本发明涉及测量技术领域，特别地是基于人脸关键点实现人脸唇部厚度的真实数据测量方法。
背景技术：
人脸关键点定位也称为人脸五官定位，是指从人脸图像中识别出诸如眼睛、眉毛、鼻子、嘴巴等关键点的位置。人脸关键点定位技术是美颜化妆、人脸装扮、人脸特效、人脸ar(augmentedreality，增强现实)等软件的基础技术。
传统的人脸关键点定位技术是基于一些图像处理算法来实现的，如sdm(superviseddescentmethod，监督下降法)。通过提取人脸图像中的特征，如lbp(localbinarypattern，局部二值模式)、hog(histogramoforientedgradient，方向梯度直方图)等特征，根据上述特征确定出人脸图像中的人脸关键点的位置。
现在的脸部五官测量的方式通过指定实物来作参照物，通过图像分割得到实物的像素尺寸，根据实物的像素尺寸和实际尺寸的比例来推算对应的五官数据；基于指定实物参照进行数据测量的方式存在着操作步骤繁琐、用户体验不友好的缺点。现有技术只依赖于指定实物参照物进行真实数据的测量，缺少关于不需要实物时候的考量。本发明通过预先设定的现实数值和图像中的像素数值的比例计算，从而根据唇部关键点的距离推断出唇部的实际厚度值。
技术实现要素：
本发明的目的在于提供一种更加简洁方便地实现人脸唇部真实数据的测量，省去借助实物做参照的麻烦的基于人脸关键点实现人脸唇部厚度的真实数据测量方法。
本发明通过以下技术方案实现的：
基于人脸关键点实现人脸唇部厚度的真实数据测量方法，包括以下步骤：
s1、利用深度学习框架训练出关键点检测模型；
s2、利用关键点检测模型检测定位出人脸的特征点的位置；
s3、选取一张现实世界中的标准人脸，测量出人脸轮廓边缘的起始点到第二个点的距离，假设为x；
s4、通过关键点检测模型检测定位出人脸的特征点的位置信息，计算人脸轮廓边缘的起始点到第二个点的像素距离x1；计算唇部关键点中下唇的最上边缘点和最下边缘点的像素距离m1，将步骤s3中得到的x可以推算出下唇部的厚度m；推算公式为：m=（x/x1）*m1。
进一步地，所述步骤s1中，所述深度学习框架采用vgg或caffenet的网格结构。
进一步地，所述步骤s3中，人脸轮廓边缘的起始点到第二个点的距离x为标准人脸指定两点间的距离x。
本发明的有益效果：
本发明通过深度学习框架训练出关键点检测模型，再通过关键点检测模型检测定位出人脸的特征点的位置；通过选取预定的标准人脸指定两点间的距离x；根据模型定位的特征点，选取与标准人脸同位置的两点，并计算出像素位置为x1；再根据模型定位的特征点，选取下唇的最上边缘点和最下边缘点的像素距离m1；根据公式（（x/x1）*m1）即可计算出下唇部厚度；本发明通过人脸关键点来进行人脸真实唇部厚度的公式推算，更加简洁方便地实现人脸唇部真实数据的测量，省去借助实物做参照的不便，进一步提高了工作效率。
附图说明
图1为本发明实施例的步骤流程框图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明，在此以本发明的示意下面将结合附图以及具体实施例来详细说明本发明，在此以本发明的示意性实施例及说明用来解释本发明，但并不作为对本发明的限定。
需要说明，在本发明中如涉及“第一”、“第二”的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
在本发明中，除非另有明确的规定和限定，术语“连接”应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
基于人脸关键点实现人脸唇部厚度的真实数据测量方法，包括以下步骤：
s1、利用深度学习框架训练出关键点检测模型；
s2、利用关键点检测模型检测定位出人脸的特征点的位置；
s3、选取一张现实世界中的标准人脸，测量出人脸轮廓边缘的起始点到第二个点的距离，假设为x；
s4、通过关键点检测模型检测定位出人脸的特征点的位置信息，计算人脸轮廓边缘的起始点到第二个点的像素距离x1；计算唇部关键点中下唇的最上边缘点和最下边缘点的像素距离m1，将步骤s3中得到的x可以推算出下唇部的厚度m；推算公式为：m=（x/x1）*m1。
需要说明的是，深度学习框架的出现降低了入门的门槛，用户不需要从复杂的神经网络开始编代码，用户可以根据需要选择已有的模型，通过训练得到模型参数，用户也可以在已有模型的基础上增加自己的layer，或者是在顶端选择自己需要的分类器和优化算法。不同的框架适用的领域不完全一致。总的来说深度学习框架提供了一些列的深度学习的组件，当需要使用新的算法的时候就需要用户自己去定义，然后调用深度学习框架的函数接口使用用户自定义的新算法。
具体的，本实施例方案中，所述深度学习框架采用vgg或caffenet的网格结构。
具体的，本实施例方案中，所述步骤s3中，人脸轮廓边缘的起始点到第二个点的距离x为标准人脸指定两点间的距离x。
具体的，参照图1，首先，通过深度学习框架训练出关键点检测模型，再通过关键点检测模型检测定位出人脸的特征点的位置；通过选取预定的标准人脸指定两点间的距离x；根据模型定位的特征点，选取与标准人脸同位置的两点，并计算出像素位置为x1；再接着，根据模型定位的特征点，选取下唇的最上边缘点和最下边缘点的像素距离m1；根据公式（（x/x1）*m1）即可计算出下唇部厚度；本发明通过人脸关键点来进行人脸真实唇部厚度的公式推算，更加简洁方便地实现人脸唇部真实数据的测量，省去借助实物做参照的不便，进一步提高了工作效率。
以上对本发明实施例所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
1.基于人脸关键点实现人脸唇部厚度的真实数据测量方法，其特征在于，包括以下步骤：
s1、利用深度学习框架训练出关键点检测模型；
s2、利用关键点检测模型检测定位出人脸的特征点的位置；
s3、选取一张现实世界中的标准人脸，测量出人脸轮廓边缘的起始点到第二个点的距离，假设为x；
s4、通过关键点检测模型检测定位出人脸的特征点的位置信息，计算人脸轮廓边缘的起始点到第二个点的像素距离x1；计算唇部关键点中下唇的最上边缘点和最下边缘点的像素距离m1，将步骤s3中得到的x可以推算出下唇部的厚度m；推算公式为：m=（x/x1）*m1。
2.根据权利要求1所述的基于人脸关键点实现人脸唇部厚度的真实数据测量方法，其特征在于：所述步骤s1中，所述深度学习框架采用vgg或caffenet的网格结构。
3.根据权利要求1所述的基于人脸关键点实现人脸唇部厚度的真实数据测量方法，其特征在于：所述步骤s3中，人脸轮廓边缘的起始点到第二个点的距离x为标准人脸指定两点间的距离x。
技术总结