本發(fā)明涉及智能決策技術領域，特別涉及一種基于人臉圖像的胖瘦識別方法及裝置、電子設備。

背景技術：

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

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

另外，由于過度肥胖的人患病的幾率會比正常人較高，也會存在少數(shù)投保人為了通過核查而虛報身體胖瘦情況的有關信息，導致容易出現(xiàn)審核不準確的情況。

技術實現(xiàn)要素：

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

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

對采集到的各個人臉圖像樣本進行胖瘦類型標記；

由已標記胖瘦類型的若干個人臉圖像樣本組成訓練集合；

利用所述訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練，獲得分類模型；

獲取投保人的人臉圖像；

對所述人臉圖像進行去噪處理，獲得待測人臉圖像；

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

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

判斷所述分類結果是否滿足預設的與身體胖瘦情況匹配的目標投保條件；

若滿足所述目標投保條件，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；

若不滿足所述目標投保條件，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。

作為一種可選的實施方式，在本發(fā)明實施例第一方面中，所述胖瘦類型為過胖、正常胖瘦或過瘦；所述判斷所述分類結果是否滿足預設的與身體胖瘦情況匹配的目標投保條件，包括：

判斷所述分類結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，判定所述分類結果滿足預設的與身體胖瘦情況匹配的目標投保條件；

若不是用于描述所述投保人正常胖瘦，判定所述分類結果不滿足預設的與身體胖瘦情況匹配的目標投保條件。

作為一種可選的實施方式，在本發(fā)明實施例第一方面中，所述利用所述訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練，獲得分類模型之前，所述方法還包括：

判斷所述訓練集合中是否存在稀少樣本；

若存在，增加所述稀少樣本對應的類別的樣本數(shù)量，獲得均勻訓練集合；

以及，所述利用所述訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練，獲得分類模型，包括：利用所述均勻訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練，獲得分類模型。

作為一種可選的實施方式，在本發(fā)明實施例第一方面中，所述利用所述訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練，獲得分類模型，包括：

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

根據(jù)所述人臉圖像樣本對應的胖瘦類型，獲得理想輸出結果；

計算所述實際輸出結果與所述理想輸出結果的差值；

根據(jù)所述差值進行反向傳播，以修正所述卷積神經(jīng)網(wǎng)絡的參數(shù)權重；

重復上述步驟直到所述差值滿足預設條件，獲得分類模型。

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

將所述待測人臉圖像輸入所述卷積層，在所述卷積層中采用多個卷積核對所述待測人臉圖像進行特征提取，獲得特征圖像；

將所述特征圖像輸入所述激勵層，在所述激勵層中對所述特征圖像進行非線性空間映射，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所述特征向量進行特征整合，獲得所述待測人臉圖像的分類結果。

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

獲取所述人臉圖像的待處理圖像信號；

對所述待處理圖像信號進行低通濾波處理，獲得低頻圖像信號；

計算所述待處理圖像信號和所述低頻圖像信號的差值，獲得高頻圖像信號；

采用非局部均值法，分別對所述低頻圖像信號和所述高頻圖像信號進行去噪濾波處理，獲得去噪低頻圖像信號和去噪高頻圖像信號；

將所述去噪低頻圖像信號和所述去噪高頻圖像信號進行求和計算，獲得去噪圖像信號；

根據(jù)所述去噪圖像信號獲得待測人臉圖像。

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

標記單元，用于對采集到的各個人臉圖像樣本進行胖瘦類型標記；

訓練單元，用于由已標記胖瘦類型的若干個人臉圖像樣本組成訓練集合；以及，利用所述訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練獲得分類模型；

獲取單元，用于獲取投保人的人臉圖像；

去噪單元，用于對所述人臉圖像進行去噪處理，獲得待測人臉圖像；

識別單元，用于將所述待測人臉圖像輸入所述分類模型，獲得所述待測人臉圖像的分類結果，所述分類結果用于描述所述投保人的胖瘦類型。

本發(fā)明實施例第三方面公開了一種電子設備，所述電子設備包括：

處理器；

存儲器，所述存儲器上存儲有計算機可讀指令，所述計算機可讀指令被所述處理器執(zhí)行時，實現(xiàn)本發(fā)明實施例第一方面公開的基于人臉圖像的胖瘦識別方法。

本發(fā)明實施例第四方面公開了一種計算機可讀存儲介質，其存儲計算機程序，所述計算機程序使得計算機執(zhí)行本發(fā)明實施例第一方面公開的基于人臉圖像的胖瘦識別方法。

本發(fā)明的實施例提供的技術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別方法包括如下步驟：對采集到的各個人臉圖像樣本進行胖瘦類型標記；由已標記胖瘦類型的若干個人臉圖像樣本組成訓練集合；利用訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練獲得分類模型；獲取投保人的人臉圖像；對人臉圖像進行去噪處理，獲得待測人臉圖像；將待測人臉圖像輸入分類模型，獲得待測人臉圖像的分類結果，分類結果用于描述投保人的胖瘦類型。

此方法下，通過構建分類模型，可以基于投保人的人臉圖像，自動識別投保人的胖瘦類型，能夠輔助核保人員對投保人的身體胖瘦情況進行審核，能夠節(jié)約人力成本，提升投保審核效率。

應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性的，并不能限制本發(fā)明。

附圖說明

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

圖1是本發(fā)明實施例公開的一種基于人臉圖像的胖瘦識別裝置的結構示意圖；

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

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

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

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

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

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

具體實施方式

這里將詳細地對示例性實施例執(zhí)行說明，其示例表示在附圖中。下面的描述涉及附圖時，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。以下示例性實施例中所描述的實施方式并不代表與本發(fā)明相一致的所有實施方式。相反，它們僅是與如所附權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。

實施例一

本發(fā)明的實施環(huán)境可以是電子設備，例如智能手機、平板電腦、臺式電腦。電子設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)明實施例公開的一種基于人臉圖像的胖瘦識別裝置的結構示意圖。裝置100可以是上述電子設備。如圖1所示，裝置100可以包括以下一個或多個組件：處理組件102，存儲器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?？刂蒲b置100的整體操作，諸如與顯示，電話呼叫，數(shù)據(jù)通信，相機操作以及記錄操作相關聯(lián)的操作等。處理組件102可以包括一個或多個處理器118來執(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可以包括一個或多個模塊，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。

存儲器104被配置為存儲各種類型的數(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上操作的任何應用程序或方法的指令。存儲器104可以由任何類型的易失性或非易失性存儲設備或者它們的組合實現(xiàn)，如靜態(tài)隨機存取存儲器(staticrandomaccessmemory，簡稱sram)，電可擦除可編程只讀存儲器(electricallyerasableprogrammableread-onlymemory，簡稱eeprom)，可擦除可編程只讀存儲器(erasableprogrammablereadonlymemory，簡稱eprom)，可編程只讀存儲器(programmablered-onlymemory，簡稱prom)，只讀存儲器(read-onlymemory，簡稱rom)，磁存儲器，快閃存儲器，磁盤或光盤。存儲器104中還存儲有一個或多個模塊，用于該一個或多個模塊被配置成由該一個或多個處理器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)，一個或多個電源，及其他與為裝置100生成、管理和分配電力相關聯(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輸出接口的屏幕。在一些實施例中，屏幕可以包括液晶顯示器(liquidcrystaldisplay，簡稱lcd)和觸摸面板。如果屏幕包括觸摸面板，屏幕可以被實現(xiàn)為觸摸屏，以接收來自用戶的輸入信號。觸摸面板包括一個或多個觸摸傳感器以感測觸摸、滑動和觸摸面板上的手勢。觸摸傳感器可以不僅感測觸摸或滑動動作的邊界，而且還檢測與觸摸或滑動操作相關的持續(xù)時間和壓力。屏幕還可以包括有機電致發(fā)光顯示器(organiclightemittingdisplay，簡稱oled)。

音頻組件110被配置為輸出和/或輸入音頻信號。例如，音頻組件110包括一個麥克風(microphone，簡稱mic)，當裝置100處于操作模式，如呼叫模式、記錄模式和語音識別模式時，麥克風被配置為接收外部音頻信號。所接收的音頻信號可以被進一步存儲在存儲器104或經(jīng)由通信組件116發(fā)送。在一些實施例中，音頻組件110還包括一個揚聲器，用于輸出音頻信號。

傳感器組件114包括一個或多個傳感器，用于為裝置100提供各個方面的狀態(tài)評估。例如，傳感器組件114可以檢測到裝置100的打開/關閉狀態(tài)，組件的相對定位，傳感器組件114還可以檢測裝置100或裝置100一個組件的位置改變以及裝置100的溫度變化。在一些實施例中，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和其他設備之間有線或無線方式的通信。裝置100可以接入基于通信標準的無線網(wǎng)絡，如wifi(wireless-fidelity，無線保真)。在本發(fā)明實施例中，通信組件116經(jīng)由廣播信道接收來自外部廣播管理系統(tǒng)的廣播信號或廣播相關信息。在本發(fā)明實施例中，通信組件116還包括近場通信(nearfieldcommunication，簡稱nfc)模塊，用于以促進短程通信。例如，在nfc模塊可基于射頻識別(radiofrequencyidentification，簡稱rfid)技術，紅外數(shù)據(jù)協(xié)會(infrareddataassociation，簡稱irda)技術，超寬帶(ultrawideband，簡稱uwb)技術，藍牙技術和其他技術來實現(xiàn)。

在示例性實施例中，裝置100可以被一個或多個應用專用集成電路(applicationspecificintegratedcircuit，簡稱asic)、數(shù)字信號處理器、數(shù)字信號處理設備、可編程邏輯器件、現(xiàn)場可編程門陣列、控制器、微控制器、微處理器或其他電子元件實現(xiàn)，用于執(zhí)行下述方法。

實施例二

請參閱圖2，圖2是本發(fā)明實施例公開的一種基于人臉圖像的胖瘦識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別方法可以包括以下步驟：

201、對采集到的各個人臉圖像樣本進行胖瘦類型標記。

本發(fā)明實施例中，胖瘦類型可以具體為過胖、正常胖瘦或過瘦。那么，胖瘦類型標記包括：對各個人臉圖像樣本標記為過胖、正常胖瘦或過瘦。

202、由已標記胖瘦類型的若干個人臉圖像樣本組成訓練集合。

203、利用訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練，獲得分類模型。

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

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

基于此，步驟203中的利用訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練可以包括：利用訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練，擴大具有不同類別的胖瘦類型標簽的多個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簽的多個人臉圖像樣本之間的胖瘦特征差異性。

實施上述實施方式，能夠基于卷積神經(jīng)網(wǎng)絡的強大計算能力，能夠提高分類模型的泛化能力和識別準確率。

204、獲取投保人的人臉圖像。

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

205、對人臉圖像進行去噪處理，獲得待測人臉圖像。

作為一種可選的實施方式，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；對待處理圖像信號進行低通濾波處理，獲得低頻圖像信號；計算待處理圖像信號和低頻圖像信號的差值，獲得高頻圖像信號；采用非局部均值法，分別對低頻圖像信號和高頻圖像信號進行去噪濾波處理，獲得去噪低頻圖像信號和去噪高頻圖像信號；將去噪低頻圖像信號和去噪高頻圖像信號進行求和計算，獲得去噪圖像信號；根據(jù)去噪圖像信號獲得待測人臉圖像。

實施上述實施方式，將人臉圖像分成低頻圖像信號和高頻圖像信號然后再分別進行去噪濾波處理，能夠使得去噪處理過程簡單，從而提升投保審核效率。

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

需要說明的是，分類模型的作用是根據(jù)待測人臉圖像的特征，對人臉圖像的胖瘦類型進行分類。具體實現(xiàn)方式可以采用softmax分類器，softmax分類器可以計算不同胖瘦類型的概率分布，根據(jù)不同概率分布來判斷人臉圖像屬于哪一種胖瘦類型。

實施圖2所描述的方法，通過對采集到的各個人臉圖像樣本進行胖瘦類型標記；由已標記胖瘦類型的若干個人臉圖像樣本組成訓練集合；利用訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練獲得分類模型；獲取投保人的人臉圖像；對人臉圖像進行去噪處理，獲得待測人臉圖像；將待測人臉圖像輸入分類模型，獲得待測人臉圖像的分類結果，分類結果用于描述投保人的胖瘦類型。因此，本發(fā)明通過構建分類模型，可以基于投保人的人臉圖像，自動識別投保人的胖瘦類型，能夠輔助核保人員對投保人的身體胖瘦情況進行審核，能夠節(jié)約人力成本，提升投保審核效率。

實施例三

請參閱圖3，圖3是本發(fā)明實施例公開的另一種基于人臉圖像的胖瘦識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別方法可以包括以下步驟：

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

303、判斷訓練集合中是否存在稀少樣本。若是，執(zhí)行步驟304；反之，結束本流程。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、增加稀少樣本對應的類別的樣本數(shù)量，獲得均勻訓練集合。

本發(fā)明實施例中，通過判斷訓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練集合。

305、利用均勻訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練，獲得分類模型。

通過實施上述步驟303～305，能夠對訓練集合的樣本數(shù)據(jù)進行均勻化，并利用均勻后的均勻訓練集合訓練獲得分類模型，能夠提高分類模型的識別準確性。

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

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

本發(fā)明實施例中，預設的與身體胖瘦情況匹配的目標投保條件可以是開發(fā)業(yè)務人員根據(jù)實際情況而設定的任意一種胖瘦類型對應的分類結果。比如，開發(fā)業(yè)務人員可以設定用于描述投保人正常胖瘦的分類結果為目標投保條件。

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

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。

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。

通過實施上述步驟309～311，通過判斷分類結果是否滿足預設的與身體胖瘦情況匹配的目標投保條件，能夠自動識別投保人的胖瘦類型是否符合目標投保條件，并提示是否審核通過，從而提升投保審核效率。

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

除此之外，還能夠在判斷出訓練集合中存在稀少樣本時，則根據(jù)稀少樣本的類別增加稀少樣本的數(shù)量，使訓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練集合訓練獲得分類模型，進而能夠提高分類模型的識別準確率。

此外，還能夠通過判斷分類結果是否滿足預設的與身體胖瘦情況匹配的目標投保條件，即自動識別投保人的胖瘦類型是否符合目標投保條件，并提示是否審核通過，從而提升投保審核效率。

實施例四

請參閱圖4，圖4是本發(fā)明實施例公開的又一種基于人臉圖像的胖瘦識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別方法可以包括以下步驟：

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

作為一種可選的實施方式，在執(zhí)行步驟401之前，還可以對采集到的各個人臉圖像進行預處理。具體地，將采集到的各個人臉圖像縮放成預設尺寸大小的人臉圖像，并轉換成灰度圖。其中，預設尺寸大小可以是開發(fā)人員根據(jù)實際情況或用戶的需求預先進行設置，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。

實施該實施方式，能夠增大數(shù)據(jù)量，防止模型過擬合。

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

本發(fā)明實施例中，對于分類模型的訓練過程可以包括兩個階段，一個是前向傳播階段，另一個是反向傳播階段。其中，前向傳播階段即為步驟403所描述的內容，具體的實施方式可以是：將訓練集合中的具有已知的胖瘦類型標記的人臉圖像樣本送入卷積神經(jīng)網(wǎng)絡，在卷積神經(jīng)網(wǎng)絡中采用多個卷積核對人臉圖像樣本進行卷積計算，獲得特征圖像樣本；對特征圖像樣本進行特征映射，獲得人臉圖像樣本的實際輸出結果。另外，反向傳播階段包括步驟404～407。

其中，實際輸出結果即為人臉圖像樣本的預測胖瘦類型分布概率。

404、根據(jù)人臉圖像樣本對應的胖瘦類型，獲得理想輸出結果。

其中，理想輸出結果即為人臉圖像樣本的真實胖瘦類型分布概率。

405、計算實際輸出結果與理想輸出結果的差值。

需要說明的是，實際輸出結果與理想輸出結果的差值可以反向調節(jié)卷積神經(jīng)網(wǎng)絡中的全部權重，實際輸出結果與理想輸出結果均可以通過概率值來表示。因此，用于計算實際輸出結果與理想結果的差值的函數(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)是理想輸出結果，q(x)為實際輸出結果。

406、根據(jù)差值進行反向傳播，以修正卷積神經(jīng)網(wǎng)絡的參數(shù)權重。

407、判斷差值是否滿足預設條件。若是，執(zhí)行步驟408；反之，轉向步驟403。

通過實施上述步驟403～407，在模型的訓練過程中采用反向傳播算法進行訓練，不斷地反向調節(jié)卷積神經(jīng)網(wǎng)絡中的全部權重，能夠提高模型的識別準確率。

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

410、將待測人臉圖像輸入卷積層，在卷積層中采用多個卷積核對待測人臉圖像進行特征提取，獲得特征圖像。

可以理解，卷積層、激勵層和全連接層均屬于卷積神經(jīng)網(wǎng)絡中的網(wǎng)絡層。本發(fā)明實施例利用了卷積神經(jīng)網(wǎng)絡的強大的特征提取能力，提取了待測人臉圖像中的胖瘦特征，保證了最終的分類結果的準確率。

411、將特征圖像輸入激勵層，在激勵層中對特征圖像進行非線性空間映射，獲得特征向量。

412、將特征向量輸入全連接層，在全連接層中對特征向量進行特征整合，獲得待測人臉圖像的分類結果。

本發(fā)明實施例中，在全連接層中優(yōu)選使用sigmoid激活函數(shù)，當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，實施圖4所描述的方法，能夠輔助核保人員對投保人的身體胖瘦情況進行審核，能夠節(jié)約人力成本，提升投保審核效率。

除此之外，還能夠在模型的訓練過程中采用反向傳播算法進行訓練，不斷地反向調節(jié)卷積神經(jīng)網(wǎng)絡中的全部權重，從而提高模型的識別準確率。

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

實施例五

請參閱圖5，圖5是本發(fā)明實施例公開的另一種基于人臉圖像的胖瘦識別裝置的結構示意圖。如圖5所示，該基于人臉圖像的胖瘦識別裝置可以包括：標記單元501、訓練單元502、獲取單元503、去噪單元504以及識別單元505，其中，

標記單元501，用于對采集到的各個人臉圖像樣本進行胖瘦類型標記。

訓練單元502，用于由已標記胖瘦類型的若干個人臉圖像樣本組成訓練集合；以及，利用訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練獲得分類模型。

獲取單元503，用于獲取投保人的人臉圖像。

去噪單元504，用于對人臉圖像進行去噪處理，獲得待測人臉圖像。

識別單元505，用于將待測人臉圖像輸入分類模型，獲得待測人臉圖像的分類結果，分類結果用于描述投保人的胖瘦類型。

作為一種可選的實施方式，圖5所示的基于人臉圖像的胖瘦識別裝置還可以包括未圖示的網(wǎng)絡構建單元，用于在上述的訓練單元502利用訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練獲得分類模型之前，構建卷積神經(jīng)網(wǎng)絡，該卷積神經(jīng)網(wǎng)絡可以依次包括輸入層、多個卷積層、激勵層、至少一個全連接層和輸出層。

相應地，上述的訓練單元502用于利用訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練獲得分類模型的方式具體可以是：

上述的訓練單元502，用于利用訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練，擴大具有不同類別的胖瘦類型標簽的多個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簽的多個人臉圖像樣本之間的胖瘦特征差異性。

實施上述實施方式，能夠基于卷積神經(jīng)網(wǎng)絡的強大計算能力，能夠提高分類模型的泛化能力和識別準確率。

作為一種可選的實施方式，上述的標記單元501在對采集到的各個人臉圖像樣本進行胖瘦類型標記之前，還可以對采集到的各個人臉圖像進行預處理。

進一步可選地，上述的標記單元501對采集到的各個人臉圖像進行預處理的方式具體可以是：上述的標記單元501將采集到的各個人臉圖像縮放成預設尺寸大小的人臉圖像，并轉換成灰度圖。

其中，預設尺寸大小可以是開發(fā)人員根據(jù)實際情況或用戶的需求預先進行設置，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。

實施該實施方式，能夠增大數(shù)據(jù)量，防止模型過擬合。

實施圖5所示的裝置，通過對采集到的各個人臉圖像樣本進行胖瘦類型標記；由已標記胖瘦類型的若干個人臉圖像樣本組成訓練集合；利用訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練獲得分類模型；獲取投保人的人臉圖像；對人臉圖像進行去噪處理，獲得待測人臉圖像；將待測人臉圖像輸入分類模型，獲得待測人臉圖像的分類結果，分類結果用于描述投保人的胖瘦類型。因此，本發(fā)明通過構建分類模型，可以基于投保人的人臉圖像，自動識別投保人的胖瘦類型，能夠輔助核保人員對投保人的身體胖瘦情況進行審核，能夠節(jié)約人力成本，提升投保審核效率。

實施例六

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

判斷單元506，用于判斷分類結果是否滿足預設的與身體胖瘦情況匹配的目標投保條件。

提示單元507，用于在判斷單元506判斷出分類結果滿足目標投保條件時，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。

上述的提示單元507，還用于在判斷單元506判斷出分類結果不滿足目標投保條件時，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。

作為一種可選的實施方式，胖瘦類型可以具體為過胖、正常胖瘦或過瘦。那么，上述的判斷單元506用于判斷分類結果是否滿足預設的與身體胖瘦情況匹配的目標投保條件的方式具體可以是：

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

實施上述實施方式，通過判斷分類結果是否滿足預設的與身體胖瘦情況匹配的目標投保條件，能夠自動識別投保人的胖瘦類型是否符合目標投保條件，并提示是否審核通過，從而提升投保審核效率。

作為一種可選的實施方式，上述的訓練單元502在利用訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練獲得分類模型之前，還判斷訓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，增加稀少樣本對應的類別的樣本數(shù)量，獲得均勻訓練集合。

進一步地，上述的訓練單元502用于利用訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練獲得分類模型的方式具體為：上述的訓練單元502，用于利用均勻訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練，獲得分類模型。

實施該實施方式，對訓練集合的樣本數(shù)據(jù)進行均勻化，并利用均勻后的均勻訓練集合訓練獲得分類模型，能夠提高分類模型的識別準確性。

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

除此之外，還能夠在判斷出訓練集合中存在稀少樣本時，則根據(jù)稀少樣本的類別增加稀少樣本的數(shù)量，使訓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練集合訓練獲得分類模型，進而能夠提高分類模型的識別準確率。

此外，還能夠通過判斷分類結果是否滿足預設的與身體胖瘦情況匹配的目標投保條件，即自動識別投保人的胖瘦類型是否符合目標投保條件，并提示是否審核通過，從而提升投保審核效率。

實施例七

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

卷積子單元5051，用于將待測人臉圖像輸入卷積層，在卷積層中采用多個卷積核對待測人臉圖像進行特征提取，獲得特征圖像。

激勵子單元5052，用于將特征圖像輸入激勵層，在激勵層中對特征圖像進行非線性空間映射，獲得特征向量。

識別子單元5053，用于將特征向量輸入全連接層，在全連接層中對特征向量進行特征整合，獲得待測人臉圖像的分類結果。

作為一種可選的實施方式，上述的訓練單元502用于利用訓練集合對卷積神經(jīng)網(wǎng)絡進行訓練獲得分類模型的方式具體可以是：

上述的訓練單元502，用于將訓練集合中的人臉圖像樣本輸入卷積神經(jīng)網(wǎng)絡，輸出人臉圖像樣本的實際輸出結果；以及，根據(jù)人臉圖像樣本對應的胖瘦類型，獲得理想輸出結果；計算實際輸出結果與理想輸出結果的差值，并根據(jù)差值進行反向傳播，以修正卷積神經(jīng)網(wǎng)絡的參數(shù)權重；重復上述步驟直到差值滿足預設條件，獲得分類模型。

進一步地，作為一種可選的實施方式，上述的訓練單元502用于將訓練集合中的人臉圖像樣本輸入卷積神經(jīng)網(wǎng)絡，輸出人臉圖像樣本的實際輸出結果的方式具體可以是：上述的訓練單元502，用于將訓練集合中的具有已知的胖瘦類型標記的人臉圖像樣本送入卷積神經(jīng)網(wǎng)絡，在卷積神經(jīng)網(wǎng)絡中采用多個卷積核對人臉圖像樣本進行卷積計算，獲得特征圖像樣本；以及，對特征圖像樣本進行特征映射，獲得人臉圖像樣本的實際輸出結果。

實施上述實施方式，在模型的訓練過程中采用反向傳播算法進行訓練，不斷地反向調節(jié)卷積神經(jīng)網(wǎng)絡中的全部權重，能夠提高模型的識別準確率。

作為一種可選的實施方式，上述的去噪單元504用于對人臉圖像進行去噪處理獲得待測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；對待處理圖像信號進行低通濾波處理，獲得低頻圖像信號；計算待處理圖像信號和低頻圖像信號的差值，獲得高頻圖像信號；采用非局部均值法，分別對低頻圖像信號和高頻圖像信號進行去噪濾波處理，獲得去噪低頻圖像信號和去噪高頻圖像信號；將去噪低頻圖像信號和去噪高頻圖像信號進行求和計算，獲得去噪圖像信號；根據(jù)去噪圖像信號獲得待測人臉圖像。

實施該實施方式，將人臉圖像分成低頻圖像信號和高頻圖像信號然后再分別進行去噪濾波處理，能夠使得去噪處理過程簡單，從而提升投保審核效率。

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

除此之外，能夠將人臉圖像分成低頻圖像信號和高頻圖像信號然后再分別進行去噪濾波處理，能夠使得去噪處理過程簡單，從而提升投保審核效率；還能夠在模型的訓練過程中采用反向傳播算法進行訓練，不斷地反向調節(jié)卷積神經(jīng)網(wǎng)絡中的全部權重，從而提高模型的識別準確率。

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

本發(fā)明還提供一種電子設備，該電子設備包括：

處理器；

存儲器，該存儲器上存儲有計算機可讀指令，該計算機可讀指令被處理器執(zhí)行時，實現(xiàn)如前所示的基于人臉圖像的胖瘦識別方法。

該電子設備可以是圖1所示裝置100。

在一示例性實施例中，本發(fā)明還提供一種計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時，實現(xiàn)如前所示的基于人臉圖像的胖瘦識別方法。

應當理解的是，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構，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利要求來限制。

相關知識

健康監(jiān)測方法、裝置及電子設備與流程
基于車載裝備的駕駛員健康監(jiān)測方法及監(jiān)測設備與流程
健康檢測方法、裝置、終端設備及存儲介質與流程
智能辦公學習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設計的生理監(jiān)測裝置
機電設備安裝工考取職稱（機電設備安裝工程師報考條件）
基于5G技術與傳感器結合對健康數(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別器及其識別方法與流程
手掌輪廓檢測方法、裝置、存儲介質及設備.pdf

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