CN110633634A - 一种关于中医体质的脸型分类方法、***和计算机可读存储介质 - Google Patents
一种关于中医体质的脸型分类方法、***和计算机可读存储介质 Download PDFInfo
- Publication number
- CN110633634A CN110633634A CN201910729339.8A CN201910729339A CN110633634A CN 110633634 A CN110633634 A CN 110633634A CN 201910729339 A CN201910729339 A CN 201910729339A CN 110633634 A CN110633634 A CN 110633634A
- Authority
- CN
- China
- Prior art keywords
- face
- chinese medicine
- traditional chinese
- classification
- classified
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000003814 drug Substances 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 92
- 238000012549 training Methods 0.000 claims abstract description 73
- 230000001815 facial effect Effects 0.000 claims abstract description 31
- 238000010801 machine learning Methods 0.000 claims abstract description 30
- 238000013145 classification model Methods 0.000 claims abstract description 27
- 238000003066 decision tree Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 210000002837 heart atrium Anatomy 0.000 claims description 6
- 210000000216 zygoma Anatomy 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 description 11
- 210000001061 forehead Anatomy 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000002787 reinforcement Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 5
- 239000000654 additive Substances 0.000 description 4
- 230000000996 additive effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000008450 motivation Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000009278 visceral effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种关于中医体质的脸型分类方法、***和计算机可读存储介质,所述方法包括:获取训练用的人脸样本图像,并构建特征库;根据所述特征库中的人脸样本图像,并采用机器学习算法训练得到关于中医体质的脸型分类模型;获取待分类的人脸图像;采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类,得到对应的分类结果信息并进行显示;本发明通过能够根据具有判别力的人脸图像数据,自动输出关于中医体质的脸型的分类结果;相较于传统的人为分类方式,本发明的关于中医体质的脸型分类方法自动化程度高,有效节省了人力成本;同时,不受人为主观因素的影响,分类准确度高。
Description
技术领域
本发明涉及机器学习和图像处理技术领域,尤其涉及一种关于中医体质的脸型分类方法、***和计算机可读存储介质。
背景技术
现有中医技术通过准确地辨别患者中医体质类别就可初步对其进行大致的脏腑经络病位辨证定位,为临床用药和养生保健提供依据,并结合人体测量学,对面部特征进行的客观化,还经过了临床采集病例,专家标注等过程,对面部特征进行了研究。
现阶段图像识别技术一般分为人脸识别与商品识别,人脸识别主要运用在安全检查、身份核验与移动支付中;商品识别主要运用在商品流通过程中,特别是无人货架、智能零售柜等无人零售领域。
因此,在当前的人工智能环境下,亟需一种基于机器学习的关于中医体质的脸型分类方法,来替代传统医生人为的分类方式。
发明内容
为了解决上述至少一个技术问题,本发明提出了一种关于中医体质的脸型分类方法、***和计算机可读存储介质。
为了实现上述目的,本发明第一方面提出了一种关于中医体质的脸型分类方法,包括:
获取训练用的人脸样本图像,并构建特征库;
根据所述特征库中的人脸样本图像,并采用机器学习算法训练得到关于中医体质的脸型分类模型;
获取待分类的人脸图像;
采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类,得到对应的分类结果信息并进行显示。
本方案中,获取训练用的人脸样本图像,并构建特征库,还包括:
获取人脸样本图像,进行特征提取,立体匹配,并对所述人脸样本图像进行双目视觉三维重建人脸样本模型;
接收对所述人脸样本图像标注的关于中医体质的脸型类别标签;
收集多个训练样本,并构建所述特征库。
本方案中,获取待分类的人脸图像,还包括:
获取待分类的人脸图像,进行特征提取,立体匹配,并对所述人脸图像进行双目视觉三维重建人脸模型;
获取待分类的人脸模型的人脸特征。
进一步的,采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类,得到对应的分类结果信息并进行显示,还包括:
根据所述人脸特征,采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类,得到对应的分类结果信息并进行显示。
优选的,所述人脸特征为额宽、颧宽、下颚宽、额长、中庭长、下庭长、眼长、眼宽、鼻长、鼻宽、鼻高、人中长度、唇宽、上唇高、下唇高、唇高、下颚的一种或几种。
优选的,所述机器学习算法为随机森林算法、梯度提升机算法、K近邻算法、支持向量机算法、AdaBoost算法、分类决策树算法的一种或几种。
本发明第二方面还提出一种关于中医体质的脸型分类***,所述关于中医体质的脸型分类***包括:存储器及处理器,所述存储器中包括一种关于中医体质的脸型分类方法程序,所述关于中医体质的脸型分类方法程序被所述处理器执行时实现如下步骤:
获取训练用的人脸样本图像,并构建特征库;
根据所述特征库中的人脸样本图像,并采用机器学习算法训练得到关于中医体质的脸型分类模型;
获取待分类的人脸图像;
采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类,得到对应的分类结果信息并进行显示。
本方案中,获取训练用的人脸样本图像,并构建特征库,还包括:
获取人脸样本图像,进行特征提取,立体匹配,并对所述人脸样本图像进行双目视觉三维重建人脸样本模型;
接收对所述人脸样本图像标注的关于中医体质的脸型类别标签;
收集多个训练样本,并构建所述特征库。
本方案中,获取待分类的人脸图像,还包括:
获取待分类的人脸图像,进行特征提取,立体匹配,并对所述人脸图像进行双目视觉三维重建人脸模型;
获取待分类的人脸模型的人脸特征。
本发明第三方面还提出一种计算机可读存储介质,所述计算机可读存储介质中包括一种关于中医体质的脸型分类方法程序,所述关于中医体质的脸型分类方法程序被处理器执行时,实现如上述的一种关于中医体质的脸型分类方法的步骤。
本发明通过获取训练用的人脸样本图像,并构建特征库;根据所述特征库中的人脸样本图像,并采用机器学习算法训练得到关于中医体质的脸型分类模型;获取待分类的人脸图像;采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类,得到对应的分类结果信息并进行显示。本发明通过能够根据具有判别力的人脸图像数据,自动输出关于中医体质的脸型的分类结果。相较于传统的人为(中医专家)分类方式,本发明的关于中医体质的脸型分类方法自动化程度高,有效节省了人力成本;同时,不受人为主观因素的影响,分类准确度高。
本发明的附加方面和优点将在下面的描述部分中给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1示出了本发明一种关于中医体质的脸型分类方法的流程图;
图2示出了本发明一种基于SVM算法的分类原理图;
图3示出了本发明一种基于决策树算法的分类原理图;
图4示出了本发明关于中医体质的脸型分类过程中构建特征库的方法流程图;
图5示出了本发明一种关于中医体质的脸型分类***的框图;
图6示出了本发明一实施例的关于中医体质的脸型分类方法的流程图;
图7示出了本发明一实施例的人脸的五个关键点的示意图;
图8示出了本发明一实施例的人脸特征的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种关于中医体质的脸型分类方法的流程图。
如图1所示,本发明第一方面提出一种关于中医体质的脸型分类方法,包括:
S102,获取训练用的人脸样本图像,并构建特征库;
S104,根据所述特征库中的人脸样本图像,并采用机器学习算法训练得到关于中医体质的脸型分类模型;
S106,获取待分类的人脸图像;
S108,采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类,得到对应的分类结果信息并进行显示。
需要说明的是,本发明的技术方案可以在PC、手机、PAD等终端设备中进行操作。
需要说明的是,机器学习(machine learning)是一门多领域交叉学科,涉及了概率论、统计学、算法复杂度等多门学科。专门研究计算机怎样模拟或实现人的学习行为,它能够发现和挖掘数据所包含的潜在价值。机器学习已经成为了人工智能的一个分支,通过自学习算法,发现和挖掘数据潜在的规律,从而对未知的数据进行预测。机器学习已经广泛的运用在计算机科学研究、自然语言处理、机器视觉、语音、游戏等领域。机器学习的方法主要分为三种:监督学习(supervised learning)、无监督学习(unsupervised learning)、强化学习 (reinforcement learning)。
在监督学习中的训练数据是带类标的。监督学习通过使用有类标的训练数据构建模型,可以通过训练得到的模型对未知的数据进行预测。比如,在对手写数字识别所使用的机器学习算法就属于监督学习,在训练模型之前,需要先定义那张图片表示的是数字几,以便计算机从数据中提取特征更好的像类标靠近。监督学习可以分为分类和回归。
强化学习是通过构建一个***,在与环境交互的过程中提高***的性能。
环境的当前状态信息会包括一个反馈信号,可以通过这个反馈信号对当前
***进行评价进而改善***。通过与环境的交互,该***可以通过强化学习来得到一系列行为,通过对激励***的设计使得正向反馈最大。强化学习经常被使用在游戏领域,比如围棋比赛,***会根据当前棋盘上的局态来决定下一步的位置,通过游戏结束时的胜负来作为激励信号。
无监督学习所处理的是无类标或者数据的总体趋势不明朗,通过无监督学习可以将这些不知道类标和输出标量以及没有反馈信号的情况下,来寻找数据中所潜在的规律。无监督学习可以分为聚类和降维。
需要说明的是,本发明所使用的机器学习算法可以为随机森林算法、梯度提升机算法、K近邻算法、支持向量机算法、AdaBoost算法、分类决策树算法的一种或几种。但不限于此。
随机森林是一种监督学习方法,通过建立多个决策树,将它们合并在一起来获得更加准确且稳定的预测。输入:训练数据集,样本子集的个数T;
输出:最终的强分类器。从原始样本集中随机的抽取m个样本点,得到一个训练集;用训练集,训练一个CART决策树,这里在训练的过程中,对每个节点的切分规则是先从所有特征中随机的选择k个特征,然后在从这k个特征中选择最优的切分点在做左右子树的划分。如果是分类算法,则预测的最终类别为该样本点所到叶节点中投票数最多的类别;如果是回归算法,则最终的类别为该样本点所到叶节点的均值。
梯度提升机算法(lightGBM)是一个梯度Boosting框架,使用基于学习算法的决策树。它包含两个关键点:light即轻量级,GBM即梯度提升机。梯度提升机算法和其它Boosting算法一样,通过将表现一般的数个模型(通常是深度固定的决策树)组合在一起来集成一个表现较好的模型。AdaBoost是通过提升错分数据点的权重来定位模型的不足,Gradient Boosting通过负梯度来识别问题,通过计算负梯度来改进模型,即通过反复地选择一个指向负梯度方向的函数,该算法可被看做在函数空间里对目标函数进行优化。GBDT在每一次迭代的时候,都需要遍历整个训练数据多次。如果把整个训练数据装进内存则会限制训练数据的大小;如果不装进内存,反复地读写训练数据又会消耗非常大的时间。尤其面对工业级海量的数据,普通的GBDT算法是不能满足其需求的。 LightGBM提出的主要原因就是为了解决GBDT在海量数据遇到的问题,让 GBDT可以更好更快地用于工业实践。LightGBM具有更快的训练效率,低内存使用,更好的准确率和可处理大规模数据的优点。
K最近邻(K-Nearest Neighbor,KNN)算法的基本思想是如果一个实例在特征空间中的K个最相似(即特征空间中最近邻)的实例中的大多数属于某一个类别,则该实例也属于这个类别。KNN做分类预测时,一般是选择多数表决法,即训练集里和预测的样本特征最近的K个样本,预测为里面有最多类别数的类别。基本算法流程是计算未知点到所有已知类别点的距离,按距离排序,选其中k个与未知点离得最近的点,统计其中类别出现频率最高的作为未知点的类别。KNN算法具有简单有效易理解的优点,但对内存消耗较大且比较耗时。
如图2所示,SVM是一个由分类超平面定义的判别分类器。也就是说给定一组带标签的训练样本,算法将会输出一个最优超平面对新样本(测试样本) 进行分类。就是找一个超平面,并且它到离他最近的训练样本的距离要最大。即最优分割超平面最大化训练样本边界。上述内容是针对线性可分的数据集。针对非线性的数据集,需要核函数转换空间,才具有非线性数据处理能力。
AdaBoost是典型的Boosting算法,属于Boosting家族的一员。Boosting 算法是将“弱学习算法”提升为“强学习算法”的过程。一般来说,找到弱学习算法要相对容易一些,然后通过反复学习得到一系列弱分类器,组合这些弱分类器得到一个强分类器。Boosting算法要涉及到两个部分,加法模型和前向分步算法。加法模型就是说强分类器由一系列弱分类器线性相加而成。
AdaBoost就是损失函数为指数损失的Boosting算法。AdaBoost改变了训练数据的权值,也就是样本的概率分布,其思想是将关注点放在被错误分类的样本上,减小上一轮被正确分类的样本权值,提高那些被错误分类的样本权值。
然后,再根据所采用的一些基本机器学习算法进行学习,比如逻辑回归。
分类决策树的核心思想就是在一个数据集中找到一个最优特征,然后从这个特征的选值中找一个最优候选值,根据这个最优候选值将数据集分为两个子数据集,然后递归上述操作,直到满足指定条件为止。决策树通常有三个步骤:特征选择、决策树的生成、决策树的修剪。用决策树分类:从根节点开始,对实例的某一特征进行测试,根据测试结果将实例分配到其子节点,此时每个子节点对应着该特征的一个取值,如此递归的对实例进行测试并分配,直到到达叶节点,最后将实例分到叶节点的类中。图3为一种决策树的示意图,其中,圆点表示内部节点,方框表示叶节点。
图4示出了本发明关于中医体质的脸型分类过程中构建特征库的方法流程图。
如图4所示,获取训练用的人脸样本图像,并构建特征库,还包括:
S402,获取人脸样本图像,进行特征提取,立体匹配,并对所述人脸样
本图像进行双目视觉三维重建人脸样本模型;
S404,接收对所述人脸样本图像标注的关于中医体质的脸型类别标签;
S408,收集多个训练样本,并构建所述特征库。
根据本发明的实施例,获取待分类的人脸图像,还包括:
获取待分类的人脸图像,进行特征提取,立体匹配,并对所述人脸图像进行双目视觉三维重建人脸模型;
获取待分类的人脸模型的人脸特征。
根据本发明的实施例,采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类,得到对应的分类结果信息并进行显示,还包括:
根据所述人脸特征,采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类,得到对应的分类结果信息并进行显示。
需要说明的是,所述人脸特征为额宽、颧宽、下颚宽、额长、中庭长、下庭长、眼长、眼宽、鼻长、鼻宽、鼻高、人中长度、唇宽、上唇高、下唇高、唇高、下颚的一种或几种。但不限于此。
图5示出了本发明一种关于中医体质的脸型分类***的框图。
如图5所示,本发明第二方面还提出一种关于中医体质的脸型分类*** 5,所述关于中医体质的脸型分类***5包括:存储器51及处理器52,所述存储器51中包括一种关于中医体质的脸型分类方法程序,所述关于中医体质的脸型分类方法程序被所述处理器52执行时实现如下步骤:
获取训练用的人脸样本图像,并构建特征库;
根据所述特征库中的人脸样本图像,并采用机器学习算法训练得到关于中医体质的脸型分类模型;
获取待分类的人脸图像;
采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类,得到对应的分类结果信息并进行显示。
需要说明的是,本发明的***可以在PC、手机、PAD等终端设备中进行操作。
需要说明的是,所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
需要说明的是,所述***还可以包括显示器,所述分类结果信息通过显示器反馈给用户。所述显示器也可以称为显示屏或显示单元。在一些实施例中显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-EmittingDiode,OLED)触摸器等。显示器用于显示在***中处理的信息以及用于显示可视化的工作界面。
需要说明的是,机器学习(machine learning)是一门多领域交叉学科,涉及了概率论、统计学、算法复杂度等多门学科。专门研究计算机怎样模拟或实现人的学习行为,它能够发现和挖掘数据所包含的潜在价值。机器学习已经成为了人工智能的一个分支,通过自学习算法,发现和挖掘数据潜在的规律,从而对未知的数据进行预测。机器学习已经广泛的运用在计算机科学研究、自然语言处理、机器视觉、语音、游戏等领域。机器学习的方法主要分为三种:监督学习(supervised learning)、无监督学习(unsupervised learning)、强化学习 (reinforcement learning)。
在监督学习中的训练数据是带类标的。监督学习通过使用有类标的训练数据构建模型,可以通过训练得到的模型对未知的数据进行预测。比如,在对手写数字识别所使用的机器学习算法就属于监督学习,在训练模型之前,需要先定义那张图片表示的是数字几,以便计算机从数据中提取特征更好的像类标靠近。监督学习可以分为分类和回归。
强化学习是通过构建一个***,在与环境交互的过程中提高***的性能。
环境的当前状态信息会包括一个反馈信号,可以通过这个反馈信号对当前的***进行评价进而改善***。通过与环境的交互,该***可以通过强化学习来得到一系列行为,通过对激励***的设计使得正向反馈最大。强化学习经常被使用在游戏领域,比如围棋比赛,***会根据当前棋盘上的局态来决定下一步的位置,通过游戏结束时的胜负来作为激励信号。
无监督学习所处理的是无类标或者数据的总体趋势不明朗,通过无监督
学习可以将这些不知道类标和输出标量以及没有反馈信号的情况下,来寻找
数据中所潜在的规律。无监督学习可以分为聚类和降维。
需要说明的是,本发明所使用的机器学习算法可以为随机森林算法、梯度提升机算法、K近邻算法、支持向量机算法、AdaBoost算法、分类决策树算法的一种或几种。但不限于此。
随机森林是一种监督学习方法,通过建立多个决策树,将它们合并在一起来获得更加准确且稳定的预测。输入:训练数据集,样本子集的个数T;
输出:最终的强分类器。从原始样本集中随机的抽取m个样本点,得到一个训练集;用训练集,训练一个CART决策树,这里在训练的过程中,对每个节点的切分规则是先从所有特征中随机的选择k个特征,然后在从这k个特征中选择最优的切分点在做左右子树的划分。如果是分类算法,则预测的最终类别为该样本点所到叶节点中投票数最多的类别;如果是回归算法,则最终的类别为该样本点所到叶节点的均值。
梯度提升机算法(lightGBM)是一个梯度Boosting框架,使用基于学习算法的决策树。它包含两个关键点:light即轻量级,GBM即梯度提升机。梯度提升机算法和其它Boosting算法一样,通过将表现一般的数个模型(通常是深度固定的决策树)组合在一起来集成一个表现较好的模型。AdaBoost是通过提升错分数据点的权重来定位模型的不足,Gradient Boosting通过负梯度来识别问题,通过计算负梯度来改进模型,即通过反复地选择一个指向负梯度方向的函数,该算法可被看做在函数空间里对目标函数进行优化。GBDT在每一次迭代的时候,都需要遍历整个训练数据多次。如果把整个训练数据装进内存则会限制训练数据的大小;如果不装进内存,反复地读写训练数据又会消耗非常大的时间。尤其面对工业级海量的数据,普通的GBDT算法是不能满足其需求的。 LightGBM提出的主要原因就是为了解决GBDT在海量数据遇到的问题,让 GBDT可以更好更快地用于工业实践。LightGBM具有更快的训练效率,低内存使用,更好的准确率和可处理大规模数据的优点。K最近邻(K-Nearest Neighbor,KNN)算法的基本思想是如果一个实例在特征空间中的K个最相似(即特征空间中最近邻)的实例中的大多数属于某一个类别,则该实例也属于这个类别。KNN做分类预测时,一般是选择多数表决法,即训练集里和预测的样本特征最近的K个样本,预测为里面有最多类别数的类别。基本算法流程是计算未知点到所有已知类别点的距离,按距离排序,选其中k个与未知点离得最近的点,统计其中类别出现频率最高的作为未知点的类别。KNN算法具有简单有效易理解的优点,但对内存消耗较大且比较耗时。
SVM是一个由分类超平面定义的判别分类器。也就是说给定一组带标签的训练样本,算法将会输出一个最优超平面对新样本(测试样本)进行分类。
就是找一个超平面,并且它到离他最近的训练样本的距离要最大。即最优割超平面最大化训练样本边界。上述内容是针对线性可分的数据集。针对非线性的数据集,需要核函数转换空间,才具有非线性数据处理能力。
AdaBoost是典型的Boosting算法,属于Boosting家族的一员。Boosting 算法是将“弱学习算法”提升为“强学习算法”的过程。一般来说,找到弱学习算法要相对容易一些,然后通过反复学习得到一系列弱分类器,组合这些弱分类器得到一个强分类器。Boosting算法要涉及到两个部分,加法模型和前向分步算法。加法模型就是说强分类器由一系列弱分类器线性相加而成。
AdaBoost就是损失函数为指数损失的Boosting算法。AdaBoost改变了训练数据的权值,也就是样本的概率分布,其思想是将关注点放在被错误分类的样本上,减小上一轮被正确分类的样本权值,提高那些被错误分类的样本权值。
然后,再根据所采用的一些基本机器学习算法进行学习,比如逻辑回归。
分类决策树的核心思想就是在一个数据集中找到一个最优特征,然后从这个特征的选值中找一个最优候选值,根据这个最优候选值将数据集分为两个子数据集,然后递归上述操作,直到满足指定条件为止。决策树通常有三个步骤:特征选择、决策树的生成、决策树的修剪。用决策树分类:从根节点开始,对实例的某一特征进行测试,根据测试结果将实例分配到其子节点,此时每个子节点对应着该特征的一个取值,如此递归的对实例进行测试并分配,直到到达叶节点,最后将实例分到叶节点的类中。
根据本发明的实施例,获取训练用的人脸样本图像,并构建特征库,还
包括:
获取人脸样本图像,进行特征提取,立体匹配,并对所述人脸样本图像进行双目视觉三维重建人脸样本模型;
接收对所述人脸样本图像标注的关于中医体质的脸型类别标签;
收集多个训练样本,并构建所述特征库。
根据本发明的实施例,获取待分类的人脸图像,还包括:
获取待分类的人脸图像,进行特征提取,立体匹配,并对所述人脸图像进行双目视觉三维重建人脸模型;
获取待分类的人脸模型的人脸特征。
根据本发明的实施例,采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类,得到对应的分类结果信息并进行显示,还包括:
根据所述人脸特征,采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类,得到对应的分类结果信息并进行显示。
需要说明的是,所述人脸特征为额宽、颧宽、下颚宽、额长、中庭长、下庭长、眼长、眼宽、鼻长、鼻宽、鼻高、人中长度、唇宽、上唇高、下唇高、唇高、下颚的一种或几种。但不限于此。
本发明第三方面还提出一种计算机可读存储介质,所述计算机可读存储
介质中包括一种关于中医体质的脸型分类方法程序,所述关于中医体质的脸型分类方法程序被处理器执行时,实现如上述的一种关于中医体质的脸型分类方法的步骤。
为了更好的解释本发明的技术方案,下面将通过一实施例进行详细说明。
如图6所示,本实施例的关于中医体质的脸型分类方法包括两个主要阶段:离线训练阶段和在线测试阶段。
离线测试阶段:
步骤一,获取人脸图像,进行摄像机标定,特征提取,立体匹配,对人脸进行双目视觉三维重建,并请有经验的中医标注该图像对应的关于中医体质的脸型类别;
步骤二,从三维模型下测量人脸n个关键点,和个距离,利用特征选择的方式,选择最具判别力的m个特征,选择这m个特征作为判别器的分类特征,例如:选择额宽、颧宽、下颚宽、额长、中庭长、下庭长、眼长、眼宽、鼻长、鼻宽、鼻高、人中长度、唇宽、上唇高、下唇高、唇高、下颚这17个特征作为人脸特征,但不限于此;
步骤三,收集大量的<人脸特征,关于中医体质的脸型类别>训练样本,构建一个特征库;
步骤四,利用监督学习算法,在训练库上训练得到关于中医体质的脸型分类器(关于中医体质的脸型分类模型);
需要说明的是,所述监督学习算法可以为k近邻算法、支持向量机算法、 AdaBoost算法、随机森林算法中的任意一个。
在线测试阶段:
步骤一,获取人脸图像,进行摄像机标定,特征提取,立体匹配,对人脸进行双目视觉三维重建;
步骤二,获取三维人脸下的五官特征信息;
步骤三,将人脸特征送入训练好的关于中医体质的脸型分类器,得到最终的分类结果信息。
人脸的五官特征主要包括:眼睛的中心点(2个),鼻尖的位置,嘴角的位置(2个);获取人脸的上述五个关键点位置后,将两只眼睛的连线调整到水平的位置,并缩放到固定的长度;利用图像分割算法,提取人脸的外轮廓特征,然后在轮廓线上均匀采样n个点,计算这n个点到鼻尖的距离,利用这些距离作为人脸的特征。人脸的五个关键点如图7中的红色十字所示。
如图8所示,在三维模型上获得诸如额宽、颧宽、下颚宽、额长、中庭长、下庭长、眼长、眼宽、鼻长、鼻宽、鼻高、人中长度、唇宽、上唇高、下唇高、唇高、下颚这些具有判别力的特征数据。
本发明通过传感器获取关于中医体质的脸型的特征,利用机器学习的方法自动学习关于中医体质的脸型分类器。用户使用时,只需将传感器获得的关于中医体质的脸型信息送入分类器,便可得相应的关于中医体质的脸型分类结果。
本发明通过获取训练用的人脸样本图像,并构建特征库;根据所述特征库中的人脸样本图像,并采用机器学习算法训练得到关于中医体质的脸型分类模型;获取待分类的人脸图像;采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类,得到对应的分类结果信息并进行显示。本发明通过能够根据具有判别力的人脸图像数据,自动输出关于中医体质的脸型的分类结果。相较于传统的人为(中医专家)分类方式,本发明的关于中医体质的脸型分类方法自动化程度高,有效节省了人力成本;同时,不受人为主观因素的影响,分类准确度高。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种关于中医体质的脸型分类方法,其特征在于,包括:
获取训练用的人脸样本图像,并构建特征库;
根据所述特征库中的人脸样本图像,并采用机器学习算法训练得到关于中医体质的脸型分类模型;
获取待分类的人脸图像;
采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类,得到对应的分类结果信息并进行显示。
3.根据权利要求1所述的一种关于中医体质的脸型分类方法,其特征在于,获取待
分类的人脸图像,还包括:
获取待分类的人脸图像,进行特征提取,立体匹配,并对所述人脸图像进行双目视觉三维重建人脸模型;
获取待分类的人脸模型的人脸特征。
4.根据权利要求3所述的一种关于中医体质的脸型分类方法,其特征在于,采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类,得到对应的分类结果信息并进行显示,还包括:
根据所述人脸特征,采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类,得到对应的分类结果信息并进行显示。
5.根据权利要求2至4任意一项所述的一种关于中医体质的脸型分类方法,其特征在于,所述人脸特征为额宽、颧宽、下颚宽、额长、中庭长、下庭长、眼长、眼宽、鼻长、鼻宽、鼻高、人中长度、唇宽、上唇高、下唇高、唇高、下颚的一种或几种。
6.根据权利要求1至5任意一项所述的一种关于中医体质的脸型分类方法,其特征在于,所述机器学习算法为随机森林算法、梯度提升机算法、K近邻算法、支持向量机算法、AdaBoost算法、分类决策树算法的一种或几种。
7.一种关于中医体质的脸型分类***,其特征在于,所述关于中医体质的脸型分类***包括:
存储器及处理器,所述存储器中包括一种关于中医体质的脸型分类方法程序,所述关于中医体质的脸型分类方法程序被所述处理器执行时实现如下步骤:
获取训练用的人脸样本图像,并构建特征库;
根据所述特征库中的人脸样本图像,并采用机器学习算法训练得到关于中医体质的脸型分类模型;
获取待分类的人脸图像;
采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类,得到对应的分类结果信息并进行显示。
9.根据权利要求7所述的一种关于中医体质的脸型分类***,其特征在于,获取待分类的人脸图像,还包括:
获取待分类的人脸图像,进行特征提取,立体匹配,并对所述人脸图像进行双目视觉三维重建人脸模型;
获取待分类的人脸模型的人脸特征。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括一种关于中医体质的脸型分类方法程序,所述关于中医体质的脸型分类方法程序被处理器执行时,实现如权利要求1至6中任一项所述的一种关于中医体质的脸型分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729339.8A CN110633634A (zh) | 2019-08-08 | 2019-08-08 | 一种关于中医体质的脸型分类方法、***和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729339.8A CN110633634A (zh) | 2019-08-08 | 2019-08-08 | 一种关于中医体质的脸型分类方法、***和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110633634A true CN110633634A (zh) | 2019-12-31 |
Family
ID=68969302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910729339.8A Pending CN110633634A (zh) | 2019-08-08 | 2019-08-08 | 一种关于中医体质的脸型分类方法、***和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633634A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340129A (zh) * | 2020-03-09 | 2020-06-26 | 南京览笛信息科技有限公司 | 一种多角度估计3d结构深度网络图像高效分类方法 |
CN112084956A (zh) * | 2020-09-11 | 2020-12-15 | 上海交通大学烟台信息技术研究院 | 一种基于小样本学习原型网络的特殊面容人群筛查*** |
CN112434970A (zh) * | 2020-12-12 | 2021-03-02 | 广东电力信息科技有限公司 | 一种基于智能数据采集的资质数据验证方法、装置 |
CN112597942A (zh) * | 2020-12-29 | 2021-04-02 | 深圳市华尊科技股份有限公司 | 人脸聚类方法、电子设备及相关产品 |
CN112786201A (zh) * | 2021-01-24 | 2021-05-11 | 武汉东湖大数据交易中心股份有限公司 | 一种基于手部形态认知的健康预测模型的构建方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101398886A (zh) * | 2008-03-17 | 2009-04-01 | 杭州大清智能技术开发有限公司 | 一种基于双目被动立体视觉的快速三维人脸识别方法 |
CN107169399A (zh) * | 2016-08-25 | 2017-09-15 | 北京中医药大学 | 一种人脸生物特征获取装置及方法 |
CN109657655A (zh) * | 2019-01-30 | 2019-04-19 | 吴长汶 | 一种五行脸分类方法及存储设备 |
CN113591763A (zh) * | 2021-08-09 | 2021-11-02 | 平安科技(深圳)有限公司 | 人脸脸型的分类识别方法、装置、存储介质及计算机设备 |
-
2019
- 2019-08-08 CN CN201910729339.8A patent/CN110633634A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101398886A (zh) * | 2008-03-17 | 2009-04-01 | 杭州大清智能技术开发有限公司 | 一种基于双目被动立体视觉的快速三维人脸识别方法 |
CN107169399A (zh) * | 2016-08-25 | 2017-09-15 | 北京中医药大学 | 一种人脸生物特征获取装置及方法 |
CN109657655A (zh) * | 2019-01-30 | 2019-04-19 | 吴长汶 | 一种五行脸分类方法及存储设备 |
CN113591763A (zh) * | 2021-08-09 | 2021-11-02 | 平安科技(深圳)有限公司 | 人脸脸型的分类识别方法、装置、存储介质及计算机设备 |
Non-Patent Citations (2)
Title |
---|
周佳立等: "基于双目被动立体视觉的三维人脸重构与识别", 《自动化学报》 * |
崔笛: ""中医阴阳五行人体质辨识方案方法研究"", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340129A (zh) * | 2020-03-09 | 2020-06-26 | 南京览笛信息科技有限公司 | 一种多角度估计3d结构深度网络图像高效分类方法 |
CN112084956A (zh) * | 2020-09-11 | 2020-12-15 | 上海交通大学烟台信息技术研究院 | 一种基于小样本学习原型网络的特殊面容人群筛查*** |
CN112434970A (zh) * | 2020-12-12 | 2021-03-02 | 广东电力信息科技有限公司 | 一种基于智能数据采集的资质数据验证方法、装置 |
CN112597942A (zh) * | 2020-12-29 | 2021-04-02 | 深圳市华尊科技股份有限公司 | 人脸聚类方法、电子设备及相关产品 |
CN112786201A (zh) * | 2021-01-24 | 2021-05-11 | 武汉东湖大数据交易中心股份有限公司 | 一种基于手部形态认知的健康预测模型的构建方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Towards complete and accurate iris segmentation using deep multi-task attention network for non-cooperative iris recognition | |
Yao et al. | Revisiting co-saliency detection: A novel approach based on two-stage multi-view spectral rotation co-clustering | |
CN110633634A (zh) | 一种关于中医体质的脸型分类方法、***和计算机可读存储介质 | |
Durand et al. | Weldon: Weakly supervised learning of deep convolutional neural networks | |
Sharma et al. | Classification in pattern recognition: A review | |
Galleguillos et al. | Context based object categorization: A critical survey | |
Perez et al. | Gender classification from face images using mutual information and feature fusion | |
Batra et al. | Learning class-specific affinities for image labelling | |
Elguebaly et al. | Simultaneous high-dimensional clustering and feature selection using asymmetric Gaussian mixture models | |
Marini et al. | Bird species classification based on color features | |
CN110880007A (zh) | 一种机器学习算法自动选择方法和*** | |
Li et al. | Dating ancient paintings of Mogao Grottoes using deeply learnt visual codes | |
Wang et al. | S 3 D: Scalable pedestrian detection via score scale surface discrimination | |
Arya et al. | Local triangular coded pattern: A texture descriptor for image classification | |
Li et al. | Texture analysis of remote sensing imagery with clustering and Bayesian inference | |
Singh et al. | Apple Disease Classification Built on Deep Learning | |
Almuashi et al. | Siamese convolutional neural network and fusion of the best overlapping blocks for kinship verification | |
Goundar | Improved deep learning model based on integrated convolutional neural networks and transfer learning for shoeprint image classification | |
CN112561935B (zh) | 一种大脑影像智能分类方法、装置和设备 | |
Paul et al. | A simple interpretable transformer for fine-grained image classification and analysis | |
CN104778479B (zh) | 一种基于稀疏编码提取子的图像分类方法及*** | |
CN116438586A (zh) | 行人属性识别***及其训练方法、行人属性识别方法 | |
Pan et al. | A two-stage shape retrieval (TSR) method with global and local features | |
Veloso et al. | Learning to annotate clothes in everyday photos: Multi-modal, multi-label, multi-instance approach | |
Sun et al. | A dynamic programming approach for accurate content-based retrieval of ordinary and nano-scale medical images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191231 |