一种脱发类型的确定方法和装置制造方法及图纸

本发明专利技术公开了一种脱发类型的确定方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取目标图像，对目标图像中的目标头部进行标注处理，得到目标头部的区域图像；对目标头部的区域图像进行分割处理，得到目标头部对应的头发的掩膜图像；将目标头部的区域图像和头发的掩膜图像输入孪生网络模型，进行分类处理，根据分类处理结果确定目标头部对应的脱发类型；其中，孪生网络模型是根据脱发头部的区域图像和脱发头部对应的头发的掩膜图像进行训练得到的。该实施方式提高了脱发类型确定的准确率和效率，降低了对目标图像的要求，节约了人力资源成本，提升了用户体验。提升了用户体验。提升了用户体验。

【技术实现步骤摘要】
一种脱发类型的确定方法和装置


[0001]本专利技术涉及计算机
，尤其涉及一种脱发类型的确定方法和装置。

技术介绍

[0002]脱发是指头发非正常掉落，造成头发稀疏或形成秃发斑的现象。遗传因素、年龄增长、精神压力过大、内分泌失调、服用某些药物等因素都可能导致脱发的发生。现有的脱发类型的确定方法主要是通过对输入图片采用人工计算及判断、或者交互式分割检测的方法，识别出图片中脱发所在的区域，计算脱发的面积，判断脱发的程度，做出相应的归类参考和推荐策略等。
[0003]在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：
[0004]现有方法中脱发类型的判断耗费大量人力资源，且脱发类型及脱发程度的判断准确率低，用户体验差，对目标图像的要求高，脱发类型确定效率低等技术问题。

技术实现思路

[0005]有鉴于此，本专利技术实施例提供一种脱发类型的确定方法和装置，能够提高脱发类型确定的准确率和效率，降低对目标图像的要求，节约人力资源成本，提升用户体验。
[0006]为实现上述目的，根据本专利技术实施例的第一方面，提供了一种脱发类型的确定方法，包括：
[0007]获取目标图像，对目标图像中的目标头部进行标注处理，得到目标头部的区域图像；
[0008]对目标头部的区域图像进行分割处理，得到目标头部对应的头发的掩膜图像；
[0009]将目标头部的区域图像和头发的掩膜图像输入孪生网络模型，进行分类处理，根据分类处理结果确定目标头部对应的脱发类型；其中，孪生网络模型是根据脱发头部的区域图像和脱发头部对应的头发的掩膜图像进行训练得到的。
[0010]进一步地，在对目标图像中的目标头部进行标注处理，得到目标头部的区域图像的步骤之后，方法还包括：
[0011]获取多个训练图像，分别对多个训练图像中的头部进行标注处理，得到多个由头部区域图像和非头部区域图像构成的二值化图像，基于多个二值化图像构建第一二分类模型；
[0012]利用第一二分类模型和第一阈值对目标头部的区域图像进行过滤处理。
[0013]进一步地，在对目标头部的区域图像进行分割处理，得到目标头部对应的头发的掩膜图像的步骤之前，方法还包括：
[0014]获取未脱发头部的图像和脱发头部的图像，以未脱发头部的图像和脱发头部的图像为训练样本，构建第二二分类模型；
[0015]利用第二二分类模型对目标头部的区域图像进行分类处理，根据分类处理结果和第二阈值判断并确定目标头部存在脱发。
[0016]进一步地，将目标头部的区域图像和头发的掩膜图像输入孪生网络模型，进行分类处理的步骤还包括：
[0017]利用孪生网络模型分别对目标头部的区域图像和头发的掩膜图像进行特征提取，得到目标头部的区域图像对应的第一特征向量和头发的掩膜图像对应的第二特征向量，将第一特征向量和第二特征向量进行加权处理，再置入孪生网络模型的全连接层中进行分类处理。
[0018]进一步地，将第一特征向量和第二特征向量进行加权处理的步骤包括：
[0019]分别为第一特征向量和第二特征向量设置权重系数，根据权重系数将第一特征向量和第二特征向量进行加权处理。
[0020]进一步地，孪生网络模型的输出层包括多个输出节点，每个输出节点对应一个脱发等级；方法还包括：
[0021]根据分类处理结果对应的输出节点确定目标头部对应的脱发等级。
[0022]根据本专利技术实施例的第二方面，提供了一种脱发类型的确定装置，包括：
[0023]标注处理模块，用于获取目标图像，对目标图像中的目标头部进行标注处理，得到目标头部的区域图像；
[0024]分割处理模块，用于对目标头部的区域图像进行分割处理，得到目标头部对应的头发的掩膜图像；
[0025]脱发类型确定模块，用于将目标头部的区域图像和头发的掩膜图像输入孪生网络模型，进行分类处理，根据分类处理结果确定目标头部对应的脱发类型；其中，孪生网络模型是根据脱发头部的区域图像和脱发头部对应的头发的掩膜图像进行训练得到的。
[0026]进一步地，脱发类型确定模块还用于：
[0027]利用孪生网络模型分别对目标头部的区域图像和头发的掩膜图像进行特征提取，得到目标头部的区域图像对应的第一特征向量和头发的掩膜图像对应的第二特征向量，将第一特征向量和第二特征向量进行加权处理，再置入孪生网络模型的全连接层中进行分类处理。
[0028]根据本专利技术实施例的第三方面，提供了一种电子设备，包括：
[0029]一个或多个处理器；
[0030]存储装置，用于存储一个或多个程序，
[0031]当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述任一种脱发类型的确定方法。
[0032]根据本专利技术实施例的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述任一种脱发类型的确定方法。
[0033]上述专利技术中的一个实施例具有如下优点或有益效果：因为采用获取目标图像，对目标图像中的目标头部进行标注处理，得到目标头部的区域图像；对目标头部的区域图像进行分割处理，得到目标头部对应的头发的掩膜图像；将目标头部的区域图像和头发的掩膜图像输入孪生网络模型，进行分类处理，根据分类处理结果确定目标头部对应的脱发类型；其中，孪生网络模型是根据脱发头部的区域图像和脱发头部对应的头发的掩膜图像进行训练得到的技术手段，所以克服了现有方法中脱发类型由于采用人工计算及判断、或者交互式分割检测的方法，导致耗费大量人力资源，且脱发类型及脱发程度的判断准确率低，
用户体验差，对检测图像的要求高，脱发类型确定效率低的技术问题，进而达到能够提高脱发类型确定的准确率和效率，降低对目标图像的要求，节约人力资源成本，提升用户体验的技术效果。
[0034]上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
[0035]附图用于更好地理解本专利技术，不构成对本专利技术的不当限定。其中：
[0036]图1是根据本专利技术第一实施例提供的脱发类型的确定方法主要流程的示意图；
[0037]图2是根据本专利技术第二实施例提供的脱发类型的确定方法的主要流程的示意图；
[0038]图3是根据本专利技术实施例提供的脱发类型的确定装置的主要模块的示意图；
[0039]图4是本专利技术实施例可以应用于其中的示例性系统架构图；
[0040]图5是适于用来实现本专利技术实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
[0041]以下结合附图对本专利技术的示范性实施例做出说明，其中包括本专利技术实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本专利技术的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0042]图1是根据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脱发类型的确定方法，其特征在于，包括：获取目标图像，对所述目标图像中的目标头部进行标注处理，得到目标头部的区域图像；对所述目标头部的区域图像进行分割处理，得到所述目标头部对应的头发的掩膜图像；将所述目标头部的区域图像和所述头发的掩膜图像输入孪生网络模型，进行分类处理，根据分类处理结果确定所述目标头部对应的脱发类型；其中，所述孪生网络模型是根据脱发头部的区域图像和所述脱发头部对应的头发的掩膜图像进行训练得到的。2.根据权利要求1所述的脱发类型的确定方法，其特征在于，在所述对目标图像中的目标头部进行标注处理，得到目标头部的区域图像的步骤之后，所述方法还包括：获取多个训练图像，分别对所述多个训练图像中的头部进行标注处理，得到多个由头部区域图像和非头部区域图像构成的二值化图像，基于多个二值化图像构建第一二分类模型；利用所述第一二分类模型和第一阈值对所述目标头部的区域图像进行过滤处理。3.根据权利要求1所述的脱发类型的确定方法，其特征在于，在所述对目标头部的区域图像进行分割处理，得到所述目标头部对应的头发的掩膜图像的步骤之前，所述方法还包括：获取未脱发头部的图像和脱发头部的图像，以所述未脱发头部的图像和所述脱发头部的图像为训练样本，构建第二二分类模型；利用所述第二二分类模型对所述目标头部的区域图像进行分类处理，根据分类处理结果和第二阈值判断并确定所述目标头部存在脱发。4.根据权利要求1所述的脱发类型的确定方法，其特征在于，所述将目标头部的区域图像和所述头发的掩膜图像输入孪生网络模型，进行分类处理的步骤还包括：利用孪生网络模型分别对所述目标头部的区域图像和所述头发的掩膜图像进行特征提取，得到所述目标头部的区域图像对应的第一特征向量和所述头发的掩膜图像对应的第二特征向量，将所述第一特征向量和所述第二特征向量进行加权处理，再置入所述孪生网络模型的全连接层中进行分类处理。5.根据权利要...

【专利技术属性】
技术研发人员：左鑫孟，梅涛，周伯文，
申请(专利权)人：北京京东世纪贸易有限公司，
类型：发明
国别省市：