本發(fā)明涉及智能決策技術(shù)領(lǐng)域，特別涉及一種基于人臉圖像的胖瘦識(shí)別方法及裝置、電子設(shè)備。

背景技術(shù)：

目前保險(xiǎn)行業(yè)中，保險(xiǎn)公司一般會(huì)在投保人提交投保申請(qǐng)之后，通過(guò)核保人員對(duì)投保人的身體健康狀況、病歷記錄和身體胖瘦情況等進(jìn)行審核，以防投保人身患疾病，惡意騙保。

其中，現(xiàn)有針對(duì)身體胖瘦情況的審核方法是通過(guò)投保人提供的身體胖瘦情況的有關(guān)信息(比如身高、體重或胖瘦自述等)結(jié)合投保人的人臉圖像進(jìn)行人工審核，人力成本耗費(fèi)較多，審核效率也低。

另外，由于過(guò)度肥胖的人患病的幾率會(huì)比正常人較高，也會(huì)存在少數(shù)投保人為了通過(guò)核查而虛報(bào)身體胖瘦情況的有關(guān)信息，導(dǎo)致容易出現(xiàn)審核不準(zhǔn)確的情況。

技術(shù)實(shí)現(xiàn)要素：

為了解決相關(guān)技術(shù)中存在的投保審核效率過(guò)于低下的問題，本發(fā)明提供了一種基于人臉圖像的胖瘦識(shí)別方法及裝置、電子設(shè)備。

本發(fā)明實(shí)施例第一方面公開了一種基于人臉圖像的胖瘦識(shí)別方法，所述方法包括：

對(duì)采集到的各個(gè)人臉圖像樣本進(jìn)行胖瘦類型標(biāo)記；

由已標(biāo)記胖瘦類型的若干個(gè)人臉圖像樣本組成訓(xùn)練集合；

利用所述訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得分類模型；

獲取投保人的人臉圖像；

對(duì)所述人臉圖像進(jìn)行去噪處理，獲得待測(cè)人臉圖像；

將所述待測(cè)人臉圖像輸入所述分類模型，獲得所述待測(cè)人臉圖像的分類結(jié)果，所述分類結(jié)果用于描述所述投保人的胖瘦類型。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第一方面中，所述將所述待測(cè)人臉圖像輸入所述分類模型，獲得所述待測(cè)人臉圖像的分類結(jié)果之后，所述方法還包括：

判斷所述分類結(jié)果是否滿足預(yù)設(shè)的與身體胖瘦情況匹配的目標(biāo)投保條件；

若滿足所述目標(biāo)投保條件，輸出第一提示信息，所述第一提示信息用于描述所述投保人的身體胖瘦情況被審核通過(guò)；

若不滿足所述目標(biāo)投保條件，輸出第二提示信息，所述第二提示信息用于描述所述投保人的身體胖瘦情況被審核不通過(guò)。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第一方面中，所述胖瘦類型為過(guò)胖、正常胖瘦或過(guò)瘦；所述判斷所述分類結(jié)果是否滿足預(yù)設(shè)的與身體胖瘦情況匹配的目標(biāo)投保條件，包括：

判斷所述分類結(jié)果是否用于描述所述投保人正常胖瘦；

若用于描述所述投保人正常胖瘦，判定所述分類結(jié)果滿足預(yù)設(shè)的與身體胖瘦情況匹配的目標(biāo)投保條件；

若不是用于描述所述投保人正常胖瘦，判定所述分類結(jié)果不滿足預(yù)設(shè)的與身體胖瘦情況匹配的目標(biāo)投保條件。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第一方面中，所述利用所述訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得分類模型之前，所述方法還包括：

判斷所述訓(xùn)練集合中是否存在稀少樣本；

若存在，增加所述稀少樣本對(duì)應(yīng)的類別的樣本數(shù)量，獲得均勻訓(xùn)練集合；

以及，所述利用所述訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得分類模型，包括：利用所述均勻訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得分類模型。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第一方面中，所述利用所述訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得分類模型，包括：

將所述訓(xùn)練集合中的所述人臉圖像樣本輸入卷積神經(jīng)網(wǎng)絡(luò)，輸出所述人臉圖像樣本的實(shí)際輸出結(jié)果；

根據(jù)所述人臉圖像樣本對(duì)應(yīng)的胖瘦類型，獲得理想輸出結(jié)果；

計(jì)算所述實(shí)際輸出結(jié)果與所述理想輸出結(jié)果的差值；

根據(jù)所述差值進(jìn)行反向傳播，以修正所述卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)權(quán)重；

重復(fù)上述步驟直到所述差值滿足預(yù)設(shè)條件，獲得分類模型。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第一方面中，所述分類模型包括卷積層、激勵(lì)層和全連接層；所述將所述待測(cè)人臉圖像輸入所述分類模型，獲得所述待測(cè)人臉圖像的分類結(jié)果，包括：

將所述待測(cè)人臉圖像輸入所述卷積層，在所述卷積層中采用多個(gè)卷積核對(duì)所述待測(cè)人臉圖像進(jìn)行特征提取，獲得特征圖像；

將所述特征圖像輸入所述激勵(lì)層，在所述激勵(lì)層中對(duì)所述特征圖像進(jìn)行非線性空間映射，獲得特征向量；

將所述特征向量輸入所述全連接層，在所述全連接層中對(duì)所述特征向量進(jìn)行特征整合，獲得所述待測(cè)人臉圖像的分類結(jié)果。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第一方面中，所述對(duì)所述人臉圖像進(jìn)行去噪處理，獲得待測(cè)人臉圖像，包括：

獲取所述人臉圖像的待處理圖像信號(hào)；

對(duì)所述待處理圖像信號(hào)進(jìn)行低通濾波處理，獲得低頻圖像信號(hào)；

計(jì)算所述待處理圖像信號(hào)和所述低頻圖像信號(hào)的差值，獲得高頻圖像信號(hào)；

采用非局部均值法，分別對(duì)所述低頻圖像信號(hào)和所述高頻圖像信號(hào)進(jìn)行去噪濾波處理，獲得去噪低頻圖像信號(hào)和去噪高頻圖像信號(hào)；

將所述去噪低頻圖像信號(hào)和所述去噪高頻圖像信號(hào)進(jìn)行求和計(jì)算，獲得去噪圖像信號(hào)；

根據(jù)所述去噪圖像信號(hào)獲得待測(cè)人臉圖像。

本發(fā)明實(shí)施例第二方面公開了一種基于人臉圖像的胖瘦識(shí)別裝置，所述裝置包括：

標(biāo)記單元，用于對(duì)采集到的各個(gè)人臉圖像樣本進(jìn)行胖瘦類型標(biāo)記；

訓(xùn)練單元，用于由已標(biāo)記胖瘦類型的若干個(gè)人臉圖像樣本組成訓(xùn)練集合；以及，利用所述訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練獲得分類模型；

獲取單元，用于獲取投保人的人臉圖像；

去噪單元，用于對(duì)所述人臉圖像進(jìn)行去噪處理，獲得待測(cè)人臉圖像；

識(shí)別單元，用于將所述待測(cè)人臉圖像輸入所述分類模型，獲得所述待測(cè)人臉圖像的分類結(jié)果，所述分類結(jié)果用于描述所述投保人的胖瘦類型。

本發(fā)明實(shí)施例第三方面公開了一種電子設(shè)備，所述電子設(shè)備包括：

處理器；

存儲(chǔ)器，所述存儲(chǔ)器上存儲(chǔ)有計(jì)算機(jī)可讀指令，所述計(jì)算機(jī)可讀指令被所述處理器執(zhí)行時(shí)，實(shí)現(xiàn)本發(fā)明實(shí)施例第一方面公開的基于人臉圖像的胖瘦識(shí)別方法。

本發(fā)明實(shí)施例第四方面公開了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其存儲(chǔ)計(jì)算機(jī)程序，所述計(jì)算機(jī)程序使得計(jì)算機(jī)執(zhí)行本發(fā)明實(shí)施例第一方面公開的基于人臉圖像的胖瘦識(shí)別方法。

本發(fā)明的實(shí)施例提供的技術(shù)方案可以包括以下有益效果：

本發(fā)明所提供的基于人臉圖像的胖瘦識(shí)別方法包括如下步驟：對(duì)采集到的各個(gè)人臉圖像樣本進(jìn)行胖瘦類型標(biāo)記；由已標(biāo)記胖瘦類型的若干個(gè)人臉圖像樣本組成訓(xùn)練集合；利用訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練獲得分類模型；獲取投保人的人臉圖像；對(duì)人臉圖像進(jìn)行去噪處理，獲得待測(cè)人臉圖像；將待測(cè)人臉圖像輸入分類模型，獲得待測(cè)人臉圖像的分類結(jié)果，分類結(jié)果用于描述投保人的胖瘦類型。

此方法下，通過(guò)構(gòu)建分類模型，可以基于投保人的人臉圖像，自動(dòng)識(shí)別投保人的胖瘦類型，能夠輔助核保人員對(duì)投保人的身體胖瘦情況進(jìn)行審核，能夠節(jié)約人力成本，提升投保審核效率。

應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性的，并不能限制本發(fā)明。

附圖說(shuō)明

此處的附圖被并入說(shuō)明書中并構(gòu)成本說(shuō)明書的一部分，示出了符合本發(fā)明的實(shí)施例，并于說(shuō)明書一起用于解釋本發(fā)明的原理。

圖1是本發(fā)明實(shí)施例公開的一種基于人臉圖像的胖瘦識(shí)別裝置的結(jié)構(gòu)示意圖；

圖2是本發(fā)明實(shí)施例公開的一種基于人臉圖像的胖瘦識(shí)別方法的流程示意圖；

圖3是本發(fā)明實(shí)施例公開的另一種基于人臉圖像的胖瘦識(shí)別方法的流程示意圖；

圖4是本發(fā)明實(shí)施例公開的又一種基于人臉圖像的胖瘦識(shí)別方法的流程示意圖；

圖5是本發(fā)明實(shí)施例公開的另一種基于人臉圖像的胖瘦識(shí)別裝置的結(jié)構(gòu)示意圖；

圖6是本發(fā)明實(shí)施例公開的另一種基于人臉圖像的胖瘦識(shí)別裝置的結(jié)構(gòu)示意圖；

圖7是本發(fā)明實(shí)施例公開的又一種基于人臉圖像的胖瘦識(shí)別裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

這里將詳細(xì)地對(duì)示例性實(shí)施例執(zhí)行說(shuō)明，其示例表示在附圖中。下面的描述涉及附圖時(shí)，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實(shí)施例中所描述的實(shí)施方式并不代表與本發(fā)明相一致的所有實(shí)施方式。相反，它們僅是與如所附權(quán)利要求書中所詳述的、本發(fā)明的一些方面相一致的裝置和方法的例子。

實(shí)施例一

本發(fā)明的實(shí)施環(huán)境可以是電子設(shè)備，例如智能手機(jī)、平板電腦、臺(tái)式電腦。電子設(shè)備可以接收核保人員上傳的投保人的人臉圖像，也可以接收投保人上傳的人臉圖像，在此不做具體限定。

圖1是本發(fā)明實(shí)施例公開的一種基于人臉圖像的胖瘦識(shí)別裝置的結(jié)構(gòu)示意圖。裝置100可以是上述電子設(shè)備。如圖1所示，裝置100可以包括以下一個(gè)或多個(gè)組件：處理組件102，存儲(chǔ)器104，電源組件106，多媒體組件108，音頻組件110，傳感器組件114以及通信組件116。

處理組件102通常控制裝置100的整體操作，諸如與顯示，電話呼叫，數(shù)據(jù)通信，相機(jī)操作以及記錄操作相關(guān)聯(lián)的操作等。處理組件102可以包括一個(gè)或多個(gè)處理器118來(lái)執(zhí)行指令，以完成下述的方法的全部或部分步驟。此外，處理組件102可以包括一個(gè)或多個(gè)模塊，用于便于處理組件102和其他組件之間的交互。例如，處理組件102可以包括多媒體模塊，用于以方便多媒體組件108和處理組件102之間的交互。

存儲(chǔ)器104被配置為存儲(chǔ)各種類型的數(shù)據(jù)以支持在裝置100的操作。這些數(shù)據(jù)的示例包括用于在裝置100上操作的任何應(yīng)用程序或方法的指令。存儲(chǔ)器104可以由任何類型的易失性或非易失性存儲(chǔ)設(shè)備或者它們的組合實(shí)現(xiàn)，如靜態(tài)隨機(jī)存取存儲(chǔ)器(staticrandomaccessmemory，簡(jiǎn)稱sram)，電可擦除可編程只讀存儲(chǔ)器(electricallyerasableprogrammableread-onlymemory，簡(jiǎn)稱eeprom)，可擦除可編程只讀存儲(chǔ)器(erasableprogrammablereadonlymemory，簡(jiǎn)稱eprom)，可編程只讀存儲(chǔ)器(programmablered-onlymemory，簡(jiǎn)稱prom)，只讀存儲(chǔ)器(read-onlymemory，簡(jiǎn)稱rom)，磁存儲(chǔ)器，快閃存儲(chǔ)器，磁盤或光盤。存儲(chǔ)器104中還存儲(chǔ)有一個(gè)或多個(gè)模塊，用于該一個(gè)或多個(gè)模塊被配置成由該一個(gè)或多個(gè)處理器118執(zhí)行，以完成如下所示方法中的全部或者部分步驟。

電源組件106為裝置100的各種組件提供電力。電源組件106可以包括電源管理系統(tǒng)，一個(gè)或多個(gè)電源，及其他與為裝置100生成、管理和分配電力相關(guān)聯(lián)的組件。

多媒體組件108包括在裝置100和用戶之間的提供一個(gè)輸出接口的屏幕。在一些實(shí)施例中，屏幕可以包括液晶顯示器(liquidcrystaldisplay，簡(jiǎn)稱lcd)和觸摸面板。如果屏幕包括觸摸面板，屏幕可以被實(shí)現(xiàn)為觸摸屏，以接收來(lái)自用戶的輸入信號(hào)。觸摸面板包括一個(gè)或多個(gè)觸摸傳感器以感測(cè)觸摸、滑動(dòng)和觸摸面板上的手勢(shì)。觸摸傳感器可以不僅感測(cè)觸摸或滑動(dòng)動(dòng)作的邊界，而且還檢測(cè)與觸摸或滑動(dòng)操作相關(guān)的持續(xù)時(shí)間和壓力。屏幕還可以包括有機(jī)電致發(fā)光顯示器(organiclightemittingdisplay，簡(jiǎn)稱oled)。

音頻組件110被配置為輸出和/或輸入音頻信號(hào)。例如，音頻組件110包括一個(gè)麥克風(fēng)(microphone，簡(jiǎn)稱mic)，當(dāng)裝置100處于操作模式，如呼叫模式、記錄模式和語(yǔ)音識(shí)別模式時(shí)，麥克風(fēng)被配置為接收外部音頻信號(hào)。所接收的音頻信號(hào)可以被進(jìn)一步存儲(chǔ)在存儲(chǔ)器104或經(jīng)由通信組件116發(fā)送。在一些實(shí)施例中，音頻組件110還包括一個(gè)揚(yáng)聲器，用于輸出音頻信號(hào)。

傳感器組件114包括一個(gè)或多個(gè)傳感器，用于為裝置100提供各個(gè)方面的狀態(tài)評(píng)估。例如，傳感器組件114可以檢測(cè)到裝置100的打開/關(guān)閉狀態(tài)，組件的相對(duì)定位，傳感器組件114還可以檢測(cè)裝置100或裝置100一個(gè)組件的位置改變以及裝置100的溫度變化。在一些實(shí)施例中，該傳感器組件114還可以包括磁傳感器，壓力傳感器或溫度傳感器。

通信組件116被配置為便于裝置100和其他設(shè)備之間有線或無(wú)線方式的通信。裝置100可以接入基于通信標(biāo)準(zhǔn)的無(wú)線網(wǎng)絡(luò)，如wifi(wireless-fidelity，無(wú)線保真)。在本發(fā)明實(shí)施例中，通信組件116經(jīng)由廣播信道接收來(lái)自外部廣播管理系統(tǒng)的廣播信號(hào)或廣播相關(guān)信息。在本發(fā)明實(shí)施例中，通信組件116還包括近場(chǎng)通信(nearfieldcommunication，簡(jiǎn)稱nfc)模塊，用于以促進(jìn)短程通信。例如，在nfc模塊可基于射頻識(shí)別(radiofrequencyidentification，簡(jiǎn)稱rfid)技術(shù)，紅外數(shù)據(jù)協(xié)會(huì)(infrareddataassociation，簡(jiǎn)稱irda)技術(shù)，超寬帶(ultrawideband，簡(jiǎn)稱uwb)技術(shù)，藍(lán)牙技術(shù)和其他技術(shù)來(lái)實(shí)現(xiàn)。

在示例性實(shí)施例中，裝置100可以被一個(gè)或多個(gè)應(yīng)用專用集成電路(applicationspecificintegratedcircuit，簡(jiǎn)稱asic)、數(shù)字信號(hào)處理器、數(shù)字信號(hào)處理設(shè)備、可編程邏輯器件、現(xiàn)場(chǎng)可編程門陣列、控制器、微控制器、微處理器或其他電子元件實(shí)現(xiàn)，用于執(zhí)行下述方法。

實(shí)施例二

請(qǐng)參閱圖2，圖2是本發(fā)明實(shí)施例公開的一種基于人臉圖像的胖瘦識(shí)別方法的流程示意圖。如圖2所示該基于人臉圖像的胖瘦識(shí)別方法可以包括以下步驟：

201、對(duì)采集到的各個(gè)人臉圖像樣本進(jìn)行胖瘦類型標(biāo)記。

本發(fā)明實(shí)施例中，胖瘦類型可以具體為過(guò)胖、正常胖瘦或過(guò)瘦。那么，胖瘦類型標(biāo)記包括：對(duì)各個(gè)人臉圖像樣本標(biāo)記為過(guò)胖、正常胖瘦或過(guò)瘦。

202、由已標(biāo)記胖瘦類型的若干個(gè)人臉圖像樣本組成訓(xùn)練集合。

203、利用訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得分類模型。

本發(fā)明實(shí)施例中，執(zhí)行步驟203之后，可以轉(zhuǎn)向步驟206，也可以執(zhí)行步驟204。在本實(shí)施例中，執(zhí)行步驟203之后，執(zhí)行步驟204，而在其它一些可能的實(shí)施例中，執(zhí)行步驟203之后，可以轉(zhuǎn)向步驟206，本發(fā)明實(shí)施例不作具體限定。

作為一種可選的實(shí)施方式，在執(zhí)行步驟203之前，還可以執(zhí)行以下步驟：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，該卷積神經(jīng)網(wǎng)絡(luò)可以依次包括輸入層、多個(gè)卷積層、激勵(lì)層、至少一個(gè)全連接層和輸出層。

基于此，步驟203中的利用訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練可以包括：利用訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，擴(kuò)大具有不同類別的胖瘦類型標(biāo)簽的多個(gè)人臉圖像樣本之間的胖瘦特征差異性，以及減少具有相同類別的胖瘦類型標(biāo)簽的多個(gè)人臉圖像樣本之間的胖瘦特征差異性。

實(shí)施上述實(shí)施方式，能夠基于卷積神經(jīng)網(wǎng)絡(luò)的強(qiáng)大計(jì)算能力，能夠提高分類模型的泛化能力和識(shí)別準(zhǔn)確率。

204、獲取投保人的人臉圖像。

作為一種可選的實(shí)施方式，獲取投保人的人臉圖像之后，還可以將人臉圖像與預(yù)先存儲(chǔ)的人臉圖像進(jìn)行比較，以識(shí)別人臉圖像中是否包含人臉；若是，執(zhí)行步驟205；反之，結(jié)束本流程。

205、對(duì)人臉圖像進(jìn)行去噪處理，獲得待測(cè)人臉圖像。

作為一種可選的實(shí)施方式，步驟205可以包括以下步驟：獲取人臉圖像的待處理圖像信號(hào)；對(duì)待處理圖像信號(hào)進(jìn)行低通濾波處理，獲得低頻圖像信號(hào)；計(jì)算待處理圖像信號(hào)和低頻圖像信號(hào)的差值，獲得高頻圖像信號(hào)；采用非局部均值法，分別對(duì)低頻圖像信號(hào)和高頻圖像信號(hào)進(jìn)行去噪濾波處理，獲得去噪低頻圖像信號(hào)和去噪高頻圖像信號(hào)；將去噪低頻圖像信號(hào)和去噪高頻圖像信號(hào)進(jìn)行求和計(jì)算，獲得去噪圖像信號(hào)；根據(jù)去噪圖像信號(hào)獲得待測(cè)人臉圖像。

實(shí)施上述實(shí)施方式，將人臉圖像分成低頻圖像信號(hào)和高頻圖像信號(hào)然后再分別進(jìn)行去噪濾波處理，能夠使得去噪處理過(guò)程簡(jiǎn)單，從而提升投保審核效率。

206、將待測(cè)人臉圖像輸入分類模型，獲得待測(cè)人臉圖像的分類結(jié)果，分類結(jié)果用于描述投保人的胖瘦類型。

需要說(shuō)明的是，分類模型的作用是根據(jù)待測(cè)人臉圖像的特征，對(duì)人臉圖像的胖瘦類型進(jìn)行分類。具體實(shí)現(xiàn)方式可以采用softmax分類器，softmax分類器可以計(jì)算不同胖瘦類型的概率分布，根據(jù)不同概率分布來(lái)判斷人臉圖像屬于哪一種胖瘦類型。

實(shí)施圖2所描述的方法，通過(guò)對(duì)采集到的各個(gè)人臉圖像樣本進(jìn)行胖瘦類型標(biāo)記；由已標(biāo)記胖瘦類型的若干個(gè)人臉圖像樣本組成訓(xùn)練集合；利用訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練獲得分類模型；獲取投保人的人臉圖像；對(duì)人臉圖像進(jìn)行去噪處理，獲得待測(cè)人臉圖像；將待測(cè)人臉圖像輸入分類模型，獲得待測(cè)人臉圖像的分類結(jié)果，分類結(jié)果用于描述投保人的胖瘦類型。因此，本發(fā)明通過(guò)構(gòu)建分類模型，可以基于投保人的人臉圖像，自動(dòng)識(shí)別投保人的胖瘦類型，能夠輔助核保人員對(duì)投保人的身體胖瘦情況進(jìn)行審核，能夠節(jié)約人力成本，提升投保審核效率。

實(shí)施例三

請(qǐng)參閱圖3，圖3是本發(fā)明實(shí)施例公開的另一種基于人臉圖像的胖瘦識(shí)別方法的流程示意圖。如圖3所示，該基于人臉圖像的胖瘦識(shí)別方法可以包括以下步驟：

301～302。其中，步驟301～302與實(shí)施例二中所描述的步驟201～202相同，本發(fā)明實(shí)施例不再贅述。

303、判斷訓(xùn)練集合中是否存在稀少樣本。若是，執(zhí)行步驟304；反之，結(jié)束本流程。其中，稀少樣本可以是任意一種胖瘦類型的類別，而稀少樣本指的是該胖瘦類型的類別中的樣本數(shù)量比其它類別中的樣本數(shù)量較少。

304、增加稀少樣本對(duì)應(yīng)的類別的樣本數(shù)量，獲得均勻訓(xùn)練集合。

本發(fā)明實(shí)施例中，通過(guò)判斷訓(xùn)練集合中是否存在稀少樣本，若存在，則根據(jù)稀少樣本的類別增加稀少樣本的數(shù)量，以使訓(xùn)練集合中的稀少樣本集合與正常樣本集合的分布均勻化，從而獲得均勻后的均勻訓(xùn)練集合。

305、利用均勻訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得分類模型。

通過(guò)實(shí)施上述步驟303～305，能夠?qū)τ?xùn)練集合的樣本數(shù)據(jù)進(jìn)行均勻化，并利用均勻后的均勻訓(xùn)練集合訓(xùn)練獲得分類模型，能夠提高分類模型的識(shí)別準(zhǔn)確性。

306～308。其中，步驟306～308與實(shí)施例二中所描述的步驟204～206相同，本發(fā)明實(shí)施例不再贅述。

309、判斷分類結(jié)果是否滿足預(yù)設(shè)的與身體胖瘦情況匹配的目標(biāo)投保條件。若是，執(zhí)行步驟310；反之，執(zhí)行步驟311。

本發(fā)明實(shí)施例中，預(yù)設(shè)的與身體胖瘦情況匹配的目標(biāo)投保條件可以是開發(fā)業(yè)務(wù)人員根據(jù)實(shí)際情況而設(shè)定的任意一種胖瘦類型對(duì)應(yīng)的分類結(jié)果。比如，開發(fā)業(yè)務(wù)人員可以設(shè)定用于描述投保人正常胖瘦的分類結(jié)果為目標(biāo)投保條件。

因此，作為一種可選的實(shí)施方式，步驟309可以包括：判斷分類結(jié)果是否用于描述投保人正常胖瘦；若是，判定分類結(jié)果滿足預(yù)設(shè)的與身體胖瘦情況匹配的目標(biāo)投保條件；否則，判定分類結(jié)果不滿足預(yù)設(shè)的與身體胖瘦情況匹配的目標(biāo)投保條件。

310、輸出第一提示信息，第一提示信息用于描述投保人的身體胖瘦情況被審核通過(guò)。

311、輸出第二提示信息，第二提示信息用于描述投保人的身體胖瘦情況被審核不通過(guò)。

通過(guò)實(shí)施上述步驟309～311，通過(guò)判斷分類結(jié)果是否滿足預(yù)設(shè)的與身體胖瘦情況匹配的目標(biāo)投保條件，能夠自動(dòng)識(shí)別投保人的胖瘦類型是否符合目標(biāo)投保條件，并提示是否審核通過(guò)，從而提升投保審核效率。

可見，實(shí)施圖3所描述的方法，能夠輔助核保人員對(duì)投保人的身體胖瘦情況進(jìn)行審核，能夠節(jié)約人力成本，提升投保審核效率。

除此之外，還能夠在判斷出訓(xùn)練集合中存在稀少樣本時(shí)，則根據(jù)稀少樣本的類別增加稀少樣本的數(shù)量，使訓(xùn)練集合中的稀少樣本集合與正常樣本集合的分布均勻化，并利用均勻后的均勻訓(xùn)練集合訓(xùn)練獲得分類模型，進(jìn)而能夠提高分類模型的識(shí)別準(zhǔn)確率。

此外，還能夠通過(guò)判斷分類結(jié)果是否滿足預(yù)設(shè)的與身體胖瘦情況匹配的目標(biāo)投保條件，即自動(dòng)識(shí)別投保人的胖瘦類型是否符合目標(biāo)投保條件，并提示是否審核通過(guò)，從而提升投保審核效率。

實(shí)施例四

請(qǐng)參閱圖4，圖4是本發(fā)明實(shí)施例公開的又一種基于人臉圖像的胖瘦識(shí)別方法的流程示意圖。如圖4所示該基于人臉圖像的胖瘦識(shí)別方法可以包括以下步驟：

401～402。其中，步驟401～402與實(shí)施例二中所描述的步驟201～202相同，本發(fā)明實(shí)施例不再贅述。

作為一種可選的實(shí)施方式，在執(zhí)行步驟401之前，還可以對(duì)采集到的各個(gè)人臉圖像進(jìn)行預(yù)處理。具體地，將采集到的各個(gè)人臉圖像縮放成預(yù)設(shè)尺寸大小的人臉圖像，并轉(zhuǎn)換成灰度圖。其中，預(yù)設(shè)尺寸大小可以是開發(fā)人員根據(jù)實(shí)際情況或用戶的需求預(yù)先進(jìn)行設(shè)置，例如可以是在48×48像素到256×256像素之間的任意尺寸，優(yōu)選為90×90像素的尺寸大小。

實(shí)施該實(shí)施方式，能夠增大數(shù)據(jù)量，防止模型過(guò)擬合。

403、將訓(xùn)練集合中的人臉圖像樣本輸入卷積神經(jīng)網(wǎng)絡(luò)，輸出人臉圖像樣本的實(shí)際輸出結(jié)果。

本發(fā)明實(shí)施例中，對(duì)于分類模型的訓(xùn)練過(guò)程可以包括兩個(gè)階段，一個(gè)是前向傳播階段，另一個(gè)是反向傳播階段。其中，前向傳播階段即為步驟403所描述的內(nèi)容，具體的實(shí)施方式可以是：將訓(xùn)練集合中的具有已知的胖瘦類型標(biāo)記的人臉圖像樣本送入卷積神經(jīng)網(wǎng)絡(luò)，在卷積神經(jīng)網(wǎng)絡(luò)中采用多個(gè)卷積核對(duì)人臉圖像樣本進(jìn)行卷積計(jì)算，獲得特征圖像樣本；對(duì)特征圖像樣本進(jìn)行特征映射，獲得人臉圖像樣本的實(shí)際輸出結(jié)果。另外，反向傳播階段包括步驟404～407。

其中，實(shí)際輸出結(jié)果即為人臉圖像樣本的預(yù)測(cè)胖瘦類型分布概率。

404、根據(jù)人臉圖像樣本對(duì)應(yīng)的胖瘦類型，獲得理想輸出結(jié)果。

其中，理想輸出結(jié)果即為人臉圖像樣本的真實(shí)胖瘦類型分布概率。

405、計(jì)算實(shí)際輸出結(jié)果與理想輸出結(jié)果的差值。

需要說(shuō)明的是，實(shí)際輸出結(jié)果與理想輸出結(jié)果的差值可以反向調(diào)節(jié)卷積神經(jīng)網(wǎng)絡(luò)中的全部權(quán)重，實(shí)際輸出結(jié)果與理想輸出結(jié)果均可以通過(guò)概率值來(lái)表示。因此，用于計(jì)算實(shí)際輸出結(jié)果與理想結(jié)果的差值的函數(shù)可以是：

reloss(p,q)＝-∑xp(x)logq(x)；

其中，x為特征圖像樣本的特征值，p(x)是理想輸出結(jié)果，q(x)為實(shí)際輸出結(jié)果。

406、根據(jù)差值進(jìn)行反向傳播，以修正卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)權(quán)重。

407、判斷差值是否滿足預(yù)設(shè)條件。若是，執(zhí)行步驟408；反之，轉(zhuǎn)向步驟403。

通過(guò)實(shí)施上述步驟403～407，在模型的訓(xùn)練過(guò)程中采用反向傳播算法進(jìn)行訓(xùn)練，不斷地反向調(diào)節(jié)卷積神經(jīng)網(wǎng)絡(luò)中的全部權(quán)重，能夠提高模型的識(shí)別準(zhǔn)確率。

408～409。其中，步驟408～409與實(shí)施例二中所描述的步驟204～205相同，本發(fā)明實(shí)施例不再贅述。

410、將待測(cè)人臉圖像輸入卷積層，在卷積層中采用多個(gè)卷積核對(duì)待測(cè)人臉圖像進(jìn)行特征提取，獲得特征圖像。

可以理解，卷積層、激勵(lì)層和全連接層均屬于卷積神經(jīng)網(wǎng)絡(luò)中的網(wǎng)絡(luò)層。本發(fā)明實(shí)施例利用了卷積神經(jīng)網(wǎng)絡(luò)的強(qiáng)大的特征提取能力，提取了待測(cè)人臉圖像中的胖瘦特征，保證了最終的分類結(jié)果的準(zhǔn)確率。

411、將特征圖像輸入激勵(lì)層，在激勵(lì)層中對(duì)特征圖像進(jìn)行非線性空間映射，獲得特征向量。

412、將特征向量輸入全連接層，在全連接層中對(duì)特征向量進(jìn)行特征整合，獲得待測(cè)人臉圖像的分類結(jié)果。

本發(fā)明實(shí)施例中，在全連接層中優(yōu)選使用sigmoid激活函數(shù)，當(dāng)然也可以使用其它激活函數(shù)，具體采用哪一種激活函數(shù)，本發(fā)明不作具體限定。

可見，實(shí)施圖4所描述的方法，能夠輔助核保人員對(duì)投保人的身體胖瘦情況進(jìn)行審核，能夠節(jié)約人力成本，提升投保審核效率。

除此之外，還能夠在模型的訓(xùn)練過(guò)程中采用反向傳播算法進(jìn)行訓(xùn)練，不斷地反向調(diào)節(jié)卷積神經(jīng)網(wǎng)絡(luò)中的全部權(quán)重，從而提高模型的識(shí)別準(zhǔn)確率。

此外，還能夠利用卷積神經(jīng)網(wǎng)絡(luò)的強(qiáng)大的特征提取能力，提取待測(cè)人臉圖像中的胖瘦特征，可以保證最終的分類結(jié)果的準(zhǔn)確率。

實(shí)施例五

請(qǐng)參閱圖5，圖5是本發(fā)明實(shí)施例公開的另一種基于人臉圖像的胖瘦識(shí)別裝置的結(jié)構(gòu)示意圖。如圖5所示，該基于人臉圖像的胖瘦識(shí)別裝置可以包括：標(biāo)記單元501、訓(xùn)練單元502、獲取單元503、去噪單元504以及識(shí)別單元505，其中，

標(biāo)記單元501，用于對(duì)采集到的各個(gè)人臉圖像樣本進(jìn)行胖瘦類型標(biāo)記。

訓(xùn)練單元502，用于由已標(biāo)記胖瘦類型的若干個(gè)人臉圖像樣本組成訓(xùn)練集合；以及，利用訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練獲得分類模型。

獲取單元503，用于獲取投保人的人臉圖像。

去噪單元504，用于對(duì)人臉圖像進(jìn)行去噪處理，獲得待測(cè)人臉圖像。

識(shí)別單元505，用于將待測(cè)人臉圖像輸入分類模型，獲得待測(cè)人臉圖像的分類結(jié)果，分類結(jié)果用于描述投保人的胖瘦類型。

作為一種可選的實(shí)施方式，圖5所示的基于人臉圖像的胖瘦識(shí)別裝置還可以包括未圖示的網(wǎng)絡(luò)構(gòu)建單元，用于在上述的訓(xùn)練單元502利用訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練獲得分類模型之前，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，該卷積神經(jīng)網(wǎng)絡(luò)可以依次包括輸入層、多個(gè)卷積層、激勵(lì)層、至少一個(gè)全連接層和輸出層。

相應(yīng)地，上述的訓(xùn)練單元502用于利用訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練獲得分類模型的方式具體可以是：

上述的訓(xùn)練單元502，用于利用訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，擴(kuò)大具有不同類別的胖瘦類型標(biāo)簽的多個(gè)人臉圖像樣本之間的胖瘦特征差異性；以及，減少具有相同類別的胖瘦類型標(biāo)簽的多個(gè)人臉圖像樣本之間的胖瘦特征差異性。

實(shí)施上述實(shí)施方式，能夠基于卷積神經(jīng)網(wǎng)絡(luò)的強(qiáng)大計(jì)算能力，能夠提高分類模型的泛化能力和識(shí)別準(zhǔn)確率。

作為一種可選的實(shí)施方式，上述的標(biāo)記單元501在對(duì)采集到的各個(gè)人臉圖像樣本進(jìn)行胖瘦類型標(biāo)記之前，還可以對(duì)采集到的各個(gè)人臉圖像進(jìn)行預(yù)處理。

進(jìn)一步可選地，上述的標(biāo)記單元501對(duì)采集到的各個(gè)人臉圖像進(jìn)行預(yù)處理的方式具體可以是：上述的標(biāo)記單元501將采集到的各個(gè)人臉圖像縮放成預(yù)設(shè)尺寸大小的人臉圖像，并轉(zhuǎn)換成灰度圖。

其中，預(yù)設(shè)尺寸大小可以是開發(fā)人員根據(jù)實(shí)際情況或用戶的需求預(yù)先進(jìn)行設(shè)置，例如可以是在48×48像素到256×256像素之間的任意尺寸，優(yōu)選為90×90像素的尺寸大小。

實(shí)施該實(shí)施方式，能夠增大數(shù)據(jù)量，防止模型過(guò)擬合。

實(shí)施圖5所示的裝置，通過(guò)對(duì)采集到的各個(gè)人臉圖像樣本進(jìn)行胖瘦類型標(biāo)記；由已標(biāo)記胖瘦類型的若干個(gè)人臉圖像樣本組成訓(xùn)練集合；利用訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練獲得分類模型；獲取投保人的人臉圖像；對(duì)人臉圖像進(jìn)行去噪處理，獲得待測(cè)人臉圖像；將待測(cè)人臉圖像輸入分類模型，獲得待測(cè)人臉圖像的分類結(jié)果，分類結(jié)果用于描述投保人的胖瘦類型。因此，本發(fā)明通過(guò)構(gòu)建分類模型，可以基于投保人的人臉圖像，自動(dòng)識(shí)別投保人的胖瘦類型，能夠輔助核保人員對(duì)投保人的身體胖瘦情況進(jìn)行審核，能夠節(jié)約人力成本，提升投保審核效率。

實(shí)施例六

請(qǐng)參閱圖6，圖6是本發(fā)明實(shí)施例公開的另一種基于人臉圖像的胖瘦識(shí)別裝置的結(jié)構(gòu)示意圖。圖6所示的基于人臉圖像的胖瘦識(shí)別裝置是由圖5所示的基于人臉圖像的胖瘦識(shí)別裝置進(jìn)行優(yōu)化得到的。與圖5所示的基于人臉圖像的胖瘦識(shí)別裝置相比較，圖6所示的基于人臉圖像的胖瘦識(shí)別裝置還可以包括：判斷單元506和提示單元507，其中，

判斷單元506，用于判斷分類結(jié)果是否滿足預(yù)設(shè)的與身體胖瘦情況匹配的目標(biāo)投保條件。

提示單元507，用于在判斷單元506判斷出分類結(jié)果滿足目標(biāo)投保條件時(shí)，輸出第一提示信息，第一提示信息用于描述投保人的身體胖瘦情況被審核通過(guò)。

上述的提示單元507，還用于在判斷單元506判斷出分類結(jié)果不滿足目標(biāo)投保條件時(shí)，輸出第二提示信息，第二提示信息用于描述投保人的身體胖瘦情況被審核不通過(guò)。

作為一種可選的實(shí)施方式，胖瘦類型可以具體為過(guò)胖、正常胖瘦或過(guò)瘦。那么，上述的判斷單元506用于判斷分類結(jié)果是否滿足預(yù)設(shè)的與身體胖瘦情況匹配的目標(biāo)投保條件的方式具體可以是：

上述的判斷單元506，用于判斷分類結(jié)果是否用于描述投保人正常胖瘦；以及，在判斷出分類結(jié)果用于描述投保人正常胖瘦時(shí)，判定分類結(jié)果滿足預(yù)設(shè)的與身體胖瘦情況匹配的目標(biāo)投保條件；以及，在判斷出分類結(jié)果不是用于描述投保人正常胖瘦時(shí)，判定分類結(jié)果不滿足預(yù)設(shè)的與身體胖瘦情況匹配的目標(biāo)投保條件。

實(shí)施上述實(shí)施方式，通過(guò)判斷分類結(jié)果是否滿足預(yù)設(shè)的與身體胖瘦情況匹配的目標(biāo)投保條件，能夠自動(dòng)識(shí)別投保人的胖瘦類型是否符合目標(biāo)投保條件，并提示是否審核通過(guò)，從而提升投保審核效率。

作為一種可選的實(shí)施方式，上述的訓(xùn)練單元502在利用訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練獲得分類模型之前，還判斷訓(xùn)練集合中是否存在稀少樣本；以及，在判斷出存在稀少樣本時(shí)，增加稀少樣本對(duì)應(yīng)的類別的樣本數(shù)量，獲得均勻訓(xùn)練集合。

進(jìn)一步地，上述的訓(xùn)練單元502用于利用訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練獲得分類模型的方式具體為：上述的訓(xùn)練單元502，用于利用均勻訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得分類模型。

實(shí)施該實(shí)施方式，對(duì)訓(xùn)練集合的樣本數(shù)據(jù)進(jìn)行均勻化，并利用均勻后的均勻訓(xùn)練集合訓(xùn)練獲得分類模型，能夠提高分類模型的識(shí)別準(zhǔn)確性。

可見，實(shí)施圖6所示的裝置，能夠輔助核保人員對(duì)投保人的身體胖瘦情況進(jìn)行審核，能夠節(jié)約人力成本，提升投保審核效率。

除此之外，還能夠在判斷出訓(xùn)練集合中存在稀少樣本時(shí)，則根據(jù)稀少樣本的類別增加稀少樣本的數(shù)量，使訓(xùn)練集合中的稀少樣本集合與正常樣本集合的分布均勻化，并利用均勻后的均勻訓(xùn)練集合訓(xùn)練獲得分類模型，進(jìn)而能夠提高分類模型的識(shí)別準(zhǔn)確率。

此外，還能夠通過(guò)判斷分類結(jié)果是否滿足預(yù)設(shè)的與身體胖瘦情況匹配的目標(biāo)投保條件，即自動(dòng)識(shí)別投保人的胖瘦類型是否符合目標(biāo)投保條件，并提示是否審核通過(guò)，從而提升投保審核效率。

實(shí)施例七

請(qǐng)參閱圖7，圖7是本發(fā)明實(shí)施例公開的又一種基于人臉圖像的胖瘦識(shí)別裝置的結(jié)構(gòu)示意圖。圖7所示的基于人臉圖像的胖瘦識(shí)別裝置是由圖6所示的基于人臉圖像的胖瘦識(shí)別裝置進(jìn)行優(yōu)化得到的。與圖6所示的基于人臉圖像的胖瘦識(shí)別裝置相比較，圖7所示的基于人臉圖像的胖瘦識(shí)別裝置中，分類模型包括卷積層、激勵(lì)層和全連接層，那么上述的識(shí)別單元505可以包括：卷積子單元5051、激勵(lì)子單元5052和識(shí)別子單元5053，其中，

卷積子單元5051，用于將待測(cè)人臉圖像輸入卷積層，在卷積層中采用多個(gè)卷積核對(duì)待測(cè)人臉圖像進(jìn)行特征提取，獲得特征圖像。

激勵(lì)子單元5052，用于將特征圖像輸入激勵(lì)層，在激勵(lì)層中對(duì)特征圖像進(jìn)行非線性空間映射，獲得特征向量。

識(shí)別子單元5053，用于將特征向量輸入全連接層，在全連接層中對(duì)特征向量進(jìn)行特征整合，獲得待測(cè)人臉圖像的分類結(jié)果。

作為一種可選的實(shí)施方式，上述的訓(xùn)練單元502用于利用訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練獲得分類模型的方式具體可以是：

上述的訓(xùn)練單元502，用于將訓(xùn)練集合中的人臉圖像樣本輸入卷積神經(jīng)網(wǎng)絡(luò)，輸出人臉圖像樣本的實(shí)際輸出結(jié)果；以及，根據(jù)人臉圖像樣本對(duì)應(yīng)的胖瘦類型，獲得理想輸出結(jié)果；計(jì)算實(shí)際輸出結(jié)果與理想輸出結(jié)果的差值，并根據(jù)差值進(jìn)行反向傳播，以修正卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)權(quán)重；重復(fù)上述步驟直到差值滿足預(yù)設(shè)條件，獲得分類模型。

進(jìn)一步地，作為一種可選的實(shí)施方式，上述的訓(xùn)練單元502用于將訓(xùn)練集合中的人臉圖像樣本輸入卷積神經(jīng)網(wǎng)絡(luò)，輸出人臉圖像樣本的實(shí)際輸出結(jié)果的方式具體可以是：上述的訓(xùn)練單元502，用于將訓(xùn)練集合中的具有已知的胖瘦類型標(biāo)記的人臉圖像樣本送入卷積神經(jīng)網(wǎng)絡(luò)，在卷積神經(jīng)網(wǎng)絡(luò)中采用多個(gè)卷積核對(duì)人臉圖像樣本進(jìn)行卷積計(jì)算，獲得特征圖像樣本；以及，對(duì)特征圖像樣本進(jìn)行特征映射，獲得人臉圖像樣本的實(shí)際輸出結(jié)果。

實(shí)施上述實(shí)施方式，在模型的訓(xùn)練過(guò)程中采用反向傳播算法進(jìn)行訓(xùn)練，不斷地反向調(diào)節(jié)卷積神經(jīng)網(wǎng)絡(luò)中的全部權(quán)重，能夠提高模型的識(shí)別準(zhǔn)確率。

作為一種可選的實(shí)施方式，上述的去噪單元504用于對(duì)人臉圖像進(jìn)行去噪處理獲得待測(cè)人臉圖像的方式具體可以是：

去噪單元504，用于獲取人臉圖像的待處理圖像信號(hào)；對(duì)待處理圖像信號(hào)進(jìn)行低通濾波處理，獲得低頻圖像信號(hào)；計(jì)算待處理圖像信號(hào)和低頻圖像信號(hào)的差值，獲得高頻圖像信號(hào)；采用非局部均值法，分別對(duì)低頻圖像信號(hào)和高頻圖像信號(hào)進(jìn)行去噪濾波處理，獲得去噪低頻圖像信號(hào)和去噪高頻圖像信號(hào)；將去噪低頻圖像信號(hào)和去噪高頻圖像信號(hào)進(jìn)行求和計(jì)算，獲得去噪圖像信號(hào)；根據(jù)去噪圖像信號(hào)獲得待測(cè)人臉圖像。

實(shí)施該實(shí)施方式，將人臉圖像分成低頻圖像信號(hào)和高頻圖像信號(hào)然后再分別進(jìn)行去噪濾波處理，能夠使得去噪處理過(guò)程簡(jiǎn)單，從而提升投保審核效率。

可見，實(shí)施圖7所示的裝置，能夠輔助核保人員對(duì)投保人的身體胖瘦情況進(jìn)行審核，能夠節(jié)約人力成本，提升投保審核效率。

除此之外，能夠?qū)⑷四槇D像分成低頻圖像信號(hào)和高頻圖像信號(hào)然后再分別進(jìn)行去噪濾波處理，能夠使得去噪處理過(guò)程簡(jiǎn)單，從而提升投保審核效率；還能夠在模型的訓(xùn)練過(guò)程中采用反向傳播算法進(jìn)行訓(xùn)練，不斷地反向調(diào)節(jié)卷積神經(jīng)網(wǎng)絡(luò)中的全部權(quán)重，從而提高模型的識(shí)別準(zhǔn)確率。

此外，還能夠利用卷積神經(jīng)網(wǎng)絡(luò)的強(qiáng)大的特征提取能力，提取待測(cè)人臉圖像中的胖瘦特征，可以保證最終的分類結(jié)果的準(zhǔn)確率。

本發(fā)明還提供一種電子設(shè)備，該電子設(shè)備包括：

處理器；

存儲(chǔ)器，該存儲(chǔ)器上存儲(chǔ)有計(jì)算機(jī)可讀指令，該計(jì)算機(jī)可讀指令被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如前所示的基于人臉圖像的胖瘦識(shí)別方法。

該電子設(shè)備可以是圖1所示裝置100。

在一示例性實(shí)施例中，本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如前所示的基于人臉圖像的胖瘦識(shí)別方法。

應(yīng)當(dāng)理解的是，本發(fā)明并不局限于上面已經(jīng)描述并在附圖中示出的精確結(jié)構(gòu)，并且可以在不脫離其范圍執(zhí)行各種修改和改變。本發(fā)明的范圍僅由所附的權(quán)利要求來(lái)限制。

相關(guān)知識(shí)

健康監(jiān)測(cè)方法、裝置及電子設(shè)備與流程
基于車載裝備的駕駛員健康監(jiān)測(cè)方法及監(jiān)測(cè)設(shè)備與流程
健康檢測(cè)方法、裝置、終端設(shè)備及存儲(chǔ)介質(zhì)與流程
智能辦公學(xué)習(xí)桌墊及其健康提醒方法與流程
一種基于深度圖像的手部輪廓特征優(yōu)化方法與流程
基于STM32設(shè)計(jì)的生理監(jiān)測(cè)裝置
機(jī)電設(shè)備安裝工考取職稱（機(jī)電設(shè)備安裝工程師報(bào)考條件）
基于5G技術(shù)與傳感器結(jié)合對(duì)健康數(shù)據(jù)采集處理傳輸?shù)姆椒ㄅc流程
一種便攜式嬰兒啼哭聲識(shí)別器及其識(shí)別方法與流程
手掌輪廓檢測(cè)方法、裝置、存儲(chǔ)介質(zhì)及設(shè)備.pdf

網(wǎng)址: 基于人臉圖像的胖瘦識(shí)別方法及裝置、電子設(shè)備與流程 http://m.u1s5d6.cn/newsview1028961.html