[發(fā)明專利]基于臉色識(shí)別技術(shù)判斷健康狀況的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110258856.9
• 申請(qǐng)日: 2021-03-10
• 公開(kāi)（公告）號(hào): CN112861788A
• 公開(kāi)（公告）日: 2021-05-28
• 發(fā)明（設(shè)計(jì)）人: 柳睿;代超;何帆;周振
• 申請(qǐng)（專利權(quán)）人: 中電健康云科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/34;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 成都弘毅天承知識(shí)產(chǎn)權(quán)代理有限公司 51230
• 代理人: 孟仕杰

本發(fā)明涉及圖片識(shí)別領(lǐng)域，具體是基于臉色識(shí)別技術(shù)判斷健康狀況的方法，包括如下步驟：步驟一、對(duì)目標(biāo)圖片進(jìn)行顏色矯正；步驟二、將顏色矯正后的目標(biāo)圖片進(jìn)行人臉截?。徊襟E三、對(duì)亞健康狀態(tài)進(jìn)行識(shí)別；本方法操作簡(jiǎn)單，僅需將自拍照放入系統(tǒng)即可得出結(jié)果，方便快捷。

技術(shù)領(lǐng)域

本發(fā)明涉及圖片識(shí)別領(lǐng)域，具體是指基于臉色識(shí)別技術(shù)判斷健康狀況的方法。

背景技術(shù)

現(xiàn)在社會(huì)中，由于各種外界與內(nèi)在因素，亞健康狀態(tài)越發(fā)嚴(yán)重，患病人數(shù)也日漸增大，亞健康是指人體處于健康和疾病之間的一種狀態(tài)，處于亞健康狀態(tài)者，不能達(dá)到健康的標(biāo)準(zhǔn)，表現(xiàn)為一定時(shí)間內(nèi)的活力降低、功能和適應(yīng)能力減退的癥狀，但不符合現(xiàn)代醫(yī)學(xué)有關(guān)疾病的臨床或亞臨床診斷標(biāo)準(zhǔn)，因此，如何快速判斷一個(gè)人是否為亞健康的研究成為了社會(huì)急需解決的一個(gè)問(wèn)題。

發(fā)明內(nèi)容

基于以上問(wèn)題，本發(fā)明提供了基于臉色識(shí)別技術(shù)判斷健康狀況的方法，本方法操作簡(jiǎn)單，僅需將自拍照放入系統(tǒng)即可得出結(jié)果，方便快捷。

為解決以上技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案如下：

基于臉色識(shí)別技術(shù)判斷健康狀況的方法，包括如下步驟：

步驟一、對(duì)目標(biāo)圖片進(jìn)行顏色矯正；

步驟二、將顏色矯正后的目標(biāo)圖片進(jìn)行人臉截??；

步驟三、對(duì)亞健康狀態(tài)進(jìn)行識(shí)別。

進(jìn)一步，還包括：

S11、利用10000張人臉自拍圖片、標(biāo)準(zhǔn)色卡色塊值訓(xùn)練第一神經(jīng)網(wǎng)絡(luò)，得到顏色矯正模型，將目標(biāo)圖片輸入顏色矯正模型進(jìn)行顏色矯正；

S12、將顏色矯正后的人臉自拍圖片用圖像標(biāo)注工具標(biāo)記出人臉的位置，訓(xùn)練第二神經(jīng)網(wǎng)絡(luò)，得到人臉截取模型，將目標(biāo)圖片輸入人臉截取模型進(jìn)行人臉截??；

S13、將顏色矯正后的人臉自拍圖片中的人臉截取出來(lái)，嵌進(jìn)統(tǒng)一背景的圖片中，用該新生成的圖片訓(xùn)練第三神經(jīng)網(wǎng)絡(luò)，得到亞健康判斷模型，將從目標(biāo)圖片截取的人臉圖片輸入亞健康判斷模型，判斷目標(biāo)圖片的亞健康狀態(tài)。

進(jìn)一步，所述第一神經(jīng)網(wǎng)絡(luò)具有4個(gè)隱藏層，每個(gè)隱藏層具有4個(gè)神經(jīng)元，隱藏層用正切S型函數(shù)，輸出層用線性轉(zhuǎn)移函數(shù)。

進(jìn)一步，所述第一神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程包括如下：

從人臉自拍圖片上提取RGB值作為輸入值，標(biāo)準(zhǔn)色卡色塊值作為監(jiān)督值，每張人臉自拍圖片有R、G、B3個(gè)輸入值，經(jīng)過(guò)隱藏層，輸出3個(gè)值，其中，數(shù)據(jù)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(xùn)練方式包括TensorFlow模塊下的repeat模塊、shuffle模塊、batch模塊和prefetch模塊；優(yōu)化器采用Adam優(yōu)化器；終止條件為最大運(yùn)行epoch為250次，如果損失函數(shù)在接下來(lái)20個(gè)epoch中沒(méi)有減少，則終止訓(xùn)練。

進(jìn)一步，所述第二神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程包括如下：

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

S22、用python對(duì)標(biāo)注好的文件進(jìn)行數(shù)據(jù)預(yù)處理；

S23、選取xception-65作為人臉截取模型的主干網(wǎng)絡(luò)，用于對(duì)輸入圖片的語(yǔ)義分割，加入編碼與解碼結(jié)構(gòu)，采用雙線性差值上采樣，將圖像特征通過(guò)卷積操作后進(jìn)行預(yù)測(cè)；

S24、自定義損失函數(shù)并進(jìn)行第二神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，將batch_size設(shè)置成32，learning_rate設(shè)置為0.001，并設(shè)置隨著梯度不斷下降，learning_rate最多減少到0.0001，當(dāng)循環(huán)50次Loss不再減小，則停止訓(xùn)練。