计所述实际像素值小于所述敏感像素阈值的敏感像素数；

基于所述敏感像素数和所述敏感像素值之和，计算出所述敏感程度，用于输出敏感区结果。

4.根据权利要求3所述的一种人脸皮肤敏感度的检测方法，其特征在于，所述敏感区域数据还包括敏感面积占比；

在所述统计所述实际像素值小于所述敏感像素阈值的敏感像素数之后，包括：

获得所述敏感度灰度图的整体像素数；

基于所述整体像素数和所述敏感像素数，计算出所述敏感面积占比，用于输出敏感区结果。

5.根据权利要求1所述的一种人脸皮肤敏感度的检测方法，其特征在于，所述对所述敏感度灰度图进行渲染，用于生成红区图，包括：

获取目标基准颜色值，将所述目标基准颜色值对应的RGB值转化为HSV颜色模型；

基于所述敏感度灰度图，采用所述HSV颜色模型填充得到HSV纯色图；

获取HSV纯色图预设通道赋值，基于所述HSV纯色图预设通道赋值，调整所述HSV纯色图的当前通道赋值，用于得到所述红区图。

6.根据权利要求5所述的一种人脸皮肤敏感度的检测方法，其特征在于，在所述采用所述HSV颜色模型填充得到HSV纯色图之前，包括：

采用对比度增强算法对所述敏感度灰度图进行增强，用于增强所述敏感度灰度图的颜色区分度。

7.根据权利要求1所述的一种人脸皮肤敏感度的检测方法，其特征在于，所述采用增强算法增强所述红区图的红区区分度，用于输出敏感区结果，包括：

将所述红区图分离为b通道、g通道和r通道；

采用三角函数分别对所述b通道、所述g通道和所述r通道进行运算，得到b通道运算结果、g通道运算结果和r通道运算结果；

将所述b通道运算结果、所述g通道运算结果和所述r通道运算结果进行合并，得到增强红区图，用于输出所述敏感区结果。

8.一种人脸皮肤敏感度的检测***，其特征在于，包括：

获取图像模块，用于获取待识别图像；

分割皮肤区域模块，用于基于所述待识别图像，分割出脸部皮肤区域图像；

获得敏感度灰度图模块，用于对所述脸部皮肤区域图像进行计算处理，获得敏感度灰度图；

计算敏感区域数据模块，用于基于所述敏感度灰度图，计算敏感区域数据，用于输出敏感区结果；

和/或，生成红区图并增强红区区分度模块，用于对所述敏感度灰度图进行渲染，用于生成红区图，采用增强算法增强所述红区图的红区区分度，用于输出敏感区结果。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任一项所述人脸皮肤敏感度的检测方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述人脸皮肤敏感度的检测方法。