一种基于面部筋膜层多维提拉实现面部轮廓紧致的方法与流程

1.本发明涉及面部皮肤美容护理领域，具体来说，涉及一种基于面部筋膜层多维提拉实现面部轮廓紧致的方法。


背景技术：

2.随着现代生活压力的加剧以及生活水平的提高，现代人对于美容保养变得尤为重视。人的面部结构从上至下分别为：表皮、真皮、皮下脂肪、筋膜层/smas、肌肉层、骨膜层。筋膜层又叫浅表肌腱系统，位于皮下内部深约4.5mm处，是由一层纤维鞘包绕的筋肉筋膜，就是直接将骨肉相连的那层筋膜。它可使面部肌肉具有一定的张力，并能够将这一张力传递至面部皮肤，当某一表情肌收缩时，由于中间肌的张力传递，连于筋膜的其他表情肌被拉长，使面部产生复杂、多变、的表情表达。
3.随着年龄的增加，人的皮肤筋膜韧带开始老化，失去支撑力，再加上胶原蛋白逐渐流失，脸上就会出现松弛、皱纹、下垂、肥垮等衰老现象。皮肤老化是由内而外的，所以抗衰老也是由内而外的，故要从皮肤内部结构着手来抗衰老。皮肤出现松弛、皱纹、下垂、肥垮的原因有很多，比如胶原蛋白含量逐渐流失、玻尿酸含量减少、肌肉组织下移、筋膜层垮塌、骨量减少等。
4.实际上，抗衰老，修复筋膜层才是基础，对面部筋膜深层进行提拉，可实现面颊部提升，同时可拉紧颈阔肌和下颌部松垂的皮肤，抗衰效果非常理想。目前医疗机构也开始通过对筋膜层进行多维提拉来实现面部轮廓的紧致，而在提拉手术之前，需要对患者面部进行多项观察检测，对患者面部的皮肤状态、皱纹程度进行深层次的评估，并且通过构建得到的三维模型来进行关键特征点的定位与标记，为后续手术打下坚实基础。
5.针对相关技术中的问题，目前尚未提出有效的解决方案。


技术实现要素：

6.针对相关技术中的问题，本发明提出一种基于面部筋膜层多维提拉实现面部轮廓紧致的方法，以克服现有相关技术所存在的上述技术问题。
7.为此，本发明采用的具体技术方案如下：
8.一种基于面部筋膜层多维提拉实现面部轮廓紧致的方法，该方法包括以下步骤：
9.s1、获取人脸图像数据；
10.s2、利用多任务卷积神经网络模型进行人脸检测，构建三维人脸模型；
11.s3、根据面部特征点进行图像分割，构建区域面部图像；
12.s4、对区域面部图像进行特征点提取，计算纹理值；
13.s5、对纹理值进行评估与自动分级；
14.s6、基于面部动作编码，融合自注意力机制生成对抗网络。
15.进一步的，所述利用多任务卷积神经网络模型进行人脸检测，构建三维人脸模型包括以下步骤：
16.s21、将人脸图像数据进行不同尺度的变换，构建图像金字塔；
17.s22、通过全卷积网络模型(fcn)进行初步特征提取与标定边框，并进行边框回归(bounding-box regression)调整窗口，再通过非极大值抑制(nms)进行窗口的过滤；
18.s23、利用细化网络对窗口进行深层次过滤，优化预测结果；
19.s24、通过监督识别人脸图像对特征点进行回归，并输出人脸坐标信息；
20.s25、构建三维人脸模型。
21.进一步的，所述人脸坐标信息包括人脸区域的左上角坐标、右下角坐标以及人脸区域的五个面部特征点坐标。
22.进一步的，所述根据面部特征点进行图像分割，构建区域面部图像包括以下步骤：
23.s31、对人脸模型进行去噪，取出表面噪点；
24.s32、定位面部特征点坐标，并利用刚性匹配算法进行人脸模型分割。
25.进一步的，所述对区域面部图像进行特征点提取，计算纹理值包括以下步骤：
26.s41、将区域面部图像划分成16*16的特征区域；
27.s42、对每个特征区域内的像素进行比较，得到该区域内的局部二值；
28.s43、计算特征区域的直方图，并对直方图进行归一化处理；
29.s44、将每个特征区域的统计直方图进行连接，得到该区域面部图像的纹理值。
30.进一步的，所述对每个特征区域内的像素进行比较的方法为对于每个特征区域中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。
31.进一步的，所述对纹理值进行评估与自动分级的方法为以纹理值作为输入值，使用随机森林方法自动预测与分类，划分区域面部图像内皱纹的严重程度分级。
32.进一步的，所述融合自注意力机制生成对抗网络；包括以下步骤：
33.s61、对于评估生成器与判别器数据分布之间差异的标准，使用瓦瑟斯坦(wasserstein)距离对两者数据分布之间的差异进行评估；
34.s62、将自注意力机制引入生成对抗网络中的生成器与判别器对应的神经网络架构中；
35.s63、在融合后自注意力机制的生成对抗网络中，运行自注意力机制。
36.进一步的，所述在融合后自注意力机制的生成对抗网络中，运行自注意力机制包括以下步骤：
37.s631、输入区域面部图像进行特征空间的转换，同一张区域面部图像被分别转换至两个特定的映射空间中，同时保留原区域面部图像；
38.s632、按照自注意力计算公式对转换特征空间后区域面部图像的每一个像素点进行注意力值计算，最终结果进行加权求和得到一张对应的注意力特征图；
39.s633、将注意力特征图与原区域面部图像累加得到自注意力特征图。
40.进一步的，所述按照自注意力计算公式对转换特征空间后区域面部图像的每一个像素点进行注意力值计算的计算公式如下：
41.42.其中，β
j,i
表示代表区域面部图像内第j个区域时，模型对第i个区域的注意力程度，n表示区域数量，s
ij
表示注意力得分。
43.本发明的有益效果为：通过对人脸的实时采集与多点定位，构建高精度三维人脸模型，从而保证患者脸部数据与面部状态信息的获取与检测，进而能够对面部皱纹区域进行精确定位与识别评估，提高美容治疗的精确度，能够避免传统美容手术的盲视操作，保障定位精细准确；同时引入自注意力机制生成网络，能够通过人脸图像数据的实时更新，结合患者面部表情的变换所形成的面部动作编码，构建自学习式的面部特征点提取计算方法，从而实现动态特征捕捉与计算，进一步提高面部皱纹识别与评估的精度与效果。
附图说明
44.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，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。
45.图1是根据本发明实施例的一种基于面部筋膜层多维提拉实现面部轮廓紧致的方法流程图。
具体实施方式
46.根据本发明的实施例，提供了一种基于面部筋膜层多维提拉实现面部轮廓紧致的方法。
47.现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于面部筋膜层多维提拉实现面部轮廓紧致的方法，该方法包括以下步骤：
48.s1、获取人脸图像数据；
49.s2、利用多任务卷积神经网络模型进行人脸检测，构建三维人脸模型；
50.所述利用多任务卷积神经网络模型进行人脸检测，构建三维人脸模型包括以下步骤：
51.s21、将人脸图像数据进行不同尺度的变换，构建图像金字塔；
52.s22、通过全卷积网络模型(fcn)进行初步特征提取与标定边框，并进行边框回归(bounding-box regression)调整窗口，再通过非极大值抑制(nms)进行窗口的过滤；
53.s23、利用细化网络对窗口进行深层次过滤，优化预测结果；
54.s24、通过监督识别人脸图像对特征点进行回归，并输出人脸坐标信息；
55.s25、构建三维人脸模型。
56.所述人脸坐标信息包括人脸区域的左上角坐标、右下角坐标以及人脸区域的五个面部特征点坐标。
57.s3、根据面部特征点进行图像分割，构建区域面部图像；
58.所述根据面部特征点进行图像分割，构建区域面部图像包括以下步骤：
59.s31、对人脸模型进行去噪，取出表面噪点；
60.s32、定位面部特征点坐标，并利用刚性匹配算法进行人脸模型分割。
61.s4、对区域面部图像进行特征点提取，计算纹理值；
62.所述对区域面部图像进行特征点提取，计算纹理值包括以下步骤：
63.s41、将区域面部图像划分成16*16的特征区域；
64.s42、对每个特征区域内的像素进行比较，得到该区域内的局部二值；
65.s43、计算特征区域的直方图，并对直方图进行归一化处理；
66.s44、将每个特征区域的统计直方图进行连接，得到该区域面部图像的纹理值。
67.其中，所述对每个特征区域内的像素进行比较的方法为对于每个特征区域中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。
68.s5、对纹理值进行评估与自动分级；
69.所述对纹理值进行评估与自动分级的方法为以纹理值作为输入值，使用随机森林方法自动预测与分类，划分区域面部图像内皱纹的严重程度分级。
70.s6、基于面部动作编码，融合自注意力机制生成对抗网络。
71.所述融合自注意力机制生成对抗网络；包括以下步骤：
72.s61、对于评估生成器与判别器数据分布之间差异的标准，使用瓦瑟斯坦(wasserstein)距离对两者数据分布之间的差异进行评估；
73.s62、将自注意力机制引入生成对抗网络中的生成器与判别器对应的神经网络架构中；
74.s63、在融合后自注意力机制的生成对抗网络中，运行自注意力机制。
75.所述在融合后自注意力机制的生成对抗网络中，运行自注意力机制包括以下步骤：
76.s631、输入区域面部图像进行特征空间的转换，同一张区域面部图像被分别转换至两个特定的映射空间中，同时保留原区域面部图像；
77.s632、按照自注意力计算公式对转换特征空间后区域面部图像的每一个像素点进行注意力值计算，最终结果进行加权求和得到一张对应的注意力特征图；
78.其中，所述按照自注意力计算公式对转换特征空间后区域面部图像的每一个像素点进行注意力值计算的计算公式如下：
[0079][0080]
其中，β
j,i
表示代表区域面部图像内第j个区域时，模型对第i个区域的注意力程度，n表示区域数量，s
ij
表示注意力得分。
[0081]
s633、将注意力特征图与原区域面部图像累加得到自注意力特征图。
[0082]
综上所述，借助于本发明的上述技术方案，通过对人脸的实时采集与多点定位，构建高精度三维人脸模型，从而保证患者脸部数据与面部状态信息的获取与检测，进而能够对面部皱纹区域进行精确定位与识别评估，提高美容治疗的精确度，能够避免传统美容手术的盲视操作，保障定位精细准确；同时引入自注意力机制生成网络，能够通过人脸图像数据的实时更新，结合患者面部表情的变换所形成的面部动作编码，构建自学习式的面部特征点提取计算方法，从而实现动态特征捕捉与计算，进一步提高面部皱纹识别与评估的精度与效果。
[0083]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。