(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211296023.2 (22)申请日 2022.10.21 (71)申请人 南京泓图人工智能技 术研究院有限 公司 地址 210000 江苏省南京市嘉陵江东 街8号 新城科技园B4幢3层3单 元 申请人 中国医学 科学院皮肤病医院 （中国 医学科学院皮肤病研究所） (72)发明人 段连元　吴蕊　林彤　郭丽芳　 杨寅　葛一平　 (74)专利代理 机构 杭州研基专利代理事务所 (普通合伙) 33389 专利代理师 张维嘉 (51)Int.Cl. G06V 40/16(2022.01)G06T 7/90(2017.01) (54)发明名称 一种基于深度学习的皱纹分割方法 (57)摘要 本发明公开了一种基于深度学习的皱纹分 割方法， 包括以下步骤： 在人脸图像上标注皱纹 生成掩模图； 选取图中部分皱纹区域； 对图像和 掩模图进行扩展填充； 将制作好的图像与掩模图 送入Unet模型中进行训练； 使用训练好的模型检 测脸部皱纹并输出结果。 该基于深度学习的皱纹 分割方法可以有效避免毛发等因素干扰， 且识别 效率较高， 能够准确实现皱纹检测， 为老化程度 判断给出准确的辅助信息 。 权利要求书1页 说明书3页 附图1页 CN 115457642 A 2022.12.09 CN 115457642 A 1.一种基于深度学习的皱纹分割方法， 其特 征在于： 包括以下步骤： S1： 在人脸图像上 标注皱纹生成掩 模图； S2： 选取图中部分皱纹区域； S3： 对图像和掩 模图进行扩展填充； S4： 将制作好的图像与掩 模图送入Unet模型中进行训练； S5： 使用训练好的模型检测脸部皱纹并输出 结果。 2.根据权利要求1所述的一种基于深度学习的皱纹分割方法， 其特征在于： 在步骤S1 中， 所述在人脸图像上 标注皱纹生成掩 模图的步骤如下： 在人脸图像上 标注皱纹区域； 将该标注图像转换成二值掩模图， 其中白色像素点表示该像素处有皱纹， 黑色点表示 没有。 3.根据权利要求1所述的一种基于深度学习的皱纹分割方法， 其特征在于： 在步骤S2 中， 所述选取图中部分皱纹区域的步骤如下： 采用关键点检测工具检测人脸上的关键点； 根据检测出的关键点将人脸分为上额、 下颌、 左脸和右脸区域， 然后选取区域的皱纹图 像与掩模图在相同位置同步进行切割得到图像块与掩 模图块。 4.根据权利要求1所述的一种基于深度学习的皱纹分割方法， 其特征在于： 在步骤S3 中， 所述对图像和掩 模图进行扩展填充步骤如下： 将原图像块与掩 模图块扩展成方 形； 对扩展部分进行填充， 填充方法为在皱纹图像块和掩 模图块相同位置同步补0 。 5.根据权利要求1所述的一种基于深度学习的皱纹分割方法， 其特征在于： 在步骤S4 中， 所述将制作好的图像与掩 模图送入Unet模型中进行训练的步骤如下： 将掩模二值图块转换成灰度图块， 并将皱纹图像块与掩 模图块大小统一 为512*512； 将皱纹图像块与掩模图块送入Unet模型进行训练， 直到损失值小于一定阈值或迭代次 数超过一定阈值时停止 。 6.根据权利要求1所述的一种基于深度学习的皱纹分割方法， 其特征在于： 在步骤S5 中， 所述使用训练好的模型检测脸部皱纹并输出 结果的步骤如下： 采用关键点检测工具检测人脸上的关键点； 根据检测出的关键点将人脸分为上额、 下颌、 左脸和右脸区域； 将区域图块送入Unet模型， 得 出皱纹掩 模图块； 根据皱纹掩 模图块在原图上 标注出皱纹区域。权　利　要　求　书 1/1 页 2 CN 115457642 A 2一种基于深度学习的皱纹分割方 法 技术领域 [0001]本发明属于皱纹检测技 术领域， 具体涉及一种基于深度学习的皱纹分割方法。 背景技术 [0002]随着科技的进步与发展， 人们越来越关注脸部皮肤健康状况的提升， 而其首要问 题就是对面部皮肤状况进行科学客观的评价。 皱纹作为面部皮肤健康状况 的重要指标， 使 得皱纹检测与分割技术逐步成为一个重要的研究方向。 由于肉 眼观察皱纹精确性不高且效 率较低， 且目前现有的皱纹分割技术较少， 而业界常用的美国皮肤检测设备visia价格昂 贵， 且皱纹检测效果不佳， 传统的皱纹分割方式依赖边缘信息的提取， 非常容易受到毛发等 因素的干扰， 鲁棒 性较差。 因此， 我们提出了一种基于深度学习的皱纹检测方法。 发明内容 [0003]本发明的目的在于提供一种基于深度学习的皱 纹分割方法， 以解决上述背景技术 中提出的问题。 [0004]为实现上述目的， 本 发明提供如下技术方案： 一种基于深度学习的皱 纹分割方法， 包括以下步骤： [0005]S1： 在人脸图像上 标注皱纹生成掩 模图； [0006]S2： 选取图中部分皱纹区域； [0007]S3： 对图像和掩 模图进行扩展填充； [0008]S4： 将制作好的图像与掩 模图送入Unet模型中进行训练； [0009]S5： 使用训练好的模型检测脸部皱纹并输出 结果。 [0010]优选的是， 在步骤S1中， 所述在人脸图像上 标注皱纹生成掩 模图的步骤如下： [0011]在人脸图像上 标注皱纹区域； [0012]将该标注图像转换成二值掩模图， 其中白色像素点表示该像素处有皱纹， 黑色点 表示没有。 [0013]上述任一方案中优选的是， 在步骤S2中， 所述选取图中部分皱纹区域的步骤如下： [0014]采用关键点检测工具检测人脸上的关键点； [0015]根据检测出的关键点将人脸分为上额、 下颌、 左脸和右脸区域， 然后选取区域的皱 纹图像与掩 模图在相同位置同步进行切割得到图像块与掩 模图块。 [0016]上述任一方案中优选的是， 在步骤S3中， 所述对图像和掩模图进行扩展填充步骤 如下： [0017]将原图像块与掩 模图块扩展成方 形； [0018]对扩展部分进行填充， 填充方法为在皱纹图像块和掩 模图块相同位置同步补0 。 [0019]上述任一方案中优选的是， 在步骤S4中， 所述将制作好 的图像与掩模图送入Unet 模型中进行训练的步骤如下： [0020]将掩模二值图块转换成灰度图块， 并将皱纹图像块与掩模图块大小统一为512*说　明　书 1/3 页 3 CN 115457642 A 3