[發明專利]基于臉色識別技術判斷健康狀況的方法

在審

• 申請號: 202110258856.9
• 申請日: 2021-03-10
• 公開（公告）號: CN112861788A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 柳睿;代超;何帆;周振
• 申請（專利權）人: 中電健康云科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 成都弘毅天承知識產權代理有限公司 51230
• 代理人: 孟仕杰

1.基于臉色識別技術判斷健康狀況的方法，其特征在于，包括如下步驟：

步驟一、對目標圖片進行顏色矯正；

步驟二、將顏色矯正后的目標圖片進行人臉截取；

步驟三、對亞健康狀態進行識別。

2.根據權利要求1所述的基于臉色識別技術判斷健康狀況的方法，其特征在于：還包括：

S11、利用10000張人臉自拍圖片、標準色卡色塊值訓練第一神經網絡，得到顏色矯正模型，將目標圖片輸入顏色矯正模型進行顏色矯正；

S12、將顏色矯正后的人臉自拍圖片用圖像標注工具標記出人臉的位置，訓練第二神經網絡，得到人臉截取模型，將目標圖片輸入人臉截取模型進行人臉截取；

S13、將顏色矯正后的人臉自拍圖片中的人臉截取出來，嵌進統一背景的圖片中，用該新生成的圖片訓練第三神經網絡，得到亞健康判斷模型，將從目標圖片截取的人臉圖片輸入亞健康判斷模型，判斷目標圖片的亞健康狀態。

3.根據權利要求2所述的基于臉色識別技術判斷健康狀況的方法，其特征在于：所述第一神經網絡具有4個隱藏層，每個隱藏層具有4個神經元，隱藏層用正切S型函數，輸出層用線性轉移函數。

4.根據權利要求3所述的基于臉色識別技術判斷健康狀況的方法，其特征在于：所述第一神經網絡的訓練過程包括如下：

從人臉自拍圖片上提取RGB值作為輸入值，標準色卡色塊值作為監督值，每張人臉自拍圖片有R、G、B3個輸入值，經過隱藏層，輸出3個值，其中，數據處理包括python軟件中的TensorFlow模塊，所述TensorFlow模塊包括IO模塊、data.experimental.AUTOTUNE模塊和cache模塊；訓練方式包括TensorFlow模塊下的repeat模塊、shuffle模塊、batch模塊和prefetch模塊；優化器采用Adam優化器；終止條件為最大運行epoch為250次，如果損失函數在接下來20個epoch中沒有減少，則終止訓練。

5.根據權利要求2所述的基于臉色識別技術判斷健康狀況的方法，其特征在于：所述第二神經網絡的訓練過程包括如下：

S21、將顏色矯正后的圖片用圖像標注工具標注出人臉與背景，生成json格式的文件；

S22、用python對標注好的文件進行數據預處理；

S23、選取xception-65作為人臉截取模型的主干網絡，用于對輸入圖片的語義分割，加入編碼與解碼結構，采用雙線性差值上采樣，將圖像特征通過卷積操作后進行預測；

S24、自定義損失函數并進行第二神經網絡的訓練，將batch_size設置成32，learning_rate設置為0.001，并設置隨著梯度不斷下降，learning_rate最多減少到0.0001，當循環50次Loss不再減小，則停止訓練。

6.根據權利要求2所述的基于臉色識別技術判斷健康狀況的方法，其特征在于：所述第三神經網絡的訓練過程包括如下：

S31、將顏色矯正后的人臉自拍圖片中的人臉截取出來，嵌進統一的黑色背景的圖片中；

S32、使用tf.io模塊讀取步驟S31處理后的圖片，再使用TensorFlow中的image.decode_jpeg模塊將該圖片解碼，使用image.resize函數歸一化該圖片；

S33、凍結第三神經網絡除最后5層之外的所有層參數，僅訓練第三神經網絡的最后5層，同時在第三神經網絡之后增加一個GlobalMaxPooling2D層與一個神經元個數為512個的全連接層，激活函數為relu，在第三神經網絡的最后一層再添加一個激活函數為sigmoid的全連接層；

S34、將batch_size設置成32，learning_rate設置為0.001，并設置隨著梯度不斷下降，learning_rate最多減少到0.0001，當循環50次Loss不再減小，則停止訓練。