具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。

为了使本领域技术人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包括，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本发明的实施例中，提供了一种基于人工智能的口罩定制方法，如图1所示，所述方法100可以包括：

步骤110：可以用户的脸部数据。

在一些实施例中，所述获取用户的脸部数据，可以包括：利用红外传感器获取所述用户的脸部深度信息；利用光学传感器获取所述用户的脸部彩色信息；至少基于所述用户的脸部深度信息和所述用户的脸部彩色信息，得到用户的脸部数据。

在一些实施例中，可以利用红外传感器和光学传感器分别得到特定用户的脸部深度信息和脸部彩色信息，基于所述脸部深度信息和脸部彩色信息，得到所述特定用户的脸部数据。所述脸部深度信息包括从摄像机到用户脸部的距离信息，所述脸部彩色信息为摄像机拍摄的用户的脸部的图像数据

步骤120：可以所述用户的脸部数据，利用人脸特征获取模型，得到所述用户的人脸三维点云数据。

在一些实施例中，所述人脸特征获取模型为深度学习模型，该模型的输入数据是用户的脸部数据，输出数据是所述用户的人脸三维点云数据。关于所述人脸特征获取模型可以参见图2的相关介绍，在此不再赘述。

在一些实施例中，所述人脸三维点云数据可以以点的形式进行表示，每一个三维点云数据都包含有三维位置信息，所述三维位置信息可以通过三维坐标进行表示。在一些实施例中，所述人脸三维点云数据还可以包括颜色信息，所述颜色信息可以包括所述三维点云数据的像素信息。

步骤130：至少基于所述人脸三维点云数据，利用人脸三维成像模型得到所述用户的人脸三维网格数据。

在一些实施例中，所述人脸三维成像模型为深度学习模型，该模型的输入数据是用户的人脸三维点云数据，输出数据是所述用户的人脸三维网格数据。关于所述人脸特征获取模型可以参见图4的相关介绍，在此不再赘述。

在一些实施例中，所述人脸三维网格数据可以利用图结构进行表示，所述图结构可以包括：点、边和面。

步骤140：至少基于所述用户的人脸三维网格数据，得到所述用户对应的口罩参数。

在一些实施例中，所述口罩参数可以包括但不限于形状参数、尺寸参数和位置参数。所述形状参数可以包括但不限于球面、抛物面、环等。所述尺寸参数可以包括但不限于口罩特定的部件对应的尺寸数值，需要说明的是，所述尺寸数值的单位可以包括但不限于微米、毫米、厘米等，所述位置参数可以包括但不限于对于特定的形状在整个口罩内的位置信息，所述位置信息可以通过坐标的形式进行表示，例如，利用笛卡尔坐标等。位置参数为口罩中的各个部件之间的相对位置关系，口罩中的部件可以包括但不限于：耳带、鼻梁条贴、鼻线、口罩本体、呼吸阀中的一种。

在一些实施例中，还包括：基于所述用户的人脸三维网格数据，利用预设的建模方法进行三维打印，得到所述用户的人脸三维模型；基于所述用户的人脸三维模型，获得所述用户对应的口罩参数。

在一些实施例中，还可以利用三维打印软件，基于所述用户的人脸三维网格数据，直接生成三维打印的口罩。通过三维打印技术，基于获取到的特定用户的人脸数据，可以个性化的生成适合特定用户的口罩，使得口罩的佩戴更加的方便和舒适，也提高用户佩戴口罩的积极性。

在一些实施例中，可以基于用户的自定义参数和所述用户的人脸三维网格数据，得到所述用户对应的口罩参数。

具体的，针对目前的普通口罩，用户可能不能根据自身的某些特殊情况而选择到符合需求的口罩，比如，当用户的脸上出现了肿块，如果还是选择普通口罩，可能会压到该肿块而造成用户的不舒适。又比如，在夏季时，用户需要不是紧紧包裹住用户脸部的口罩，而在冬季时，用户需要紧紧包裹住用户脸部的口罩，因而，可以通过设置用户自定义参数，结合所述用户自定义参数和所述用户的人脸三维网格数据，得到符合所述用户需求的口罩参数，满足用户个性化、定制化的要求。在一些实施例中，所述用户自定义参数可以包括形状参数、尺寸参数和位置参数等。

如图2所示，所述人脸特征获取模型的获取方法200可以包括：

步骤210：获取第一训练集，所述第一训练集包括多个样本脸部数据和标记数据，所述每个样本脸部数据包括第一样本深度信息和第一样本彩色信息，所述标记数据为所述样本脸部数据对应的三维点云数据。

步骤220：利用所述第一训练集对初始模型进行训练，得到人脸特征获取模型。

在一些实施例中，如图3所示，得到所述用户的人脸三维点云数据的方法300可以包括：

步骤310：利用第一卷积网络对所述用户的脸部深度信息进行处理，得到第一脸部深度信息。

在一些实施例中，所述第一卷积网络可以是CNN神经网络，利用所述第一卷积网络对用户的脸部深度信息进行处理，可获得第一脸部深度信息。

步骤320：利用第二卷积网络对所述用户的脸部彩色信息进行处理，得到第一彩色信息。

在一些实施例中，所述第二卷积网络可以是CNN神经网络，利用所述第二卷积网络对用户的脸部彩色信息进行处理，可获得第一脸部彩色信息。

步骤330：对所述第一脸部深度信息和所述第一脸部彩色信息进行合并处理后，得到第一处理后信息。

步骤340：利用第三卷积网络对所述第一处理后信息进行处理，得到所述用户的脸部数据对应的三维点云数据。

在一些实施例中，所述第三卷积网络可以是CNN神经网络，利用所述第三卷积网络对用户的第一处理后信息进行处理，可获得用户的脸部数据对应的三维点云数据。

在一些实施例中，所述人脸特征获取模型可以包括第一卷积网络、第二卷积网络和第三卷积网络。

在一些实施例中，如图4所示，所述人脸三维成像模型的获取方法400可以包括：

步骤410：获取第二训练集，所述第二训练集包括多个样本人脸三维点云数据和第二标记数据，所述第二标记数据为所述样本人脸三维点云数据对应的样本人脸三维网格数据。

步骤420：利用所述第二训练集对初始模型进行训练，得到人脸三维成像模型。

在一些实施例中，获得所述用户的人脸三维网格数据的方法500可以包括：

步骤510：利用点云平滑网络，对所述人脸三维点云数据进行处理，得到平滑处理后的人脸三维点云数据。

在一些实施例中，所述点云平滑网络可以是深度学习模型，深度学习模型可以由CNN组成。

步骤520：利用连接关系重建网络，对所述平滑处理后的人脸三维点云数据进行处理，得到所述用户的人脸三维网格数据。

在一些实施例中，所述连接关系重建网络可以是深度学习模型，深度学习模型可以由CNN组成。

在本发明实施例中，提供了一种基于人工智能的口罩定制方法，所述方法可以给特定类型的用户定制适合特定人群的口罩，所述方法600可以包括：

步骤610：基于预设的用户分类标准，获取不同类别的用户的人脸数据，所述每个类别包括多个用户的人脸数据，其中，所述用户分类标准至少可以包括：性别信息、年龄信息。

在一些实施例中，可以基于用户分类标准对人群进行分类，从而可以定制适合特定人群的口罩，例如，可以将根据年龄信息，将人群分为老人、成人、儿童等，又例如，可以根据性别信息，将人群分为男性和女性等。

步骤620：基于所述每个用户类别的多个用户的人脸数据，利用人脸特征获取模型，得到所述每个类别的多个用户的人脸三维点云数据。

在一些实施例中，可以利用人脸特征获取模型对每个类别的多个用户的人脸数据进行处理，例如，可以采集1000份儿童的人脸数据，利用人脸特征模型进行处理，获得1000份儿童的人脸三维点云数据。所述人脸特征模型可以参考图2和图3的相关内容，在此不再赘述。

步骤630：至少基于所述每个用户类别的多个用户的人脸三维点云数据，利用人脸三维成像模型得到所述每个用户类别的多个用户的人脸三维网格数据。

在一些实施例中，可以利用人脸三维成像模型对所述每个类别的多个用户的人脸三维点云数据进行处理，例如，可以对1000份儿童的人脸三维点云数据，利用所述人脸三维成像模型进行处理，得到1000份儿童的人脸三维网格数据。所述人脸三维成像模型可以参考图4和图5的相关内容，在此不再赘述。

步骤640：对所述每个用户类别的多个用户的人脸三维网格数据的顶点信息进行均值处理，得到所述每个用户类别对应的人脸三维网格数据。

在一些实施例中，可以对获取得到的每个用户类别的多个人脸三维网格数据的顶点信息进行平均化处理，例如，可以对通过步骤630得到1000份儿童的人脸三维网格数据对应的顶点坐标信息进行均值处理，从而得到儿童对应的人脸三维网格数据。

步骤650：至少基于所述每个用户类别对应的人脸三维网格数据，得到所述用户类别对应的口罩参数。

在一些实施例中，还可以基于所述用户类别对应的人脸三维网格数据，利用预设的建模方法进行三维打印，得到所述用户类别的人脸三维模型；基于所述用户类别的人脸三维模型，获得所述用户类别对应的口罩参数，其中，所述口罩参数至少包括：形状参数、尺寸参数和位置参数。

基于本发明的实施例，可以通过获取特定人群的人脸数据，基于人脸特征获取模型和人脸三维成像模型的处理，得到特定人群的人脸三维网格数据，从而基于所述特定人群的人脸三维网格数据，通过三维打印技术，得到适合特定人群的口罩参数，从而满足符合特定群体需求的口罩。

如图7所示，本发明实施例提供明一种基于人工智能的口罩定制装置，该装置可以包括：至少一个处理器710，例如CPU（Central Processing Unit，中央处理器），至少一个通信接口730，存储器740，至少一个通信总线720。其中，通信总线720用于实现这些组件之间的连接通信。其中，通信接口730可以包括显示屏（Display）、键盘（Keyboard），可选通信接口730还可以包括标准的有线接口、无线接口。存储器740可以是高速RAM存储器（RandomAccess Memory，易挥发性随机存取存储器），也可以是非不稳定的存储器（non-volatilememory），例如至少一个磁盘存储器。存储器730可选的还可以是至少一个位于远离前述处理器710的存储装置。其中处理器710调用存储器740中存储的程序代码，以用于执行上述任一方法步骤。

其中，通信总线720可以是外设部件互连标准（peripheral componentinterconnect，简称PCI）总线或扩展工业标准结构（extended industry standardarchitecture，简称EISA）总线等。通信总线720可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器740可以包括易失性存储器（英文：volatile memory），例如随机存取存储器（英文：random-access memory，缩写：RAM）；存储器也可以包括非易失性存储器（英文：non-volatile memory），例如快闪存储器（英文：flash memory），硬盘（英文：hard diskdrive，缩写：HDD）或固态硬盘（英文：solid-state drive，缩写：SSD）；存储器54还可以包括上述种类的存储器的组合。

其中，处理器710可以是中央处理器（英文：central processing unit，缩写：CPU），网络处理器（英文：network processor，缩写：NP）或者CPU和NP的组合。

其中，处理器710还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路（英文：application-specific integrated circuit，缩写：ASIC），可编程逻辑器件（英文：programmable logic device，缩写：PLD）或其组合。上述PLD可以是复杂可编程逻辑器件（英文：complex programmable logic device，缩写：CPLD），现场可编程逻辑门阵列（英文：field-programmable gate array，缩写：FPGA），通用阵列逻辑（英文：generic arraylogic, 缩写：GAL）或其任意组合。

可选地，存储器740还用于存储程序指令。处理器710可以调用程序指令，实现如本申请图1-图6实施例中所示的基于人工智能的口罩定制方法。

本发明实施例之一提供一种存储介质，其中，所述存储介质中存储有至少一条程序指令，所述至少一条程序指令被处理器加载并执行以实现如前文所述基于人工智能的口罩定制方法。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。