[發明專利]一種基于智能視覺重構的無人機人體健康監控方法與系統

在審

• 申請號: 201711193172.5
• 申請日: 2017-11-24
• 公開（公告）號: CN107967941A
• 公開（公告）日: 2018-04-27
• 發明（設計）人: 劉輝;李燕飛
• 申請（專利權）人: 中南大學
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/30;G16H40/67;G16H70/00;G06N3/08;G06K9/62;G06K9/46;G06K9/00
• 代理公司: 長沙市融智專利事務所43114
• 代理人: 龔燕妮

技術領域

本發明屬于健康監測大數據領域，特別涉及一種基于智能視覺重構的無人機人體健康監控方法與系統。

背景技術

隨著社會經濟的不斷發展，健康觀念逐步深入人心，參加戶外運動的人數日益壯大。與此同時，因運動個體的運動量過大導致的運動事故率也節節攀高。因此，在戶外運動中對人體的健康情況進行實時監測，有效的保障運動者安全的問題就十分有意義。

近些年，信息多元化的發展，以及計算機技術、微電子技術和多傳感器網絡日益成熟，信息融合作為一種有效的信息綜合處理方法，在目標識別、故障診斷、態勢估計、圖像處理、遙感等領域發展迅猛。但是目前，信息融合技術在生理信息領域的應用研究還處于初級階段，尤其是運動保健、體育等領域。

目前，穿戴設備可以快速準確地測出測量心率、汗液、體溫、睡眠、步數、血壓、葡萄糖水平等人體健康數據。但是人體是龐大而復雜的有機系統,只通過簡單的一項生理指標信息很難對人體健康狀態進行準確的判斷。借助信息融合技術，利用神經網絡建立人體健康評估模型，通過對這些人體健康數據的智能融合，從而監測人體的身體健康狀況。

因此，在戶外運動過程中，實時監測人體健康數據并進行智能融合、運動環境以及人體位置，可以很大程度上防止戶外運動意外事故的發生，保障生命安全。

發明內容

本發明目的在于提出一種基于智能視覺重構的無人機人體健康監控方法與系統，利用搭載在無人機上的ZED相機獲取的人體身高，篩選出待識別人體群并且獲取對應的臉部圖像；基于Hadoop平臺對待識別人體臉部圖利用廣義回歸神經網絡進行快速識別；無人機跟蹤已識別人體，并與已識別人體的穿戴設備進行通信，獲取待識別人體的健康數據傳輸至遠程服務器；將獲取的健康數據輸入基于PID神經網絡的人體健康評估模型，得到待識別人體的健康檢測程度。

一種基于智能視覺重構的無人機人體健康監控方法與系統，包括以下步驟：

步驟1：構建人體健康特征數據庫；

所述人體健康特征數據庫包括人體自然體征數據庫和人體極限運動數據庫；

其中，所述人體自然體征數據庫包括不同人的臉部圖像和對應的身高，且所述臉部圖像包括在不同光照強度下獲得的各種正面圖像、左臉圖像以及右臉圖像；

所述人體極限運動數據庫包括人體健康特征數據庫中每個人在不同極限運動的各種運動量情況下的健康數據，所述健康數據是指在運動過程中10s內采集的心率、血壓和體溫；

步驟2：依據搭載在無人機上的ZED相機獲取的人體身高，篩選出待識別人體群并且獲取對應的臉部圖像數據塊；

步驟3：基于Hadoop平臺對待識別人體臉部圖像數據塊進行待識別人體的快速識別；

步驟3.1：將待識別人體的臉部圖像數據塊，利用MapReduce進行切片，并為每一個數據分片構造一個Map任務；

步驟3.2：利用Input Format類將每個數據分片轉換成<key/value>對，以key記錄每個數據分片起點的存儲位置，以value記錄每個數據分片的數據長度；

步驟3.3：對步驟3.2得到的所有<key/value>對對應的臉部圖像數據進行Map操作；

所述Map操作是指對一個數據分片中的臉部圖像依次進行預處理、特征提取、PCA降維處理后，采用在Hadoop平臺訓練得到的基于廣義回歸神經網絡的臉部識別模型進行識別；

其中，對預處理后臉部圖像采用Gabor小波濾波器進行特征提取，所述Gabor小波濾波器包括5個中心頻率和8個方向；

步驟3.4：利用Reduce函數融合所有Map操作輸出的識別結果；

其中，所述在Hadoop平臺訓練得到的基于廣義回歸神經網絡的臉部識別模型是指將臉部圖像訓練數據按照步驟3.1-3.2的過程利用MapReduce進行多次數據分片處理，并將每個數據分片對應的訓練數據，訓練基于廣義回歸神經網絡的臉部識別模型，將所有訓練完后的基于廣義回歸神經網絡的臉部識別模型中的光滑因子求平均，直到最終基于廣義回歸神經網絡的臉部識別模型的精度滿足設定的識別精度或者執行MapReduce次數達到設定的最大執行次數；

步驟4：利用識別結果，使得無人機跟蹤待識別人體，并與待識別人體的穿戴設備進行通信，獲取待識別人體的健康數據傳輸至遠程服務器；

步驟5：將獲取的待識別人體的健康數據輸入PID神經網絡人體健康評估模型，得到待識別人體的健康檢測程度。

進一步地，所述廣義回歸神經網絡臉部識別模型的構建過程如下：