基于神经网络通过人脸照片识别骨面型的方法及系统技术方案

本发明专利技术涉及基于神经网络通过人脸照片识别骨面型的方法及系统，包括以下步骤：

【技术实现步骤摘要】
基于神经网络通过人脸照片识别骨面型的方法及系统


[0001]本专利技术涉及智能识别
，尤其涉及基于神经网络通过人脸照片识别骨面型的方法及系统
。

技术介绍

[0002]社会进步推动着对审美轮廓的追求，越来越多的患者寻求正颌或正畸治疗，希望在整体面部美感上得到改善，这突显了对面部整体美的综合认知的重要性
。
各种研究广泛探讨了面部吸引力的排名，提出了诸如黄金比例和面部三分之一等比例的标准，对称性或平均性等
。
然而，上述使用空间关系提出的测量方法主要是基于经验证据开发的，引入了相当大的主观偏见
。
此外，作为美感感知中至关重要的因素，如面部体积和连接曲线等软组织特征，并没有被几何比例充分考虑在内
。
因此，迫切需要制定更综合的策略来评估面部美感
。
[0003]从治疗的角度来看，正畸治疗所涉及的主要审美问题围绕着矢状面骨骼差异
。
上颌或下颌的相对缺陷或过度生长可能会破坏面部平衡，导致不和谐
。
虽然个人对美的认知可能各异，但相对和谐的上颌下颌关系，如骨性
I
类，通常被认为比
II
类或
III
类更令人愉悦
。
因此，治疗
II
类或
III
类患者的一个共同目标是尽量减少他们与
I
类的差异，或减弱强调他们不和谐特征的影响
。
然而，正如上述所述，面部吸引力取决于所有面部特征的协调相互作用
。
从这个角度来看，牙科治疗最令人满意的结果是通过调整牙弓来适应现有特征，从而实现整体和谐
。
因此，只有同时考虑患者的期望和基线状况，才能制定出适当的治疗方案
[0004]尽管已经有许多研究评价面部吸引力，提出了各种各样的标准，如黄金比例
、
面部对称性和平均性等，但这些标准主要是基于经验和空间关系的量化测量，容易引入主观偏见，并不能全面地考虑面部的软组织特征
。
现有方法中的几何比例无法充分捕捉面部体积
、
连接曲线等软组织特征，这些特征在美感感知中起着关键作用
。
[0005]此外，针对不同的患者，仅根据硬组织的情况来制定治疗计划可能无法实现最佳的整体面部和谐
。
因此，现有技术在综合考虑面部美感和个体差异方面存在局限性
。
同时，现有方法往往缺乏精准的定量工具来指导治疗方案的制定，导致效果不稳定，难以达到预期的面部美感改善效果
。
因此，迫切需要一种更综合
、
更精准的方法来评估面部美感
。

技术实现思路

[0006]本申请为了解决上述技术问题提供基于神经网络通过人脸照片识别骨面型的方法及系统
。
[0007]本申请通过下述技术方案实现：
[0008]本申请提供的基于神经网络通过人脸照片识别骨面型的方法，包括以下步骤：
[0009]S1、
构建样本集：所述样本集分为
I、II、III
三类矢状骨骼类型，每例样本均包括正面
、45
度侧面和
90
度侧面的人脸照片；
[0010]S2、
构建并训练
Shuffle
‑
Attention
模型：
[0011]Shuffle
‑
Attention
模型采用轻量级的
ShuffleNet
作为骨干，具体包括三个输入层
、
三个独立的特征提取器
、
一个用于集成的特征融合层
、
用于注意机制的
SE
模块以及一个分类器，三个输入层分别与三个独立特征提取器连接，三个独立特征提取器均与特征融合层连接，特征融合层连接
SE
模块，
SE
模块连接池化层及全连接层，最后输入分类器；
[0012]将每例样本的正面
、45
度侧面和
90
度侧面分别输入所述三个输入层进行模型训练，获得训练好的
Shuffle
‑
Attention
模型
。
[0013]可选的，所述
S1
包括以下步骤：
[0014]收集数据：收集患者的正面
、45
度侧面和
90
度侧面的人脸照片，以及头影测量放射图像；根据患者的头颅侧位片测量
ANB
值；根据
ANB
值标记样本的矢状骨骼类型
。
[0015]可选的，所述患者没有先天畸形
、
感染
、
创伤和肿瘤病史；同时，具有明显骨骼畸形且需要手术的患者被排除在外
。
[0016]可选的，测量
ANB
值时，首先采用自动头影测量标记功能来标记侧面头影图像，然后由至少两名经过培训的正畸医生进行手动检查和修正标记；1°
≤ANB≤5
°
被分为
I
类，
ANB>5
°
被分为
II
类，
ANB<1
°
被分为
III
类；在分类方面存在分歧的情况下，另请一位正畸医生进行咨询，如果三名正畸医生仍然无法达成一致意见，将排除这些引起困惑的图像
。
[0017]可选的，
S1
还包括数据处理：根据额头
、
耳朵和下巴的框架对三角度人脸照片进行裁剪；采用图像增强方法扩大数据集；将扩大后的数据集分成训练集和测试集
。
[0018]可选的，训练集和测试集的比例为
8:2。
[0019]可选的，基于神经网络通过人脸照片识别骨面型的方法还包括：
Grad
‑
CAM
反向解析
Shuffle
‑
Attention
模型判别骨性分类的软组织特征依据，提示骨性
I、II、III
类样本特征软组织表现
。
[0020]本申请提供的通过人脸照片识别骨面型的系统，包括：
[0021]输入模块，具有三个输入单元，用于分别输入被识别者的正面
、45
度侧面和
90
度侧面的人脸照片；
[0022]识别模块，包括
Shuffle
‑
Attention
模型，所述
Shuffle
‑
Attention
模型采用所述的方法训练得到；
[0023]输出模块，用于输出识别结果
。
[0024]可选的，通过人脸照片识别骨本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于神经网络通过人脸照片识别骨面型的方法，其特征在于：包括以下步骤：
S1、
构建样本集：所述样本集分为
I、II、III
三类矢状骨骼类型，每例样本均包括正面
、45
度侧面和
90
度侧面的人脸照片；
S2、
构建并训练
Shuffle
‑
Attention
模型，
Shuffle
‑
Attention
模型用于基于软组织人脸照片判别骨性分类；
Shuffle
‑
Attention
模型采用轻量级的
ShuffleNet
作为骨干，具体包括三个输入层
、
三个独立的特征提取器
、
一个用于集成的特征融合层
、
用于注意机制的
SE
模块以及一个分类器，三个输入层分别与三个独立特征提取器连接，三个独立特征提取器均与特征融合层连接，特征融合层连接
SE
模块，
SE
模块连接池化层及全连接层，最后输入分类器；将每例样本的正面
、45
度侧面和
90
度侧面分别输入所述三个输入层进行模型训练，获得训练好的
Shuffle
‑
Attention
模型
。2.
根据权利要求1所述的基于神经网络通过人脸照片识别骨面型的方法，其特征在于：所述
S1
包括以下步骤：收集数据：收集患者的正面
、45
度侧面和
90
度侧面的人脸照片，以及头影测量放射图像；根据患者的头颅侧位放射片测量
ANB
值；根据
ANB
值标记对应样本的矢状骨骼类型
。3.
根据权利要求2所述的基于神经网络通过人脸照片识别骨面型的方法，其特征在于：所述患者没有先天畸形
、
感染
、
创伤和肿瘤病史；同时，具有明显骨骼畸形且需要手术的患者被排除在外
。4.
根据权利要求2或3所述的基于神经网络通过人脸照片识别骨面型的方法，其特征在于：测量
ANB
值时，首先采用自动头影测量标记功能来标记侧面头影图像，然后由至少两名经过培训的正畸医生进行手动检查和修正标记；1°
≤ANB≤5
°
被分为
I
类，
ANB>5
°
被分为
I I
类，
ANB<1
°
被分为
III
类；在分类...

【专利技术属性】
技术研发人员：蔡靖仪，经典，赵志河，
申请(专利权)人：四川大学，
类型：发明
国别省市：