CN113643283A - 一种人体衰老状况的检测方法、装置、设备及存储介质 - Google Patents

一种人体衰老状况的检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113643283A
CN113643283A CN202111016533.5A CN202111016533A CN113643283A CN 113643283 A CN113643283 A CN 113643283A CN 202111016533 A CN202111016533 A CN 202111016533A CN 113643283 A CN113643283 A CN 113643283A
Authority
CN
China
Prior art keywords
facial feature
facial
feature
feature data
face
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
Application number
CN202111016533.5A
Other languages
English (en)
Inventor
黄祥博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Ping An Medical Health Technology Service Co Ltd
Original Assignee
Ping An Medical and Healthcare Management Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Medical and Healthcare Management Co Ltd filed Critical Ping An Medical and Healthcare Management Co Ltd
Priority to CN202111016533.5A priority Critical patent/CN113643283A/zh
Publication of CN113643283A publication Critical patent/CN113643283A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种人体衰老状况的检测方法、装置、设备及存储介质，属于人工智能技术领域。本申请通过对健康人的脸部图像进行人脸特征识别，得到第一面部特征数据，将第一面部特征数据导入训练好的面部特征提取模型，得到目标对象的面部特征矩阵，基于目标对象的面部特征矩阵对预设的初始检测模型进行训练，得到衰老状况检测模型，当接收到衰老状况检测指令时，获取待识别用户的面部特征数据，将待识别用户的面部特征数据输入到衰老状况检测模型，输出待识别用户的面部衰老状况检测结果。本申请还涉及区块链技术，用户的面部特征数据可存储于区块链中。本申请简化了衰老状况检测的流程，并减少了认为主观因素的影响，提高了衰老状况检测的准确度。

Description

一种人体衰老状况的检测方法、装置、设备及存储介质
技术领域
本申请属于人工智能技术领域，具体涉及一种人体衰老状况的检测方法、装置、设备及存储介质。
背景技术
随着科技的发展和人类生活水平的提高，健康成为人们日益关注的重要领域，人们通过饮食的合理搭配、规律的作息、合理科学的体育锻炼和丰富的保健品等措施来延缓衰老速度，然而衰老是生物生命周而复始的自然规律，从医学的角度看衰老的决定因素取决于细胞端粒的长度，每当细胞***产生新的细胞时，端粒就会变短，直到端粒到达一个临界长度，这时细胞也失去活性而死亡，所以端粒是随着细胞个体的衰老而变短，但对于这个医学专业上的衰老过程，个人很难实时地去了解。同时真实影响人类衰老的因素其实很多，包括所处环境、个人生活习惯、情绪压力、个体体质等因素。
由于人们对健康的追求，这就需要我们实时关注自身状况，获取自身的衰老情况和衰老速度，这样才能够有效地对抗衰老、延缓衰老以及降低衰老速度，但目前人们只能依靠专家经验或大众常识来判断一个人衰老的速度，例如，去到一些专业的机构通过专业仪器检测，或通过比对一年前和一年后同一个人的图像进行对比，粗略判断其衰老情况，如有的人会有一个明显的面部衰老变化，有的人则变化较小。由此可见，现有的人体衰老状况检测方案存在着检测过程复杂以及检测结果受主观因素影响较大的问题。
发明内容
本申请实施例的目的在于提出一种人体衰老状况的检测方法、装置、计算机设备及存储介质，以解决现有的人体衰老状况检测方案存在的检测过程复杂以及检测结果受主观因素影响较大的技术问题。
为了解决上述技术问题，本申请实施例提供一种人体衰老状况的检测方法，采用了如下所述的技术方案：
一种人体衰老状况的检测方法，包括：
从预设的数据库中获取第一样本图像，其中，所述第一样本图像为健康人的脸部图像；
对所述第一样本图像中的目标对象进行人脸特征识别，得到第一面部特征数据；
将所述第一面部特征数据导入训练好的面部特征提取模型，得到所述目标对象的面部特征矩阵；
基于所述目标对象的面部特征矩阵对预设的初始检测模型进行训练，得到衰老状况检测模型；
当接收到衰老状况检测指令时，获取待识别用户的面部特征数据；
将所述待识别用户的面部特征数据输入到所述衰老状况检测模型，输出所述待识别用户的面部衰老状况检测结果。
进一步地，所述对所述第一样本图像中的目标对象进行人脸特征识别，得到第一面部特征数据的步骤，具体包括：
对所述第一样本图像进行扫描，确定所述第一样本图像中目标对象的脸部区域；
对所述第一样本图像中目标对象的脸部区域进行区域分割，得到区域分割图像；
对所述区域分割图像进行特征识别，得到所述第一面部特征数据。
进一步地，对所述第一样本图像中的目标对象进行人脸特征识别，得到若干个第一面部特征数据，在所述将所述第一面部特征数据导入训练好的面部特征提取模型，得到所述目标对象的面部特征矩阵的步骤之前，还包括：
为每一个所述第一面部特征数据赋予一个初始特征权重；
基于预设的特征权重算法，计算每一个所述第一面部特征数据的实际特征权重；
基于预设组合策略对所有所述第一面部特征数据的实际特征权重进行组合，得到特征权重组合；
将所述特征权重组合导入到所述面部特征提取模型。
进一步地，所述基于预设的特征权重算法，计算每一个所述第一面部特征数据的实际特征权重的步骤，具体包括：
对赋予初始权重后的所述第一面部特征数据进行分类，得到若干个特征数据组合；
计算同一类别的特征数据组合中面部特征数据的相似度，得到第一相似度；
计算不同类别的特征数据组合之间面部特征数据的相似度，得到第二相似度；
基于第一相似度和第二相似度对所述第一面部特征数据的初始权重进行调整，得到每一个所述第一面部特征数据的实际特征权重。
进一步地，所述将所述第一面部特征数据导入训练好的面部特征提取模型，得到所述目标对象的面部特征矩阵的步骤，具体包括：
对所述第一面部特征数据进行卷积运算，得到初始特征矩阵；
基于所述特征权重组合对所述初始特征矩阵进行矩阵拼接，得到所述目标对象的面部特征矩阵。
进一步地，在所述为每一个所述第一面部特征数据赋予一个初始特征权重的步骤之前，还包括：
从预设的数据库中获取第二样本图像，并对所述第二样本图像进行标注，得到所述第二样本图像的面部特征标签；
对所述第二样本图像中的目标对象进行人脸特征识别，得到第二面部特征数据；
将所述第二面部特征数据导入预设的初始面部特征提取模型，获取初始特征提取结果；
比对所述初始特征提取结果和所述面部特征标签，并基于比对结果调整所述初始面部特征提取模型，得到训练好的所述面部特征提取模型。
进一步地，所述基于所述目标对象的面部特征矩阵对预设的初始检测模型进行训练，得到衰老状况检测模型的步骤，具体包括：
将所述目标对象的面部特征矩阵导入到所述初始检测模型，获取初始特征检测结果；
基于所述初始特征检测结果与预设标准衰老状况标签，使用序列反向传播算法进行拟合，获取预测误差；
将所述预测误差与预设阈值进行比较，若所述预测误差大于预设阈值，则对所述初始检测模型进行迭代更新，直到所述预测误差小于或等于预设阈值为止，得到所述衰老状况检测模型。
为了解决上述技术问题，本申请实施例还提供一种人体衰老状况的检测装置，采用了如下所述的技术方案：
一种人体衰老状况的检测装置，包括：
第一样本图像获取模块，用于从预设的数据库中获取第一样本图像，其中，所述第一样本图像为健康人的脸部图像；
第一面部特征识别模块，用于对所述第一样本图像中的目标对象进行人脸特征识别，得到第一面部特征数据；
面部特征矩阵获取模块，用于将所述第一面部特征数据导入训练好的面部特征提取模型，得到所述目标对象的面部特征矩阵；
衰老检测模型训练模块，用于基于所述目标对象的面部特征矩阵对预设的初始检测模型进行训练，得到衰老状况检测模型；
用户面部特征数据模块，用于当接收到衰老状况检测指令时，获取待识别用户的面部特征数据；
面部衰老状况检测模块，用于将所述待识别用户的面部特征数据输入到所述衰老状况检测模型，输出所述待识别用户的面部衰老状况检测结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上述所述的人体衰老状况的检测方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述所述的人体衰老状况的检测方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请公开了一种人体衰老状况的检测方法、装置、设备及存储介质，属于人工智能技术领域。本申请通过构建一个面部特征提取模型，用于提取用户的面部特征信息，再通过构建一个衰老状况检测模型，用于对用户的当前衰老状况进行分析和预测，当需要进行衰老状况检测时，通过用户的面部图像和面部特征提取模型，实时提取用户的面部特征信息，然后将提取到的用户的面部特征信息输入至衰老状况检测模型，通过衰老状况检测模型对输入的面部特征信息进行分析，获得用户的面部衰老状况检测结果和衰老状况预测结果。本申请简化了衰老状况检测的流程，并减少了认为主观因素的影响，提高了衰老状况检测的准确度。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请可以应用于其中的示例性***架构图；
图2示出了根据本申请的人体衰老状况的检测方法的一个实施例的流程图；
图3示出了根据本申请的人体衰老状况的检测装置的一个实施例的结构示意图；
图4示出了根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio LayerIII，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
需要说明的是，本申请实施例所提供的人体衰老状况的检测方法一般由服务器执行，相应地，人体衰老状况的检测装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的人体衰老状况的检测的方法的一个实施例的流程图。，本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。所述的人体衰老状况的检测方法，包括以下步骤：
S201，从预设的数据库中获取第一样本图像，其中，所述第一样本图像为健康人的脸部图像。
具体的，服务器从预设的数据库中获取第一样本图像，其中，第一样本图像为健康人的脸部图像，第一样本图像用于训练衰老状况检测模型。在本申请具体的实施例中，第一样本图像为衰老偏差度小于医学标准的健康人的人脸图像。需要说明的是，在训练衰老状况检测模型时，只采用健康人的脸部图像作为训练集，对模型做正向训练，使得衰老状况检测模型只需记住健康人的面部特征，而不需要记住非健康人的面部特征，可以精简模型结构，也可以节约服务器资源。
S202，对所述第一样本图像中的目标对象进行人脸特征识别，得到第一面部特征数据。
具体的，服务器通过人脸识别技术对第一样本图像中的目标对象进行人脸特征识别，得到第一面部特征数据，其中，面部特征数据包括面部轮廓曲线、脸部皮肤皱纹深度、皱纹密度、毛孔大小、皮肤光泽、皮肤色斑分布、色斑颜色、色斑密度等等，通过人脸识别技术可以在一张人脸图像中分析获得上述人脸特征信息。
S203，将所述第一面部特征数据导入训练好的面部特征提取模型，得到所述目标对象的面部特征矩阵。
其中，面部特征提取模型基于CNN卷积神经网络进行构建，卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学***移不变分类(shift-invariant classification)，因此也被称为“平移不变人工神经网络”。卷积神经网络仿造生物的视知觉(visual perception)机制构建，可以进行监督学习和非监督学习，其卷积层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-like topology)特征，例如像素和音频进行学习，有稳定的效果且对数据没有额外的特征工程要求。
具体的，服务器将第一面部特征数据导入训练好的面部特征提取模型，通过对第一面部特征数据进行卷积计算，得到目标对象的面部特征矩阵。
S204，基于所述目标对象的面部特征矩阵对预设的初始检测模型进行训练，得到衰老状况检测模型。
其中，衰老状况检测模型基于RNN神经网络模型进行构建，循环神经网络(Recurrent Neural Network,RNN)是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursiveneural network)。循环神经网络具有记忆性、参数共享并且图灵完备(Turingcompleteness)，因此在对序列的非线性特征进行学习时具有一定优势。循环神经网络在自然语言处理(Natural Language Processing,NLP)，例如语音识别、语言建模、机器翻译等领域有应用，也被用于各类时间序列预报。引入了卷积神经网络(Convolutional NeuralNetwork,CNN)构筑的循环神经网络可以处理包含序列输入的计算机视觉问题。
具体的，服务器将目标对象的面部特征矩阵输入至预设的初始检测模型，基于目标对象的面部特征矩阵对预设的初始检测模型进行训练，得到衰老状况检测模型。在本申请另一种具体的实施例中，服务器可以预先获取目标对象的年龄、性别信息，并将目标对象的年龄、性别信息作为RNN神经网络模型其一路的输入，结合目标对象的面部特征矩阵对预设的初始检测模型进行迭代训练，得到一个可以根据面部特征信息进行面部衰老状况时序预测分析的衰老状况检测模型。
在本申请一种具体的实施例中，通过手机摄像头等摄像设备采集个人面部图像，个人面部图像包括正面图像和侧面图像，对用户输入的面部图像进行人脸识别，识别出年龄信息、性别信息，同时通过CNN网络对用户面部的脸部特征进行提取，提取的特征包括眼角鱼尾文的深度、额头皱纹深度、脸颊皱纹深度、面部光泽度等等，将上述提取到的年龄信息、性别信息和脸部特征作为RNN网络的持续输入，由RNN网络计算出当前用户面部衰老的程度，以及时序预测用户面部衰老情况，然后再结合健康人的当前年龄性别的健康指标进行对比，产生用户面部衰老偏差数据，当前用户的面部特征值在通用模型特征中的区间进行匹配，不在健康模型特征区间范围的，说明衰老程度有偏差，给出每一个特征值的偏差度。
S205，当接收到衰老状况检测指令时，获取待识别用户的面部特征数据。
具体的，当服务器接收到客户端上传的衰老状况检测指令时，使用客户端的摄像设备采集用户个人面部图像，个人面部图像包括正面图像和侧面图像，基于衰老状况检测指令对用户个人面部图像进行人脸识别，获取待识别用户的面部特征数据。
在本实施例中，人体衰老状况的检测方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收到衰老状况检测指令。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
S206，将所述待识别用户的面部特征数据输入到所述衰老状况检测模型，输出所述待识别用户的面部衰老状况检测结果。
具体的，服务器将待识别用户的面部特征数据输入到预先训练好的衰老状况检测模型，通过衰老状况检测模型的隐藏层对输入的面部特征信息进行时序预测分析，获得用户的面部衰老状况检测结果和衰老状况预测结果。然后再结合健康人的当前年龄性别的健康指标进行对比，产生用户面部衰老偏差数据，当前用户的面部特征值在通用模型特征中的区间进行匹配，不在健康模型特征区间范围的，说明衰老程度有偏差，给出每一个特征值的偏差度。
需要说明的是，由于采用的是人工采集健康人脸数据提取特征完成初始化模型训练，模型数据量相对有限，预测粒度和准确度相对偏差较大，经过正常的用户使用，当预测的属于正常健康范围的人群人脸数据特征会加入到模型的算法中持续机器学习，通过使用的人群越多健康人脸数据指标的积累，对模型的精度会持续提升。
在上述实施例中，通过构建一个面部特征提取模型，用于提取用户的面部特征信息，通过构建一个衰老状况检测模型，用于对用户的当前衰老状况进行分析和预测，当需要进行衰老状况检测时，通过用户的面部图像和面部特征提取模型，实时提取用户的面部特征信息，然后将提取到的用户的面部特征信息输入至衰老状况检测模型，通过衰老状况检测模型的隐藏层对输入的面部特征信息进行时序预测分析，获得用户的面部衰老状况检测结果和衰老状况预测结果。本申请简化了衰老状况检测的流程，并减少了认为主观因素的影响，提高了衰老状况检测的准确度。
进一步地，所述对所述第一样本图像中的目标对象进行人脸特征识别，得到第一面部特征数据的步骤，具体包括：
对所述第一样本图像进行扫描，确定所述第一样本图像中目标对象的脸部区域；
对所述第一样本图像中目标对象的脸部区域进行区域分割，得到区域分割图像；
对所述区域分割图像进行特征识别，得到所述第一面部特征数据。
具体的，服务器先对第一样本图像进行全局扫描，确定第一样本图像中目标对象的脸部区域，再对第一样本图像中脸部区域进行根据五官特征和脸部轮廓线特征进行区域分割，得到区域分割，得到分割区域图像，如眼睛区域图像、鼻子区域图像等等，最后服务器对分割区域图像一一进行特征识别，得到第一面部特征数据，其中，面部特征数据包括面部轮廓曲线、脸部皮肤皱纹深度、皱纹密度、毛孔大小、皮肤光泽、皮肤色斑分布、色斑颜色、色斑密度等等，面部特征数据可以通过训练好的面部特征提取模型来获取。
在上述实施例中，通过对第一样本图像进行脸部区域和区域分割，获取脸部各个部位的区域图像，再通过训练好的面部特征提取模型分别提取各个部位的区域图像的特征，得到第一面部特征数据。
进一步地，对所述第一样本图像中的目标对象进行人脸特征识别，得到若干个第一面部特征数据，在所述将所述第一面部特征数据导入训练好的面部特征提取模型，得到所述目标对象的面部特征矩阵的步骤之前，还包括：
为每一个所述第一面部特征数据赋予一个初始特征权重；
基于预设的特征权重算法，计算每一个所述第一面部特征数据的实际特征权重；
基于预设组合策略对所有所述第一面部特征数据的实际特征权重进行组合，得到特征权重组合；
将所述特征权重组合导入到所述面部特征提取模型。
其中，为了保证训练的衰老状况检测模型的精准度，本申请在获取面部特征时，考虑到各种面部特征数据对于衰老状况的影响权重并不完全一致，因此，有必要在进行衰老状况检测模型的训练之前通过特征权重算法计算各个面部特征数据的相应权重。
具体的，服务器对所述第一样本图像中的目标对象进行人脸特征识别，得到若干个第一面部特征数据，服务器先为每一个第一面部特征数据赋予一个初始特征权重，如“0.5”，再基于预设的特征权重算法调整每一个第一面部特征数据的初始特征权重，得到实际特征权重，基于预设组合策略对所有第一面部特征数据的实际特征权重进行组合，得到特征权重组合，将特征权重组合导入到面部特征提取模型，特征权重组合用于训练衰老状况检测模型，以保证衰老状况检测模型模型在进行衰老状况检测时能够充分考虑到各种面部特征数据对于衰老状况的影响权重，保证衰老检测的精度。
进一步地，所述基于预设的特征权重算法，计算每一个所述第一面部特征数据的实际特征权重的步骤，具体包括：
对赋予初始权重后的所述第一面部特征数据进行分类，得到若干个特征数据组合；
计算同一类别的特征数据组合中面部特征数据的相似度，得到第一相似度；
计算不同类别的特征数据组合之间面部特征数据的相似度，得到第二相似度；
基于第一相似度和第二相似度对所述第一面部特征数据的初始权重进行调整，得到每一个所述第一面部特征数据的实际特征权重。
其中，特征权重算法(Relief算法)从任意一个情绪特征组合D中随机选择一个样本R，然后从D中寻找与样本R最近邻的样本H，样本H称为Near Hit，从其他情绪特征组合中寻找与样本R最近邻样本M，样本M称为NearMiss，然后根据以下规则更新每个特征的权重：如果R和Near Hit在某个特征上的距离小于R和Near Miss上的距离，这里的距离即两个情绪特征之间的相似度，则说明该特征对区分同类和不同类的最近邻是有益的，则增加该特征的权重；反之，如果R和Near Hit在某个特征的距离大于R和Near Miss上的距离，说明该特征对区分同类和不同类的最近邻起负面作用，则降低该特征的权重。以上过程重复m次，最后得到各特征的平均权重，特征的权重越大，表示该特征的分类能力越强，反之，表示该特征分类能力越弱。Relief算法的运行时间随着样本的抽样次数m和原始特征个数N的增加线性增加，因而运行效率非常高。
具体的，服务器对赋予初始权重后的第一面部特征数据进行分类，得到若干个特征数据组合，在本申一种具体的实施例中，可以根据人体五官对第一面部特征数据进行分类，例如眼睛特征数据组合、鼻子特征数据组合等等。然后服务器计算同一类别的特征数据组合中面部特征数据的相似度，得到第一相似度，以及计算不同类别的特征数据组合之间面部特征数据的相似度，得到第二相似度，最后基于第一相似度和第二相似度对第一面部特征数据的初始权重进行调整，得到每一个第一面部特征数据的实际特征权重。例如，当第一相似度大于或等于第二相似度时，上调对应第一面部特征数据权重，得到该第一面部特征数据的实际特征权重。
在上述实施例中，在获取面部特征时，考虑到各种面部特征数据对于衰老状况的影响权重并不完全一致，因此本申请通过预设的特征权重算法来计算各个第一面部特征数据的实际特征权重，使得训练出了来的衰老状况检测模型模型能够充分考虑到各种面部特征数据对于衰老状况的影响权重，保证衰老检测的精度。
进一步地，所述将所述第一面部特征数据导入训练好的面部特征提取模型，得到所述目标对象的面部特征矩阵的步骤，具体包括：
对所述第一面部特征数据进行卷积运算，得到初始特征矩阵；
基于所述特征权重组合对所述初始特征矩阵进行矩阵拼接，得到所述目标对象的面部特征矩阵。
具体的，面部特征提取模型包括卷积层和全连接层，卷积层从各个特征数据中提取特征，全连接层负责把所有局部特征结合变成全局特征。服务器在卷积层对第一面部特征数据进行卷积运算，得到初始特征矩阵，在全连接层基于特征权重组合对初始特征矩阵进行矩阵拼接，得到目标对象的面部特征矩阵。
在本申请实施例中，CNN卷积神经网络模型中的卷积层包含预先设置好的卷积核，通过将面部特征数据导入到卷积层中，卷积层能够根据预先设置好的卷积核进行卷积操作，得到初始特征矩阵，再在全连接层基于特征权重组合对初始特征矩阵进行矩阵拼接，得到目标对象的面部特征矩阵。
需要说明的是，需要说明的是，卷积计算处理过程为，对于一m*n的矩阵，以1维卷积为例，构建一x*n的卷积核，该卷积核在原始矩阵上滑动运算。例如m的值为5，x的值为1，则卷积核自上而下滑动，x首先与第一行的n维向量相乘并求和，得到一个值，随后x继续往下滑动与第2行，第3行…进行卷积运算，共得到5*1的矩阵，即为卷积结果。
在上述实施例中，本申请通过CNN卷积神经网络构建一个面部特征提取模型，通过面部特征提取模型的卷积层对第一面部特征数据进行卷积运算，得到脸部区域各个维度的特征，再通过面部特征提取模型的全连接层对各个维度的特征进行拼接，得到一个可以完整表征用户面部特征信息的特征矩阵。
进一步地，在所述为每一个所述第一面部特征数据赋予一个初始特征权重的步骤之前，还包括：
从预设的数据库中获取第二样本图像，并对所述第二样本图像进行标注，得到所述第二样本图像的面部特征标签；
对所述第二样本图像中的目标对象进行人脸特征识别，得到第二面部特征数据；
将所述第二面部特征数据导入预设的初始面部特征提取模型，获取初始特征提取结果；
比对所述初始特征提取结果和所述面部特征标签，并基于比对结果调整所述初始面部特征提取模型，得到训练好的所述面部特征提取模型。
具体的，服务器从预设的数据库中获取第二样本图像，第二样本图像可以是任意健康状况下的人脸图像，第二样本图像用于训练面部特征提取模型。服务器通过对第二样本图像进行标注，得到第二样本图像的面部特征标签，对第二样本图像中的目标对象进行人脸特征识别，得到第二面部特征数据，将第二面部特征数据导入预设的初始面部特征提取模型，得到初始特征提取结果，初始特征提取结果是初始面部特征提取模型输出的针对于第二样本图像的特征预测标签。最后服务器通过比对初始特征提取结果和面部特征标签，并基于比对结果采用反向传播算法调整初始面部特征提取模型，得到训练好的面部特征提取模型。
其中，反向传播算法，即误差反向传播算法(Backpropagationalgorithm，BP算法)适合于多层神经元网络的一种学习算法，它建立在梯度下降法的基础上，用于深度学习网络的误差计算。BP网络的输入、输出关系实质上是一种映射关系：一个n输入m输出的BP神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射，这一映射具有高度非线性。BP算法的学习过程由正向传播过程和反向传播过程组成。在正向传播过程中，输入信息通过输入层经隐含层，逐层处理并传向输出层，并转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，以作为修改权值的依据。
在上述实施例中，服务器通过获取第二样本图像，并对获取第二样本图像进行脸特征识别，得到第二面部特征数据，通过第二面部特征数据来训练一个可以实现脸部特征识别和提取的模型。
进一步地，所述基于所述目标对象的面部特征矩阵对预设的初始检测模型进行训练，得到衰老状况检测模型的步骤，具体包括：
将所述目标对象的面部特征矩阵导入到所述初始检测模型，获取初始特征检测结果；
基于所述初始特征检测结果与预设标准衰老状况标签，使用序列反向传播算法进行拟合，获取预测误差；
将所述预测误差与预设阈值进行比较，若所述预测误差大于预设阈值，则对所述初始检测模型进行迭代更新，直到所述预测误差小于或等于预设阈值为止，得到所述衰老状况检测模型。
具体的，服务器将目标对象的面部特征矩阵导入到初始检测模型，由RNN网络计算出目标对象的面部衰老程度，生成初始特征检测结果，基于初始特征检测结果与预设标准的面部衰老状况检测结果，使用序列反向传播算法进行拟合，获取预测误差，将预测误差与预设阈值进行比较，若预测误差大于预设阈值，则对初始检测模型进行迭代更新，直到预测误差小于或等于预设阈值为止，得到衰老状况检测模型。其中，预设标准的面部衰老状况检测结果为根据医学标准对第一样本图像的标注结果。
其中，序列反向传播算法BPTT(back-propagation through time)算法是常用的训练RNN的方法，其实本质还是BP算法，只不过RNN处理时间序列数据，所以要基于时间反向传播，故叫随时间反向传播。BPTT的中心思想和BP算法相同，沿着需要优化的参数的负梯度方向不断寻找更优的点直至收敛。
本申请公开了一种人体衰老状况的检测方法，属于人工智能技术领域。本申请通过CNN卷积神经网络构建一个面部特征提取模型，用于提取用户的面部特征信息，通过RNN神经网络构建一个衰老状况检测模型，用于对用户的当前衰老状况进行分析和预测，当需要进行衰老状况检测时，通过用户的面部图像和面部特征提取模型，实时提取用户的面部特征信息，然后将提取到的用户的面部特征信息输入至衰老状况检测模型，通过衰老状况检测模型的隐藏层对输入的面部特征信息进行时序预测分析，获得用户的面部衰老状况检测结果和衰老状况预测结果。本申请简化了衰老状况检测的流程，并减少了认为主观因素的影响，提高了衰老状况检测的准确度。
需要强调的是，为进一步保证上述用户的面部特征数据的私密和安全性，上述用户的面部特征数据还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种人体衰老状况的检测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的人体衰老状况的检测装置包括：
第一样本图像获取模块301，用于从预设的数据库中获取第一样本图像，其中，所述第一样本图像为健康人的脸部图像；
第一面部特征识别模块302，用于对所述第一样本图像中的目标对象进行人脸特征识别，得到第一面部特征数据；
面部特征矩阵获取模块303，用于将所述第一面部特征数据导入训练好的面部特征提取模型，得到所述目标对象的面部特征矩阵；
衰老检测模型训练模块304，用于基于所述目标对象的面部特征矩阵对预设的初始检测模型进行训练，得到衰老状况检测模型；
用户面部特征数据模块305，用于当接收到衰老状况检测指令时，获取待识别用户的面部特征数据；
面部衰老状况检测模块306，用于将所述待识别用户的面部特征数据输入到所述衰老状况检测模型，输出所述待识别用户的面部衰老状况检测结果。
进一步地，所述对第一面部特征识别模块302具体包括：
样本图像扫描单元，用于对所述第一样本图像进行扫描，确定所述第一样本图像中目标对象的脸部区域；
图像区域分割单元，用于对所述第一样本图像中目标对象的脸部区域进行区域分割，得到区域分割图像；
第一面部特征识别单元，用于对所述区域分割图像进行特征识别，得到所述第一面部特征数据。
进一步地，对所述第一样本图像中的目标对象进行人脸特征识别，得到若干个第一面部特征数据，所述人体衰老状况的检测装置还包括：
初始特征权重赋值模块，用于为每一个所述第一面部特征数据赋予一个初始特征权重；
实际特征权重计算模块，用于基于预设的特征权重算法，计算每一个所述第一面部特征数据的实际特征权重；
实际特征权重组合模块，用于基于预设组合策略对所有所述第一面部特征数据的实际特征权重进行组合，得到特征权重组合；
特征权重组合导入模块，用于将所述特征权重组合导入到所述面部特征提取模型。
进一步地，所述实际特征权重计算模块具体包括：
特征数据分类单元，用于对赋予初始权重后的所述第一面部特征数据进行分类，得到若干个特征数据组合；
第一相似度计算单元，用于计算同一类别的特征数据组合中面部特征数据的相似度，得到第一相似度；
第二相似度计算单元，用于计算不同类别的特征数据组合之间面部特征数据的相似度，得到第二相似度；
初始权重调整单元，用于基于第一相似度和第二相似度对所述第一面部特征数据的初始权重进行调整，得到每一个所述第一面部特征数据的实际特征权重。
进一步地，所述面部特征矩阵获取模块303具体包括：
卷积运算单元，用于对所述第一面部特征数据进行卷积运算，得到初始特征矩阵；
矩阵拼接单元，用于基于所述特征权重组合对所述初始特征矩阵进行矩阵拼接，得到所述目标对象的面部特征矩阵。
进一步地，所述人体衰老状况的检测装置还包括：
第二样本图像获取模块，用于从预设的数据库中获取第二样本图像，并对所述第二样本图像进行标注，得到所述第二样本图像的面部特征标签；
第二面部特征识别模块，用于对所述第二样本图像中的目标对象进行人脸特征识别，得到第二面部特征数据；
特征提取模型训练模块，用于将所述第二面部特征数据导入预设的初始面部特征提取模型，获取初始特征提取结果；
特征提取模型迭代模块，用于比对所述初始特征提取结果和所述面部特征标签，并基于比对结果调整所述初始面部特征提取模型，得到训练好的所述面部特征提取模型。
进一步地，所述衰老检测模型训练模块304具体包括：
衰老检测模型训练单元，用于将所述目标对象的面部特征矩阵导入到所述初始检测模型，获取初始特征检测结果；
序列反向传播拟合单元，用于基于所述初始特征检测结果与预设标准衰老状况标签，使用序列反向传播算法进行拟合，获取预测误差；
衰老检测模型迭代单元，用于将所述预测误差与预设阈值进行比较，若所述预测误差大于预设阈值，则对所述初始检测模型进行迭代更新，直到所述预测误差小于或等于预设阈值为止，得到所述衰老状况检测模型。
本申请公开了一种人体衰老状况的检测装置，属于人工智能技术领域。本申请通过CNN卷积神经网络构建一个面部特征提取模型，用于提取用户的面部特征信息，通过RNN神经网络构建一个衰老状况检测模型，用于对用户的当前衰老状况进行分析和预测，当需要进行衰老状况检测时，通过用户的面部图像和面部特征提取模型，实时提取用户的面部特征信息，然后将提取到的用户的面部特征信息输入至衰老状况检测模型，通过衰老状况检测模型的隐藏层对输入的面部特征信息进行时序预测分析，获得用户的面部衰老状况检测结果和衰老状况预测结果。本申请简化了衰老状况检测的流程，并减少了认为主观因素的影响，提高了衰老状况检测的准确度。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过***总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作***和各类应用软件，例如人体衰老状况的检测方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述人体衰老状况的检测方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请公开了一种设备，属于人工智能技术领域。本申请通过CNN卷积神经网络构建一个面部特征提取模型，用于提取用户的面部特征信息，通过RNN神经网络构建一个衰老状况检测模型，用于对用户的当前衰老状况进行分析和预测，当需要进行衰老状况检测时，通过用户的面部图像和面部特征提取模型，实时提取用户的面部特征信息，然后将提取到的用户的面部特征信息输入至衰老状况检测模型，通过衰老状况检测模型的隐藏层对输入的面部特征信息进行时序预测分析，获得用户的面部衰老状况检测结果和衰老状况预测结果。本申请简化了衰老状况检测的流程，并减少了认为主观因素的影响，提高了衰老状况检测的准确度。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的人体衰老状况的检测方法的步骤。
本申请公开了一种存储介质，属于人工智能技术领域。本申请通过CNN卷积神经网络构建一个面部特征提取模型，用于提取用户的面部特征信息，通过RNN神经网络构建一个衰老状况检测模型，用于对用户的当前衰老状况进行分析和预测，当需要进行衰老状况检测时，通过用户的面部图像和面部特征提取模型，实时提取用户的面部特征信息，然后将提取到的用户的面部特征信息输入至衰老状况检测模型，通过衰老状况检测模型的隐藏层对输入的面部特征信息进行时序预测分析，获得用户的面部衰老状况检测结果和衰老状况预测结果。本申请简化了衰老状况检测的流程，并减少了认为主观因素的影响，提高了衰老状况检测的准确度。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
本申请可用于众多通用或专用的计算机***环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种人体衰老状况的检测方法，其特征在于，包括：
从预设的数据库中获取第一样本图像，其中，所述第一样本图像为健康人的脸部图像；
对所述第一样本图像中的目标对象进行人脸特征识别，得到第一面部特征数据；
将所述第一面部特征数据导入训练好的面部特征提取模型，得到所述目标对象的面部特征矩阵；
基于所述目标对象的面部特征矩阵对预设的初始检测模型进行训练，得到衰老状况检测模型；
当接收到衰老状况检测指令时，获取待识别用户的面部特征数据；
将所述待识别用户的面部特征数据输入到所述衰老状况检测模型，输出所述待识别用户的面部衰老状况检测结果。
2.如权利要求1所述的人体衰老状况的检测方法，其特征在于，所述对所述第一样本图像中的目标对象进行人脸特征识别，得到第一面部特征数据的步骤，具体包括：
对所述第一样本图像进行扫描，确定所述第一样本图像中目标对象的脸部区域；
对所述第一样本图像中目标对象的脸部区域进行区域分割，得到区域分割图像；
对所述区域分割图像进行特征识别，得到所述第一面部特征数据。
3.如权利要求1所述的人体衰老状况的检测方法，其特征在于，对所述第一样本图像中的目标对象进行人脸特征识别，得到若干个第一面部特征数据，在所述将所述第一面部特征数据导入训练好的面部特征提取模型，得到所述目标对象的面部特征矩阵的步骤之前，还包括：
为每一个所述第一面部特征数据赋予一个初始特征权重；
基于预设的特征权重算法，计算每一个所述第一面部特征数据的实际特征权重；
基于预设组合策略对所有所述第一面部特征数据的实际特征权重进行组合，得到特征权重组合；
将所述特征权重组合导入到所述面部特征提取模型。
4.如权利要求3所述的人体衰老状况的检测方法，其特征在于，所述基于预设的特征权重算法，计算每一个所述第一面部特征数据的实际特征权重的步骤，具体包括：
对赋予初始权重后的所述第一面部特征数据进行分类，得到若干个特征数据组合；
计算同一类别的特征数据组合中面部特征数据的相似度，得到第一相似度；
计算不同类别的特征数据组合之间面部特征数据的相似度，得到第二相似度；
基于第一相似度和第二相似度对所述第一面部特征数据的初始权重进行调整，得到每一个所述第一面部特征数据的实际特征权重。
5.如权利要求3所述的人体衰老状况的检测方法，其特征在于，所述将所述第一面部特征数据导入训练好的面部特征提取模型，得到所述目标对象的面部特征矩阵的步骤，具体包括：
对所述第一面部特征数据进行卷积运算，得到初始特征矩阵；
基于所述特征权重组合对所述初始特征矩阵进行矩阵拼接，得到所述目标对象的面部特征矩阵。
6.如权利要求3所述的人体衰老状况的检测方法，其特征在于，在所述为每一个所述第一面部特征数据赋予一个初始特征权重的步骤之前，还包括：
从预设的数据库中获取第二样本图像，并对所述第二样本图像进行标注，得到所述第二样本图像的面部特征标签；
对所述第二样本图像中的目标对象进行人脸特征识别，得到第二面部特征数据；
将所述第二面部特征数据导入预设的初始面部特征提取模型，获取初始特征提取结果；
比对所述初始特征提取结果和所述面部特征标签，并基于比对结果调整所述初始面部特征提取模型，得到训练好的所述面部特征提取模型。
7.如权利要求1至6任意一项所述的人体衰老状况的检测方法，其特征在于，所述基于所述目标对象的面部特征矩阵对预设的初始检测模型进行训练，得到衰老状况检测模型的步骤，具体包括：
将所述目标对象的面部特征矩阵导入到所述初始检测模型，获取初始特征检测结果；
基于所述初始特征检测结果与预设标准衰老状况标签，使用序列反向传播算法进行拟合，获取预测误差；
将所述预测误差与预设阈值进行比较，若所述预测误差大于预设阈值，则对所述初始检测模型进行迭代更新，直到所述预测误差小于或等于预设阈值为止，得到所述衰老状况检测模型。
8.一种人体衰老状况的检测装置，其特征在于，包括：
第一样本图像获取模块，用于从预设的数据库中获取第一样本图像，其中，所述第一样本图像为健康人的脸部图像；
第一面部特征识别模块，用于对所述第一样本图像中的目标对象进行人脸特征识别，得到第一面部特征数据；
面部特征矩阵获取模块，用于将所述第一面部特征数据导入训练好的面部特征提取模型，得到所述目标对象的面部特征矩阵；
衰老检测模型训练模块，用于基于所述目标对象的面部特征矩阵对预设的初始检测模型进行训练，得到衰老状况检测模型；
用户面部特征数据模块，用于当接收到衰老状况检测指令时，获取待识别用户的面部特征数据；
面部衰老状况检测模块，用于将所述待识别用户的面部特征数据输入到所述衰老状况检测模型，输出所述待识别用户的面部衰老状况检测结果。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的人体衰老状况的检测方法的步骤。
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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的人体衰老状况的检测方法的步骤。
CN202111016533.5A 2021-08-31 2021-08-31 一种人体衰老状况的检测方法、装置、设备及存储介质 Pending CN113643283A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111016533.5A CN113643283A (zh) 2021-08-31 2021-08-31 一种人体衰老状况的检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111016533.5A CN113643283A (zh) 2021-08-31 2021-08-31 一种人体衰老状况的检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113643283A true CN113643283A (zh) 2021-11-12

Family

ID=78424675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111016533.5A Pending CN113643283A (zh) 2021-08-31 2021-08-31 一种人体衰老状况的检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113643283A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661052A (zh) * 2022-10-13 2023-01-31 高峰医疗器械(无锡)有限公司 牙槽骨的骨质检测方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858381A (zh) * 2019-01-04 2019-06-07 深圳壹账通智能科技有限公司 活体检测方法、装置、计算机设备和存储介质
CN111881705A (zh) * 2019-09-29 2020-11-03 深圳数字生命研究院 数据处理、训练、识别方法、装置和存储介质
CN112069916A (zh) * 2020-08-14 2020-12-11 五邑大学 人脸美丽预测方法、装置、***及可读存储介质
CN112418059A (zh) * 2020-11-19 2021-02-26 平安普惠企业管理有限公司 一种情绪识别的方法、装置、计算机设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858381A (zh) * 2019-01-04 2019-06-07 深圳壹账通智能科技有限公司 活体检测方法、装置、计算机设备和存储介质
CN111881705A (zh) * 2019-09-29 2020-11-03 深圳数字生命研究院 数据处理、训练、识别方法、装置和存储介质
CN112069916A (zh) * 2020-08-14 2020-12-11 五邑大学 人脸美丽预测方法、装置、***及可读存储介质
CN112418059A (zh) * 2020-11-19 2021-02-26 平安普惠企业管理有限公司 一种情绪识别的方法、装置、计算机设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661052A (zh) * 2022-10-13 2023-01-31 高峰医疗器械(无锡)有限公司 牙槽骨的骨质检测方法、装置、设备及存储介质
CN115661052B (zh) * 2022-10-13 2023-09-12 高峰医疗器械(无锡)有限公司 牙槽骨的骨质检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
JP2021532499A (ja) 機械学習に基づく医療データ分類方法、装置、コンピュータデバイス及び記憶媒体
CN111783902B (zh) 数据增广、业务处理方法、装置、计算机设备和存储介质
US11704500B2 (en) Techniques to add smart device information to machine learning for increased context
CN112395979B (zh) 基于图像的健康状态识别方法、装置、设备及存储介质
CN111401339B (zh) 识别人脸图像中的人的年龄的方法、装置及电子设备
CN112418059B (zh) 一种情绪识别的方法、装置、计算机设备及存储介质
CN110705428B (zh) 一种基于脉冲神经网络的脸部年龄识别***及方法
CN112418292A (zh) 一种图像质量评价的方法、装置、计算机设备及存储介质
Moung et al. Ensemble-based face expression recognition approach for image sentiment analysis
CN114241459B (zh) 一种驾驶员身份验证方法、装置、计算机设备及存储介质
CN113722474A (zh) 文本分类方法、装置、设备及存储介质
CN113254491A (zh) 一种信息推荐的方法、装置、计算机设备及存储介质
CN113435335B (zh) 微观表情识别方法、装置、电子设备及存储介质
CN113793256A (zh) 基于用户标签的动漫人物生成方法、装置、设备及介质
CN113705534A (zh) 基于深度视觉的行为预测方法、装置、设备及存储介质
CN111401105A (zh) 一种视频表情识别方法、装置及设备
CN112529149A (zh) 一种数据处理方法及相关装置
CN115879508A (zh) 一种数据处理方法及相关装置
CN115099326A (zh) 基于人工智能的行为预测方法、装置、设备及存储介质
CN113723077B (zh) 基于双向表征模型的句向量生成方法、装置及计算机设备
CN114330482A (zh) 一种数据处理方法、装置及计算机可读存储介质
CN113643283A (zh) 一种人体衰老状况的检测方法、装置、设备及存储介质
CN115860835A (zh) 基于人工智能的广告推荐方法、装置、设备及存储介质
CN115392361A (zh) 一种智能排序方法、装置、计算机设备及存储介质
CN115795025A (zh) 一种摘要生成方法及其相关设备

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
TA01 Transfer of patent application right

Effective date of registration: 20220525

Address after: 518000 China Aviation Center 2901, No. 1018, Huafu Road, Huahang community, Huaqiang North Street, Futian District, Shenzhen, Guangdong Province

Applicant after: Shenzhen Ping An medical and Health Technology Service Co.,Ltd.

Address before: Room 12G, Area H, 666 Beijing East Road, Huangpu District, Shanghai 200001

Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd.

TA01 Transfer of patent application right