基于图像的面部瘢痕伤残等级评估方法及相关设备与流程

1.本发明涉及人工智能、图像处理、医疗健康及金融科技技术领域，尤其涉及一种基于图像的面部瘢痕伤残等级评估方法及相关设备。


背景技术：

2.瘢痕是各种创伤后所引起的正常皮肤组织的外观形态和组织病理学改变的统称，它是人体创伤修复过程中必然的产物。在金融科技技术领域的产险中，日常人伤案件中，除四肢伤残外，瘢痕伤残也占了一定比例，其中面部瘢痕伤残占了瘢痕伤残的大部分。在医疗健康技术领域中，伤残鉴定员在进行面部瘢痕伤残等级鉴定的时候，基本是手动进行测量的，由于面部瘢痕伤残等级评估涉及的测量内容多，当前手动测量计算较为复杂，且目测估计会存在误差，导致面部瘢痕伤残等级评估不准确。


技术实现要素：

3.基于此，有必要针对现有技术的面部瘢痕伤残等级评估不准确的技术问题，提出了一种基于图像的面部瘢痕伤残等级评估方法及相关设备。
4.第一方面，提供了一种基于图像的面部瘢痕伤残等级评估方法，所述方法包括：
5.获取目标图像，其中，所述目标图像中包含目标对象的人脸对应的图像区域和目标参照物对应的图像区域，两个所述图像区域不重叠；
6.对所述目标图像进行区域划分，得到区域划分结果；
7.将所述目标图像输入预训练的目标分割模型分别进行人脸和所述目标参照物的分割，得到人脸掩膜和参照物掩膜；
8.根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，得到单指标画像结果；
9.根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果。
10.第二方面，提供了一种基于图像的面部瘢痕伤残等级评估装置，所述装置包括：
11.图像获取模块，用于获取目标图像，其中，所述目标图像中包含目标对象的人脸对应的图像区域和目标参照物对应的图像区域，两个所述图像区域不重叠；
12.区域划分模块，用于对所述目标图像进行区域划分，得到区域划分结果；
13.分割模块，用于将所述目标图像输入预训练的目标分割模型分别进行人脸和所述目标参照物的分割，得到人脸掩膜和参照物掩膜；
14.画像模块，用于根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，得到单指标画像结果；
15.评估模块，用于根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果。
16.第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中
并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于图像的面部瘢痕伤残等级评估方法的步骤。
17.第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于图像的面部瘢痕伤残等级评估方法的步骤。
18.本技术的基于图像的面部瘢痕伤残等级评估方法，通过获取目标图像，所述目标图像中包含目标对象的人脸对应的图像区域和目标参照物对应的图像区域，两个所述图像区域不重叠，对所述目标图像进行区域划分，得到区域划分结果，将所述目标图像输入预训练的目标分割模型分别进行人脸和所述目标参照物的分割，得到人脸掩膜和参照物掩膜，根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，得到单指标画像结果，根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果。从而实现了基于图像进行面部瘢痕伤残等级的自动评估，解决了手动测量导致的面部瘢痕伤残等级评估不准确的技术问题，提高了评估的效率；通过目标参照物对应的图像区域的对比，准确的计算出了单指标画像结果，从而实现了面部瘢痕伤残等级的准确评估；通过目标分割模型实现了基于人工智能的人脸和参照物的分割，从而实现了面部瘢痕伤残等级的准确评估。
附图说明
19.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，下面将对实施例或现有技术描述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。
20.其中：
21.图1为一个实施例中基于图像的面部瘢痕伤残等级评估方法的应用环境图；
22.图2为一个实施例中基于图像的面部瘢痕伤残等级评估方法的流程图；
23.图3为一个实施例中基于图像的面部瘢痕伤残等级评估装置的结构框图；
24.图4为一个实施例中计算机设备的结构框图；
25.图5为一个实施例中计算机设备的另一种结构框图。
具体实施方式
26.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.本发明实施例提供的基于图像的面部瘢痕伤残等级评估方法，可应用在如图1的应用环境中，其中，客户端110通过网络与服务端120进行通信。服务端120可以通过客户端110获取目标图像，所述目标图像中包含目标对象的人脸对应的图像区域和目标参照物对应的图像区域，两个所述图像区域不重叠。服务端120对所述目标图像进行区域划分，得到区域划分结果，将所述目标图像输入预训练的目标分割模型分别进行人脸和所述目标参照
物的分割，得到人脸掩膜和参照物掩膜，根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，得到单指标画像结果，根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果。服务端120将所述目标对象对应的面部瘢痕伤残等级评估结果反馈给客户端110，从而实现了基于图像进行面部瘢痕伤残等级的自动评估，解决了手动测量导致的面部瘢痕伤残等级评估不准确的技术问题，提高了评估的效率；通过目标参照物对应的图像区域的对比，准确的计算出了单指标画像结果，从而实现了面部瘢痕伤残等级的准确评估；通过目标分割模型实现了基于人工智能的人脸和参照物的分割，从而实现了面部瘢痕伤残等级的准确评估。
28.在另一个实施例中，客户端110获取目标图像，所述目标图像中包含目标对象的人脸对应的图像区域和目标参照物对应的图像区域，两个所述图像区域不重叠，对所述目标图像进行区域划分，得到区域划分结果，将所述目标图像输入预训练的目标分割模型分别进行人脸和所述目标参照物的分割，得到人脸掩膜和参照物掩膜，根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，得到单指标画像结果，根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果。
29.其中，客户端110可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。下面通过具体的实施例对本发明进行详细的描述。
30.请参阅图2所示，图2为本发明实施例提供的基于图像的面部瘢痕伤残等级评估方法的一个流程示意图，包括如下步骤：
31.s1：获取目标图像，其中，所述目标图像中包含目标对象的人脸对应的图像区域和目标参照物对应的图像区域，两个所述图像区域不重叠；
32.目标图像是采用拍摄设备，对目标对象及目标参照物进行拍摄得到的数字图像。目标图像可以是二维图像，也可以是三维图像。
33.目标参照物是外观至少具有一个平面的参照物，并且，目标参照物具有固定尺寸。目标参照物的平面与目标对象的人脸完全处于或近似处于同一平面位置，并且，目标参照物不能遮挡目标对象的人脸。目标参照物的选择范围包括但不限于：身份证和银行卡。可以理解的是，所述目标图像中的与目标参照物对应的图像区域拍摄的是目标参照物的外观的为平面的部分。
34.具体而言，可以获取用户输入的目标图像，也可以从存储空间获取目标图像，还可以从客户端获取目标图像，还可以从第三方应用获取目标图像。
35.s2：对所述目标图像进行区域划分，得到区域划分结果；
36.具体而言，基于预设的区域划分规则，对所述目标图像进行区域划分，将划分得到的各个区域各自对应的单区域位置数据，作为区域划分结果。
37.可选的，预设的区域划分规则设为九宫格。
38.s3：将所述目标图像输入预训练的目标分割模型分别进行人脸和所述目标参照物的分割，得到人脸掩膜和参照物掩膜；
39.预训练的目标分割模型是预先训练好的用于分割目标的模型。预训练的目标分割
模型是基于神经网络训练得到的模型。
40.具体而言，将所述目标图像输入预训练的目标分割模型分别进行人脸和所述目标参照物的分割，将对人脸分割得到的数据作为人脸掩膜，将对目标参照物分割得到的数据作为参照物掩膜。
41.人脸掩膜是一个尺寸与所述目标图像相同的图像，人脸掩膜上的掩膜点与所述目标图像中的像素点一一对应，人脸掩膜中每个掩膜点的值为0或1；若人脸掩膜中的掩膜点的值为1，此时该掩膜点对应的像素点拍摄的是目标对象的人脸；若人脸掩膜中的掩膜点的值为0，此时该掩膜点对应的像素点拍摄的不是目标对象的人脸。
42.参照物掩膜是一个尺寸与所述目标图像相同的图像，参照物掩膜上的掩膜点与所述目标图像中的像素点一一对应，参照物掩膜中每个掩膜点的值为0或1；若参照物掩膜中的掩膜点的值为1，此时该掩膜点对应的像素点拍摄的是所述目标参照物；若参照物掩膜中的掩膜点的值为0，此时该掩膜点对应的像素点拍摄的不是所述目标参照物。
43.s4：根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，得到单指标画像结果；
44.具体而言，根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，在画像时，所述区域划分结果中的每个区域对应的一个影响权重。影响权重，是对人脸的美观的影响的程度。
45.可选的，采用预训练的画像模型，对所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像。
46.预训练的画像模型是基于神经网络训练得到的模型。
47.单指标画像结果，是针对一个面部瘢痕伤残指标的画像结果。
48.s5：根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果。
49.具体而言，对各个所述单指标画像结果进行信息综合，以对进行面部瘢痕伤残等级的评估，将评估的结果作为所述目标对象对应的面部瘢痕伤残等级评估结果。
50.本实施例通过获取目标图像，所述目标图像中包含目标对象的人脸对应的图像区域和目标参照物对应的图像区域，两个所述图像区域不重叠，对所述目标图像进行区域划分，得到区域划分结果，将所述目标图像输入预训练的目标分割模型分别进行人脸和所述目标参照物的分割，得到人脸掩膜和参照物掩膜，根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，得到单指标画像结果，根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果。从而实现了基于图像进行面部瘢痕伤残等级的自动评估，解决了手动测量导致的面部瘢痕伤残等级评估不准确的技术问题，提高了评估的效率；通过目标参照物对应的图像区域的对比，准确的计算出了单指标画像结果，从而实现了面部瘢痕伤残等级的准确评估；通过目标分割模型实现了基于人工智能的人脸和参照物的分割，从而实现了面部瘢痕伤残等级的准确评估。
51.在一个实施例中，所述对所述目标图像进行区域划分，得到区域划分结果的步骤，包括：
52.s21：采用预设的人脸关键点检测算法，对所述目标图像进行面部关键点的检测，
得到面部关键点数据集；
53.具体而言，若目标图像是二维图像，则采用二维的人脸关键点检测算法，对所述目标图像进行面部关键点的检测，将针对每个面部关键点检测得到的数据作为一个面部关键点数据，将所有面部关键点数据作为面部关键点数据集；若目标图像是三维图像，则采用三维的人脸关键点检测算法，对所述目标图像进行面部关键点的检测，将针对每个面部关键点检测得到的数据作为一个面部关键点数据，将所有面部关键点数据作为面部关键点数据集。
54.可选的，面部关键点的数量为81个。
55.面部关键点数据是面部关键点的位置数据。
56.s22：根据所述面部关键点数据集，对所述目标图像进行面部中心区域划分，得到所述区域划分结果。
57.具体而言，基于预设的面部中心区域划分规则，根据所述面部关键点数据集，对所述目标图像进行面部中心区域划分，得到所述区域划分结果。
58.所述区域划分结果包括：面部中心区域数据和非面部中心区域数据。面部中心区域数据是人脸的面部中心区域的位置数据。非面部中心区域数据是人脸的面部中心区域以外的区域的位置数据。
59.可选的，将眉毛、嘴巴对应的最小外接矩形框作为预设的面部中心区域划分规则，也就是说，眉毛、嘴巴均位于面部中心区域。
60.本实施例通过采用预设的人脸关键点检测算法，对所述目标图像进行面部关键点的检测，从而识别出了面部的关键点的信息，而根据所述面部关键点数据集，对所述目标图像进行面部中心区域划分，为基于是否属于面部中心区域以确定影响权重提供了基础。
61.在一个实施例中，所述采用预设的人脸关键点检测算法，对所述目标图像进行面部关键点的检测，得到面部关键点数据集的步骤之后，还包括：
62.s23：根据所述面部关键点数据集和预设的正脸调整规则，对所述目标图像进行图像矫正。
63.具体而言，根据所述面部关键点数据集和预设的正脸调整规则，对所述目标图像进行调整，以使所述目标图像中的人脸面向与所述目标图像对应的拍摄设备。
64.本实施例根据所述面部关键点数据集和预设的正脸调整规则，对所述目标图像进行图像矫正，从而在基于矫正后的所述目标图像进行人脸和所述目标参照物的分割时，提高了分割的准确性，有利于进一步提高面部瘢痕伤残等级评估的准确性。
65.在一个实施例中，所述目标分割模型是采用基于vision transformer改进的biformer网络训练得到的模型。
66.vision transformer，英文简称为vit，直接将transformer应用在图像分类的模型，后面很多的工作都是基于vit进行改进的。vit的思路很简单：直接把图像分成固定大小的patchs，然后通过线性变换得到patch embedding，这就类比nlp的words和word embedding，由于transformer的输入就是a sequence of token embeddings，所以将图像的patch embeddings送入transformer后就能够进行特征提取从而分类了。vit模型原理如下图所示，其实vit模型只是用了transformer的encoder来提取特征(原始的transformer还有decoder部分，用于实现sequence to sequence，比如机器翻译)。
67.biformer，是一种通用的视觉transformer(一种nlp经典模型)骨干,可用于许多应用,如分类、目标检测和语义分割。由于bra(双层路由注意)使biformer能够以内容感知的方式处理每个查询最相关的键/值标记的一个小子集,所提出模型实现了更好的计算-性能权衡。
68.biformer通过双向路由注意力构建高效金字塔网络结构,通过动态稀疏采样一方面保留了细粒度的细节信息，另一方面节省了计算量，能够有效提升瘢痕尤其是细小瘢痕的分割效果。
69.本实施例通过采用基于vision transformer改进的biformer网络训练得到的模型作为所述目标分割模型，从而提高了所述目标分割模型的分割效果，有利于进一步提高面部瘢痕伤残等级评估的准确性。
70.在一个实施例中，所述根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，得到单指标画像结果的步骤，包括：
71.s41：根据所述人脸掩膜和所述参照物掩膜，对所述区域划分结果中的每个区域进行每个所述面部瘢痕伤残指标的画像，得到待处理画像结果；
72.具体而言，在所述目标图像是二维图像时，在所述区域划分结果中的每个区域内，采用每个所述面部瘢痕伤残指标对应的二维画像方法，对所述人脸掩膜和所述参照物掩膜的画像，将针对每个所述面部瘢痕伤残指标画像得到的数据作为待处理画像结果。在所述目标图像是三维图像时，在所述区域划分结果中的每个区域内，采用每个所述面部瘢痕伤残指标对应的三维画像方法，对所述人脸掩膜和所述参照物掩膜的画像，将针对每个所述面部瘢痕伤残指标画像得到的数据作为待处理画像结果。
73.s42：对同一个所述面部瘢痕伤残指标对应的各个所述待处理画像结果，按所述区域划分结果对应的影响权重集进行加权求和，得到所述单指标画像结果；
74.其中，所述面部瘢痕伤残指标的取值范围包括：单瘢痕长度集合、单瘢痕宽度集合、瘢痕条数、瘢痕累计长度、瘢痕累计面积和瘢痕面积占比。
75.单瘢痕长度集合中包含至少0个单瘢痕实际长度，其中，单瘢痕实际长度是一个瘢痕的实际长度。单瘢痕宽度集合中包含至少0个单瘢痕宽度，其中，单瘢痕宽度是一个瘢痕的宽度。瘢痕条数是一个区域中瘢痕的数量。瘢痕累计长度是一个区域中所有瘢痕的长度的总和。瘢痕累计面积是一个区域中所有瘢痕的总面积。瘢痕面积占比是区域中的瘢痕累计面积除以该区域的总面积。
76.具体而言，对同一个所述面部瘢痕伤残指标对应的每个所述待处理画像结果与该所述待处理画像结果对应的区域在影响权重集中的影响权重进行相乘，得到单区域画像调整结果；将同一个所述面部瘢痕伤残指标对应的所有单区域画像调整结果进行求和计算，得到所述单指标画像结果。
77.本实施例的所述面部瘢痕伤残指标的取值范围包括：单瘢痕长度集合、单瘢痕宽度集合、瘢痕条数、瘢痕累计长度、瘢痕累计面积和瘢痕面积占比，从而有效的定位到了面部条状、块状、细小瘢痕在内的各类瘢痕，有利于进一步提高面部瘢痕伤残等级评估的准确性。
78.在一个实施例中，所述根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果的步骤，包括：
79.s511：基于预设的面部瘢痕伤残等级评估规则，对各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的所述面部瘢痕伤残等级评估结果。
80.具体而言，判断各个所述单指标画像结果是否满足预设的面部瘢痕伤残等级评估规则中每个面部瘢痕伤残等级对应的要求，若存在面部瘢痕伤残等级对应的要求被满足，则将该面部瘢痕伤残等级作为命中等级；从各个命中等级中挑选最高的命中等级，将挑选的命中等级作为所述目标对象对应的所述面部瘢痕伤残等级评估结果。
81.本实施例实现了基于图像进行面部瘢痕伤残等级的自动评估，解决了手动测量导致的面部瘢痕伤残等级评估不准确的技术问题，提高了评估的效率；通过目标参照物对应的图像区域的对比，准确的计算出了单指标画像结果，从而实现了面部瘢痕伤残等级的准确评估；通过目标分割模型实现了基于人工智能的人脸和参照物的分割，从而实现了面部瘢痕伤残等级的准确评估。
82.在一个实施例中，所述根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果的步骤，还包括：
83.s521：将各个所述单指标画像结果输入预设的面部瘢痕伤残等级分类预测模型进行面部瘢痕伤残等级的分类预测，得到预测向量；
84.具体而言，将各个所述单指标画像结果输入预设的面部瘢痕伤残等级分类预测模型进行面部瘢痕伤残等级的分类预测，将分类预测得到的向量作为预测向量。
85.面部瘢痕伤残等级分类预测模型是基于bert模型和分类单元训练得到的模型，bert模型用于对各个所述单指标画像结果进行特征提取，分类单元根据bert模型提取的特征进行分类预测。
86.bert模型，也就是bidirectional encoder representations from transformers。
87.分类单元包括：依次连接的全连接层和激活层。激活层采用softmax激活函数，或者采用sigmoid激活函数。softmax函数，是指归一化指数函数。sigmoid函数，是一个在生物学中常见的s型函数，也称为s型生长曲线。在信息科学中，由于其单增以及反函数单增等性质，sigmoid函数常被用作神经网络的激活函数，将变量映射到0-1之间。
88.预测向量中每个向量元素对应一个等级类别，预测向量中每个向量元素的值是概率值。
89.s522：将所述预测向量中值为最大的向量元素作为命中元素；
90.s523：将所述命中元素对应的等级类别作为所述目标对象对应的所述面部瘢痕伤残等级评估结果。
91.本实施例实现了基于图像进行面部瘢痕伤残等级的自动评估，解决了手动测量导致的面部瘢痕伤残等级评估不准确的技术问题，提高了评估的效率；通过目标参照物对应的图像区域的对比，准确的计算出了单指标画像结果，从而实现了面部瘢痕伤残等级的准确评估；通过目标分割模型实现了基于人工智能的人脸和参照物的分割，从而实现了面部瘢痕伤残等级的准确评估。
92.请参阅图3所示，在一实施例中，提供一种基于图像的面部瘢痕伤残等级评估装置，所述装置包括：
93.图像获取模块801，用于获取目标图像，其中，所述目标图像中包含目标对象的人
脸对应的图像区域和目标参照物对应的图像区域，两个所述图像区域不重叠；
94.区域划分模块802，用于对所述目标图像进行区域划分，得到区域划分结果；
95.分割模块803，用于将所述目标图像输入预训练的目标分割模型分别进行人脸和所述目标参照物的分割，得到人脸掩膜和参照物掩膜；
96.画像模块804，用于根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，得到单指标画像结果；
97.评估模块805，用于根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果。
98.本实施例通过获取目标图像，所述目标图像中包含目标对象的人脸对应的图像区域和目标参照物对应的图像区域，两个所述图像区域不重叠，对所述目标图像进行区域划分，得到区域划分结果，将所述目标图像输入预训练的目标分割模型分别进行人脸和所述目标参照物的分割，得到人脸掩膜和参照物掩膜，根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，得到单指标画像结果，根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果。从而实现了基于图像进行面部瘢痕伤残等级的自动评估，解决了手动测量导致的面部瘢痕伤残等级评估不准确的技术问题，提高了评估的效率；通过目标参照物对应的图像区域的对比，准确的计算出了单指标画像结果，从而实现了面部瘢痕伤残等级的准确评估；通过目标分割模型实现了基于人工智能的人脸和参照物的分割，从而实现了面部瘢痕伤残等级的准确评估。
99.在一个实施例中，所述区域划分模块802的所述对所述目标图像进行区域划分，得到区域划分结果的步骤，包括：
100.采用预设的人脸关键点检测算法，对所述目标图像进行面部关键点的检测，得到面部关键点数据集；
101.根据所述面部关键点数据集，对所述目标图像进行面部中心区域划分，得到所述区域划分结果。
102.在一个实施例中，所述装置还包括图像矫正模块，所述图像矫正模块用于：
103.根据所述面部关键点数据集和预设的正脸调整规则，对所述目标图像进行图像矫正。
104.在一个实施例中，所述目标分割模型是采用基于vision transformer改进的biformer网络训练得到的模型。
105.在一个实施例中，所述画像模块804的所述根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，得到单指标画像结果的步骤，包括：
106.根据所述人脸掩膜和所述参照物掩膜，对所述区域划分结果中的每个区域进行每个所述面部瘢痕伤残指标的画像，得到待处理画像结果；
107.对同一个所述面部瘢痕伤残指标对应的各个所述待处理画像结果，按所述区域划分结果对应的影响权重集进行加权求和，得到所述单指标画像结果；
108.其中，所述面部瘢痕伤残指标的取值范围包括：单瘢痕长度集合、单瘢痕宽度集合、瘢痕条数、瘢痕累计长度、瘢痕累计面积和瘢痕面积占比。
109.在一个实施例中，所述评估模块805所述根据各个所述单指标画像结果进行面部
瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果的步骤，包括：
110.基于预设的面部瘢痕伤残等级评估规则，对各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的所述面部瘢痕伤残等级评估结果。
111.在一个实施例中，所述评估模块805所述根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果的步骤，还包括：
112.将各个所述单指标画像结果输入预设的面部瘢痕伤残等级分类预测模型进行面部瘢痕伤残等级的分类预测，得到预测向量；
113.将所述预测向量中值为最大的向量元素作为命中元素；
114.将所述命中元素对应的等级类别作为所述目标对象对应的所述面部瘢痕伤残等级评估结果。
115.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的客户端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于图像的面部瘢痕伤残等级评估方法服务端侧的功能或步骤。
116.在一个实施例中，提供了一种计算机设备，该计算机设备可以是客户端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种基于图像的面部瘢痕伤残等级评估方法客户端侧的功能或步骤。
117.在一个实施例中，提出了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
118.获取目标图像，其中，所述目标图像中包含目标对象的人脸对应的图像区域和目标参照物对应的图像区域，两个所述图像区域不重叠；
119.对所述目标图像进行区域划分，得到区域划分结果；
120.将所述目标图像输入预训练的目标分割模型分别进行人脸和所述目标参照物的分割，得到人脸掩膜和参照物掩膜；
121.根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，得到单指标画像结果；
122.根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果。
123.本实施例通过获取目标图像，所述目标图像中包含目标对象的人脸对应的图像区域和目标参照物对应的图像区域，两个所述图像区域不重叠，对所述目标图像进行区域划
分，得到区域划分结果，将所述目标图像输入预训练的目标分割模型分别进行人脸和所述目标参照物的分割，得到人脸掩膜和参照物掩膜，根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，得到单指标画像结果，根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果。从而实现了基于图像进行面部瘢痕伤残等级的自动评估，解决了手动测量导致的面部瘢痕伤残等级评估不准确的技术问题，提高了评估的效率；通过目标参照物对应的图像区域的对比，准确的计算出了单指标画像结果，从而实现了面部瘢痕伤残等级的准确评估；通过目标分割模型实现了基于人工智能的人脸和参照物的分割，从而实现了面部瘢痕伤残等级的准确评估。
124.在一个实施例中，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
125.获取目标图像，其中，所述目标图像中包含目标对象的人脸对应的图像区域和目标参照物对应的图像区域，两个所述图像区域不重叠；
126.对所述目标图像进行区域划分，得到区域划分结果；
127.将所述目标图像输入预训练的目标分割模型分别进行人脸和所述目标参照物的分割，得到人脸掩膜和参照物掩膜；
128.根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，得到单指标画像结果；
129.根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果。
130.本实施例通过获取目标图像，所述目标图像中包含目标对象的人脸对应的图像区域和目标参照物对应的图像区域，两个所述图像区域不重叠，对所述目标图像进行区域划分，得到区域划分结果，将所述目标图像输入预训练的目标分割模型分别进行人脸和所述目标参照物的分割，得到人脸掩膜和参照物掩膜，根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，得到单指标画像结果，根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果。从而实现了基于图像进行面部瘢痕伤残等级的自动评估，解决了手动测量导致的面部瘢痕伤残等级评估不准确的技术问题，提高了评估的效率；通过目标参照物对应的图像区域的对比，准确的计算出了单指标画像结果，从而实现了面部瘢痕伤残等级的准确评估；通过目标分割模型实现了基于人工智能的人脸和参照物的分割，从而实现了面部瘢痕伤残等级的准确评估。
131.需要说明的是，上述关于计算机可读存储介质或计算机设备所能实现的功能或步骤，可对应参阅前述方法实施例中，服务端侧以及客户端侧的相关描述，为避免重复，这里不再一一描述。
132.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom
(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
133.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
134.以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于图像的面部瘢痕伤残等级评估方法，所述方法包括：获取目标图像，其中，所述目标图像中包含目标对象的人脸对应的图像区域和目标参照物对应的图像区域，两个所述图像区域不重叠；对所述目标图像进行区域划分，得到区域划分结果；将所述目标图像输入预训练的目标分割模型分别进行人脸和所述目标参照物的分割，得到人脸掩膜和参照物掩膜；根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，得到单指标画像结果；根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果。2.根据权利要求1所述的基于图像的面部瘢痕伤残等级评估方法，其特征在于，所述对所述目标图像进行区域划分，得到区域划分结果的步骤，包括：采用预设的人脸关键点检测算法，对所述目标图像进行面部关键点的检测，得到面部关键点数据集；根据所述面部关键点数据集，对所述目标图像进行面部中心区域划分，得到所述区域划分结果。3.根据权利要求2所述的基于图像的面部瘢痕伤残等级评估方法，其特征在于，所述采用预设的人脸关键点检测算法，对所述目标图像进行面部关键点的检测，得到面部关键点数据集的步骤之后，还包括：根据所述面部关键点数据集和预设的正脸调整规则，对所述目标图像进行图像矫正。4.根据权利要求1所述的基于图像的面部瘢痕伤残等级评估方法，其特征在于，所述目标分割模型是采用基于vision transformer改进的biformer网络训练得到的模型。5.根据权利要求1所述的基于图像的面部瘢痕伤残等级评估方法，其特征在于，所述根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，得到单指标画像结果的步骤，包括：根据所述人脸掩膜和所述参照物掩膜，对所述区域划分结果中的每个区域进行每个所述面部瘢痕伤残指标的画像，得到待处理画像结果；对同一个所述面部瘢痕伤残指标对应的各个所述待处理画像结果，按所述区域划分结果对应的影响权重集进行加权求和，得到所述单指标画像结果；其中，所述面部瘢痕伤残指标的取值范围包括：单瘢痕长度集合、单瘢痕宽度集合、瘢痕条数、瘢痕累计长度、瘢痕累计面积和瘢痕面积占比。6.根据权利要求1所述的基于图像的面部瘢痕伤残等级评估方法，其特征在于，所述根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果的步骤，包括：基于预设的面部瘢痕伤残等级评估规则，对各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的所述面部瘢痕伤残等级评估结果。7.根据权利要求1所述的基于图像的面部瘢痕伤残等级评估方法，其特征在于，所述根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果的步骤，还包括：
将各个所述单指标画像结果输入预设的面部瘢痕伤残等级分类预测模型进行面部瘢痕伤残等级的分类预测，得到预测向量；将所述预测向量中值为最大的向量元素作为命中元素；将所述命中元素对应的等级类别作为所述目标对象对应的所述面部瘢痕伤残等级评估结果。8.一种基于图像的面部瘢痕伤残等级评估装置，其特征在于，所述装置包括：图像获取模块，用于获取目标图像，其中，所述目标图像中包含目标对象的人脸对应的图像区域和目标参照物对应的图像区域，两个所述图像区域不重叠；区域划分模块，用于对所述目标图像进行区域划分，得到区域划分结果；分割模块，用于将所述目标图像输入预训练的目标分割模型分别进行人脸和所述目标参照物的分割，得到人脸掩膜和参照物掩膜；画像模块，用于根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，得到单指标画像结果；评估模块，用于根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果。9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于图像的面部瘢痕伤残等级评估方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于图像的面部瘢痕伤残等级评估方法的步骤。

技术总结
本申请涉及医疗健康技术领域，揭示了一种基于图像的面部瘢痕伤残等级评估方法及相关设备，其中方法包括：获取目标图像，其中，所述目标图像中包含目标对象的人脸对应的图像区域和目标参照物对应的图像区域，两个所述图像区域不重叠；对所述目标图像进行区域划分，得到区域划分结果；将所述目标图像输入预训练的目标分割模型分别进行人脸和所述目标参照物的分割，得到人脸掩膜和参照物掩膜；根据所述区域划分结果、所述人脸掩膜和所述参照物掩膜进行每个面部瘢痕伤残指标的画像，得到单指标画像结果；根据各个所述单指标画像结果进行面部瘢痕伤残等级的评估，得到所述目标对象对应的面部瘢痕伤残等级评估结果。从而实现了面部瘢痕伤残等级的准确评估。瘢痕伤残等级的准确评估。瘢痕伤残等级的准确评估。


技术研发人员：初晓 王佳平 韩英男
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.06.20
技术公布日：2023/9/20