[发明专利]一种基于改进CycleGAN的面部穴位自动定位检测系统及方法

权利要求书

1.一种基于改进CycleGAN的面部穴位自动定位检测系统，其特征在于，包括：面部信息输入模块、穴位标定模块、信息输出模块；

所述面部信息输入模块，用以输入面部图像信息；

所述穴位标定模块包括循环生成对抗网络，所述循环生成对抗网络包括：用于将没有穴位标定图像转换为有穴位标定图像的生成器G、用于将有穴位标定图像转换为没有穴位标定图像的生成器F，所述生成器G和生成器F均包括双通道串行注意力网络，所述双通道串行注意力网络由输入端到输出端依次包括用于Shearlet变换的Shearlet图像分解子网、高频通道或低频通道，所述高频通道和低频通道由输入端到输出端均依次包括编码器、CA注意力模块、SA注意力模块、解码器；所述循环生成对抗网络还包括用于判断没有穴位标定图像的判别器D_A、用于判断有穴位标定图像的判别器D_B，所述判别器D_A与判别器D_B包括用于获得不同分辨率有穴位标定图像和没有穴位标定图像的Shuffle函数、对于不同分辨率有穴位标定图像和没有穴位标定图像进行特征提取并融合降维后对结果进行输出的Sigmoid激活函数，从而循环生成对抗网络在训练收敛后将没有穴位标定图像转换为有穴位标定图像；

所述信息输出模块，输出有穴位标定图像信息。

2.一种基于改进CycleGAN的面部穴位自动定位检测方法，其特征在于，包括如下步骤：

S1、生成训练数据集，包括采集人体面部图像构成没有穴位标定图像数据集，在人体面部图像上标注穴位构成有穴位标定图像数据集；

S2、构件循环生成对抗网络模型，所述生成对抗网络模型通过输入训练数据集对循环生成对抗网络模型进行训练、收敛；

S3、穴位自动标定、输出，输入没有穴位标定图像数据集以外的没有穴位标定图像，通过训练后的循环生成对抗网络模型将没有穴位标定图像转换为对应有穴位标定图像，而后对有穴位标定图像进行输出，以自动根据输入的不同的没有穴位标定图像对应生成有穴位标定图像。

3.如权利要求2所述一种基于改进CycleGAN的面部穴位自动定位检测方法，其特征在于：所述循环生成对抗网络模型包括生成器G、生成器F、判别器D_A、判别器D_B，步骤S2中的训练、收敛过程包括如下步骤：

由生成器G将没有穴位标定图像转换为有穴位标定生成图像，生成器F将有穴位标定生成图像转换为没有穴位标定循环图像；同时，由生成器F将有穴位标定图像转换为没有穴位标定生成图像，生成器G将没有穴位标定生成图像转换为有穴位标定循环图像；

然后，由判别器D_A判定没有穴位标定生成图像和没有穴位标定循环图像是否为没有穴位标定图像；由判别器D_B判定有穴位标定生成图像和有穴位标定循环图像是否为有穴位标定图像；

最后，利用梯度优化算法迭代优化。

4.如权利要求3所述一种基于改进CycleGAN的面部穴位自动定位检测方法，其特征在于：所述生成器G和生成器F包括双通道串行注意力网络，所述双通道串行注意力网络包括shearlet图像分解子网、编码器、CA注意力模块、SA空间注意力模块、解码器，所述双通道串行注意力网络首先通过shearlet图像分解子网将输入生成器G或生成器F的面部图像信息分解为低频部分和高频部分，然后分别通过编码器提取特征，并进行卷积后依次通过CA注意力模块和SA空间注意力模块最终输入解码器形成生成图像。

5.如权利要求4所述一种基于改进CycleGAN的面部穴位自动定位检测方法，其特征在于：所述CA注意力模块将特征进行最大池化和平均池化并求和，如下式所示：

CA(M)＝sigmoid(AvgPool(M)+MaxPool(M))；

其中M表示特征，AvgPool表示平均池化，MaxPool表示最大池化。