CN107967455A - 一种智能人体多维自然特征大数据透明学习方法与系统 - Google Patents
一种智能人体多维自然特征大数据透明学习方法与系统 Download PDFInfo
- Publication number
- CN107967455A CN107967455A CN201711194235.9A CN201711194235A CN107967455A CN 107967455 A CN107967455 A CN 107967455A CN 201711194235 A CN201711194235 A CN 201711194235A CN 107967455 A CN107967455 A CN 107967455A
- Authority
- CN
- China
- Prior art keywords
- wolf
- individual
- human body
- human
- health
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
-
- 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
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种智能人体多维自然特征大数据透明学习方法与系统,该方法包括:步骤1:构建人体自然体征数据库和人体极限运动数据库;步骤2:利用搭载在无人机上的ZED相机获取的人体身高,筛选出待识别人体群并且获取对应的脸部图像;步骤3:基于Hadoop平台对待识别人体脸部图像采用Elman神经网络进行快速识别;步骤4:无人机跟踪已识别人体,获取待识别人体的健康数据传输至远程服务器;步骤5:将获取的健康数据输入BP神经网络人体健康评估模型,得到待识别人体的健康检测程度。本发明基于大数据平台,运用穿戴设备、无人机、双目相机对户外运动人体健康信息采集,进行实时健康监测,从而做出合理决策。
Description
技术领域
本发明属于健康监测大数据领域,特别涉及一种智能人体多维自然特征大数据透明学习方法与系统。
背景技术
随着社会经济的不断发展,健康观念逐步深入人心,参加户外运动的人数日益壮大。与此同时,因运动个体的运动量过大导致的运动事故率也节节攀高。因此,在户外运动中对人体的健康情况进行实时监测,有效的保障运动者安全的问题就十分有意义。
近些年,信息多元化的发展,以及计算机技术、微电子技术和多传感器网络日益成熟,信息融合作为一种有效的信息综合处理方法,在目标识别、故障诊断、态势估计、图像处理、遥感等领域发展迅猛。但是目前,信息融合技术在生理信息领域的应用研究还处于初级阶段,尤其是运动保健、体育等领域。
目前,穿戴设备可以快速准确地测出测量心率、汗液、体温、睡眠、步数、血压、葡萄糖水平等人体健康数据。但是人体是庞大而复杂的有机系统,只通过简单的一项生理指标信息很难对人体健康状态进行准确的判断。借助信息融合技术,利用神经网络建立人体健康评估模型,通过对这些人体健康数据的智能融合,从而监测人体的身体健康状况。
因此,在户外运动过程中,实时监测人体健康数据并进行智能融合、运动环境以及人体位置,可以很大程度上防止户外运动意外事故的发生,保障生命安全。
发明内容
本发明目的在于提出一种智能人体多维自然特征大数据透明学习方法与系统,利用搭载在无人机上的ZED相机获取的人体身高,筛选出待识别人体群并且获取对应的脸部图像;基于Hadoop平台对待识别人体脸部图像利用Elman神经网络进行快速识别;无人机跟踪已识别人体,并与已识别人体的穿戴设备进行通信,获取待识别人体的健康数据传输至远程服务器;将获取的健康数据输入基于BP神经网络的人体健康评估模型进行人体健康特征学习,得到待识别人体的健康检测程度。
一种智能人体多维自然特征大数据透明学习方法,其特征在于,包括以下步骤:
步骤1:构建人体健康特征数据库;
所述人体健康特征数据库包括人体自然体征数据库和人体极限运动数据库;
其中,所述人体自然体征数据库包括不同人的脸部图像和对应的身高,且所述脸部图像包括在不同光照强度下获得的各种正面图像、左脸图像以及右脸图像;
所述人体极限运动数据库包括人体健康特征数据库中每个人在不同极限运动的各种运动量情况下的健康数据,所述健康数据是指在运动过程中10s内采集的心率、血压和体温;
步骤2:依据搭载在无人机上的ZED相机获取的人体身高,筛选出待识别人体群并且获取对应的脸部图像数据块;
步骤3:基于Hadoop平台对待识别人体脸部图像数据块进行待识别人体的快速识别;
步骤3.1:将待识别人体的脸部图像数据块,利用MapReduce进行切片,并为每一个数据分片构造一个Map任务;
步骤3.2:利用Input Format类将每个数据分片转换成<key/value>对,以key记录每个数据分片起点的存储位置,以value记录每个数据分片的数据长度;
步骤3.3:对步骤3.2得到的所有<key/value>对对应的脸部图像数据进行Map操作;
所述Map操作是指对一个数据分片中的脸部图像依次进行预处理、HOG特征提取、PCA降维处理后,采用在Hadoop平台训练得到的基于Elman神经网络的脸部识别模型进行识别;
步骤3.4:利用Reduce函数融合所有Map操作输出的识别结果;
其中,所述在Hadoop平台训练得到的基于Elman神经网络的脸部识别模型是指将脸部图像训练数据按照步骤3.1-3.2的过程利用MapReduce进行多次数据分片处理,并将每个数据分片对应的训练数据,训练基于Elman神经网络的脸部识别模型,将所有训练完后的基于Elman神经网络的脸部识别模型中的权值和阈值求平均,直到最终基于Elman神经网络的脸部识别模型的精度满足设定的识别精度或者执行MapReduce次数达到设定的最大执行次数;
步骤4:利用识别结果,使得无人机跟踪待识别人体,并与待识别人体的穿戴设备进行通信,获取待识别人体的健康数据传输至远程服务器;
步骤5:将获取的待识别人体的健康数据输入BP神经网络人体健康评估模型,对人体健康特征进行学习,得到待识别人体的健康检测程度。
进一步地,所述Elman神经网络脸部识别模型的构建过程如下:
步骤3.3.1:对每一幅训练图像进行预处理和HOG特征提取,并对提取的图像HOG特征进行PCA降维,得到降维矩阵;
步骤3.3.2:利用MapReduce对训练图像数据和对应的图像编号进行切片,依次将每个数据分片中所有训练图像的降维矩阵对应的特征向量作为输入层节点,输出层节点为数据分片中每个训练图像的编号,对Elman神经网络进行训练,得到基于Elman神经网络的脸部识别模型;
其中,最大迭代次数为100,训练学习率为0.1,在训练过程中,所述Elman神经网络的权值和阈值采用思维进化算法进行寻优获得。
进一步地,所述Elman神经网络的权值和阈值采用思维进化算法进行寻优获得的过程如下:
步骤A1:将每个个体向量作为基于Elman神经网络的脸部识别模型的权值和阈值,初始化种群,并设置种群参数;
个体种群规模S的取值范围为[250,1000]、优胜个体数量为5,临时个体数量为5;dmin
步骤A2:设定适应度函数,并确定初始最优个体向量和迭代次数t,t=1;
将个体向量对应的权值和阈值代入基于Elman神经网络的脸部识别模型中,并利用个体向量确定的基于Elman神经网络的智能人脸识别模型计算出个体编号,利用计算出的编号值和实际编号值求带有权值的均方差MSE,构建第一适应度函数f1(x)计算出每个个体的得分;
Ai表示计算编号值的第i位,Bi表示实际编号值的第i位,n=6;
步骤A3:计算每个个体的适应度值,生成子群体;
适应度最高的前5个个体作为优胜个体,前第6到第10共5个个体作为临时个体;依次以所选优胜个体和临时个体为中心,随机生成5个优胜子群体和5个临时子群体,每个子群体的个体数目为S/10;
步骤A4:依次对个体进行趋同操作;
若一个子群体不再产生新的胜者,表示子群体成熟,则竞争结束,该子群体的得分就是子群体中最优个体的得分,并把得分张贴在全局公告板上,直到所有子群体全部成熟,趋同过程结束;
步骤A5:依次对个体进行异化操作;
从全局公告板上,比较优胜子群体和临时子群体的得分高低,完成子群体间的替换、废弃、个体释放的过程,得到全局最优个体及其得分;
步骤A6:判断是否达到最大迭代次数或者最大搜索精度,达到则输出最优个体对应的基于Elman神经网络的脸部识别模型的权值和阈值,否则返回步骤A4,进行下一次迭代。
进一步地,所述BP神经网络人体健康评估模型的构建过程如下:
将人体极限运动量训练数据库中各种运动量的人体健康数据作为输入层节点,输出层节点为对应的健康评估分数,对BP神经网络进行训练;
其中,输入层包含3个节点,最大迭代次数设置为200,训练学习率为0.1,所述BP神经网络使用的权值和阈值采用改进狼群算法进行寻优获得;
所述人体健康数据包括在各种运动量下10s内的血压、心率以及体温;
0%极限运动量对应健康评估分数为0;10%的极限运动量,对应健康评估分数为0.1,依次类推,达到100%极限运动量,对应健康评估分数为1。
进一步地,所述BP神经网络使用的权值和阈值采用改进狼群算法进行寻优获得的过程如下:
步骤B1:以个体狼的位置作为基于BP神经网络的人体身体状态评分预测模型的权值和阈值,初始化狼群并设置狼群参数;
狼群规模的取值范围为[45,200],狼的视觉半径的取值范围[2,5],可记忆步数为1,逃跑概率的取值范围为[0.025,0.08],最大搜索精度的取值范围为[0.01,0.1],最大迭代次数的取值范围[400,1000];
步骤B2:设定适应度函数,并确定初始最优头狼位置和迭代次数t,t=1;
将个体狼位置对应的权值和阈值代入基于BP神经网络的人体身体状态评分预测模型中,并利用个体狼位置确定的基于BP神经网络的人体身体状态评分预测模型计算人体状态预测评分,将预测值和实际值的均方差MSE的倒数作为第二适应度函数f2(x);
利用第二适应度函数计算每匹个体狼位置的适应度,以最大适应度对应的个体狼位置作为初始最优头狼位置;
步骤B3:寻找每匹个体狼的第一次更新位置,以第一次更新位置更新个体狼位置,并以所有个体狼的第一次更新位置,更新狼群最优头狼位置,j=1,j表示个体狼位置更新次数;
按照公式(1)计算每匹个体狼的第一次更新位置x1(t),并判断计算得到的第一次更新位置是否为从未达到过的新位置,若到达过,则重复步骤B3直到重新获得第一次更新位置,若未到达过,则利用个体狼的第一个更新位置计算得适应度;
xj(t)=xj-1(t)+β(r)(P(t)-xj-1(t))+rand() (1)
其中,xj-1(t)和xj(t)表示个体狼在第t次迭代过程中的第j-1次更新位置和第j次更新位置,x0(t)表示个体狼在第t次迭代过程中迭代操作开始前的初始位置;β(r)为中间计算量,t和Gen分别表示当前迭代次数和最大迭代次数,w为大于2的常数,β0为最大激励因子,取正数,r表示当前个体狼位置x0(t)的视野范围内适应度最好的同伴个体狼位置的适应度f2(P(t)与当前个体狼位置的适应度f2(x0(t)之差的绝对值,r=|f2(P(t)-f2(x0(t))|;rand()为[0,1]中的一个随机数;
步骤B4:判断每个个体狼的第一次更新位置是否满足以下条件,进行第二次位置更新,更新个体狼最优位置,j=2:
第一次更新位置在其视野范围内且第一次更新位置的适应度优于其初始位置的适应度;
若满足,则令个体狼按照公式(1)寻找第二次更新位置x2(t),当第二次更新位置的适应度优于当前个体狼最优位置的适应度,利用第二次更新位置作为个体狼最优位置,进入步骤B5,获取第三次更新位置;
若不满足,则第二次更新位置与第一次更新位置相同,个体狼位置不变,并转到步骤B6,获取第三次更新位置;
步骤B5:按公式(2)寻找满足步骤4中所述条件的个体狼在其视野范围内的第三次更新位置,更新个体狼最优位置和狼群头狼最优位置,j=3,进入步骤B7;
x3(t)=x2(t)+rand().v.(Gbest-x2(t)) (2)
其中:x2(t)、x3(t)表示个体狼在第t次迭代过程中的第二次更新位置和第三次更新位置;Gbest为狼群当前最优头狼位置;v为狼的视觉半径;rand()为[-1,1]中的一个随机数;Rand1>riri
步骤B6:按照公式(3)寻找不满足步骤4中所述条件的个体狼的第三次更新位置x3(t),更新狼群头狼最优位置,j=3,进入步骤B7;
x3(t)=x2(t)+escape().s.(xc(t)-x2(t)) (3)
其中,xc(t)表示第t次迭代过程中,所有个体狼进行第二次更新后,狼群的质心位置;s为狼的移动步长,s≤v;escape()为随机函数;
步骤B7:依个体第二适应度值将经过三次更新后的所有个体狼从低到高进行排序;
步骤B8:将排在前面的n+1个个体狼按非线性单纯法NM方法搜索每个个体的最优位置,其余的个体重复步骤B4-步骤B6搜索每个个体狼最优位,得到最优狼群;从最优狼群中选取全局最优头狼位置;
其中,n为随机正整数;
步骤B9:判断是否达到最大迭代次数或者达到最大搜索精度,若达到,则输出全局最优头狼位置对应的基BP神经网络的人体身体状态评分预测模型的权值和阈值;否则,令t+1,转到步骤B3,进行下一次迭代。
进一步地,所述远程服务器依据接收到人体健康检测结果,并发出预警指令至人体穿戴设备上:
若分数达到[0.7,0.8),服务器向手环发送指令,手环做出一级震动,提醒该个体休息;
若分数达到[0.8,0.9)服务器向手环发送指令,手环做出二级震动,提醒该个体身体状态已不适合继续运动;
若分数达到0.9,服务器向手环发送指令,手环做出三级震动,提醒该个体身体状态必须要停止运动,同时无人机会发出警报。
若分数位于区间[0,0.7),无反应;
进一步地,在进行户外运动监测过程中,每架无人机的电量实时向远程服务器反馈,远程服务器根据反馈的电量,对无人机发出指令:
当无人机剩余电量大于等于20%,保持监测状态;
当无人机剩余电量小于20%,无人机返回充电区;同时,远程服务器指派一架电量充足的无人机飞去指定区域继续监测。
进一步地,所述步骤3.3.1中对每一幅训练图像进行预处理,是指对脸部图像分别进行几何预处理、灰度预处理以及人脸肤色检测;
所述几何预处理是将人脸图像变换到同一位置和同一大小;
所述灰度预处理是将彩色图像进行灰度化处理;
同时消除噪声,增加对比度,进行光线补偿,改善图像的效果。
所述人脸肤色检测是指基于脸部肤色的人脸检测,除去照片中的非人脸区域,提取出包含人脸特征的轮廓。
一种智能人体多维自然特征大数据透明学习系统,包括:
人体健康特征数据库,包括人体自然体征数据库和人体极限运动数据库;
其中,所述人体自然体征数据库包括不同人的脸部图像和对应的身高,且所述脸部图像包括在不同光照强度下获得的各种正面图像、左脸图像以及右脸图像;
所述人体极限运动数据库包括人体健康特征数据库中每个人在不同极限运动的各种运动量情况下的健康数据,所述健康数据是指在运动过程中10s内采集的心率、血压和体温;
脸部图像视觉筛选模块,依据搭载在无人机上的ZED相机获取的人体身高,筛选出待识别人体群并且获取对应的脸部图像数据块;
Hadoop平台识别模块,采用上述方法基于Hadoop平台对待识别人体脸部图像数据块进行待识别人体的快速识别;
追踪模块,依据Hadoop平台识别模块的识别结果,使得无人机跟踪待识别人体,并与待识别人体的穿戴设备进行通信,获取待识别人体的健康数据传输至远程服务器;
健康测量模块,将获取的待识别人体的健康数据输入BP神经网络人体健康评估模型,采用上述的方法对人体健康特征进行学习,得到待识别人体的健康测量程度。
有益效果
本发明提供了一种智能人体多维自然特征大数据透明学习方法与系统,通过无人机装载双目相机ZED对运动环境的监测以及对环境中运动人体的识别、跟踪,实时定位以及结合穿戴设备的健康数据融合,对人体健康特征进行测量,并且相对于现有技术具有以下优点:
1.将脸部识别和云计算相结合,利用MapReduce并行分布式运行机制,提升脸部识别效率,缩短训练周期;
2.由于提取HOG特征后特征维数较大,本专利采用一种基于HOG特征提取的PCA人脸识别方法,有效地提高了人脸识别的效率和准确率。
3.采用思维进化算法对Elman神经网络进行优化,克服训练结果可能会陷入局部最优、学习过程收敛速度慢的缺点,从而提高了脸部识别的准确率和效率;
4.采用改进狼群算法对BP神经网络进行优化,对人的心率、血压、体温这三个人体健康数据进行融合,监测人体状态。
附图说明
图1为基于HOG特征提取的PCA流程图;
图2为Hadoop框架示意图;
图3为本发明所述系统的结构示意图;
图4为本发明所述方法流程示意图。
具体实施方式
下面将结合附图和实施例对本发明做进一步地说明。如图4所示,一种智能人体多维自然特征大数据透明学习方法,包括以下步骤:
步骤1:构建人体健康特征数据库;
所述人体健康特征数据库包括人体自然体征数据库和人体极限运动数据库;
其中,所述人体自然体征数据库包括不同人的脸部图像和对应的身高,且所述脸部图像包括在不同光照强度下获得的各种正面图像、左脸图像以及右脸图像;
所述人体极限运动数据库包括人体健康特征数据库中每个人在不同极限运动的各种运动量情况下的健康数据,所述健康数据是指在运动过程中10s内采集的心率、血压和体温;
采集系统中每个人的极限运动量,同时分别记录下在不同运动量下(极限运动量的10%、20%……100%),测量10s内个体的健康数据,包括心率、血压、体温;
建立人体健康数据的评分机制,最高为1,最低为0。其中0%极限运动量对应分数1;10%的极限运动量,对应分数0.9。依次类推,达到极限运动量,对应分数0。
步骤2:如图4所示,依据搭载在无人机上的ZED相机获取的人体身高,筛选出待识别人体群并且获取对应的脸部图像数据块;
每个ZED基于自身的双目视觉,得出视野内所有人体的身高数据,与待识别目标在数据库中的身高信息进行比对,筛选出与其身高差距±3cm的若干个体;
ZED相机获取该若干个体脸部图像,拍摄授权人脸部40帧图像。利用Hadoop平台的MapReduce并行分布式运行机制,快速识别目标个体,并传回指令给无人机的车载控制器,对目标个体持续追踪。
步骤3:如图3所示,基于Hadoop平台对待识别人体脸部图像数据块进行待识别人体的快速识别;
离线训练过程:将事先采集的脸部图像库中的大量脸部图像进行并行训练。
将系统中人体进行编号,如个体1编号000001,个体2编号000002。
步骤3.1:将待识别人体的脸部图像数据块,利用MapReduce进行切片,并为每一个数据分片构造一个Map任务;
步骤3.2:利用Input Format类将每个数据分片转换成<key/value>对,以key记录每个数据分片起点的存储位置,以value记录每个数据分片的数据长度;
其中,所述离线训练是指基于Hadoop平台,将脸部图像训练数据按照步骤3.1-3.2的过程利用MapReduce进行多次数据分片处理,并将每个数据分片对应的训练数据,训练基于Elman神经网络的脸部识别模型,将所有训练完后的基于Elman神经网络的脸部识别模型中的权值和阈值求平均,直到最终基于Elman神经网络的脸部识别模型的精度满足设定的识别精度或者执行MapReduce次数达到设定的最大执行次数;
户外运动环境下运动人体实时的脸部识别:将待识别人体脸部图像数据块实时输入脸部识别模型;
其中,户外运动环境下运动人体实时的脸部识别过程中将脸部图像训练数据按照步骤3.1-3.2的过程利用MapReduce进行多次数据分片处理;
步骤3.3:对步骤3.2得到的所有<key/value>对对应的脸部图像数据进行Map操作;
所述Map操作是指对一个数据分片中的脸部图像依次进行预处理、PCA降维处理后,采用在Hadoop平台训练得到的基于Elman神经网络的脸部识别模型进行识别;
步骤3.4:利用Reduce函数融合所有Map操作输出的识别结果;
服务器根据输出的识别结果生成指令并传送给无人机:
其中,输出的识别结果为一个6×40的矩阵,矩阵的每一个列向量为个人编号或者接近某一个体编号。若追踪的个体编号为000001,则通过判断6×40的矩阵中每一列与000001的相似程度来进行确定目标个体的脸部图像。生成指令并发送给其中一个无人机对个体进行追踪,其余无人机协同追踪。
其中,所述脸部识别智能模型建立过程如下:
a脸部图像预处理
对脸部图像分别进行几何预处理和灰度预处理,几何预处理是将人脸图像变换到同一位置和同一大小;灰度预处理是将彩色图像进行灰度化处理,同时消除噪声,增加对比度,进行光线补偿,改善图像的效果;
通过基于脸部肤色的人脸检测,除去照片中的非人脸区域,提取出包含人脸特征的轮廓。
b脸部特征提取:如图2所示,对HOG特征采用主成分分析法(PCA)进行降维处理
HOG特征提取
确定一个3×3的滑动窗口(cell),滑动窗口在整个图像上进行滑动,从而提取人脸HOG特征。
将滑动窗口均匀分成若干个小块,分别在每个小块上计算每个像素点的梯度幅值和方向。
将梯度方向(0到π)均匀分成9个,如果这个像素的梯度方向在20°到40°之间,则直方图中第2个方向块的计数加上梯度值,对cell内每个像素用梯度方向在直方图中进行加权投影,就可以得到这个cell的梯度方向直方图,即该cell对应的9维特征向量,梯度大小作为投影的权值。
最后对检测窗口中的所有小块(每个块由2*2个cell组成)进行HOG特征的收集,顺序级联每个小块的直方图特征,其中每个小块36维特征,在整个图像中滑动窗口完成图像HOG特征的提取。
主成分分析法:通过特征的线性组合来实现人脸图像的降维;
A.假设人脸图像i的像素为m×n,则通过与Gabor卷积后共有mn个像素点,将这mn个像素点依次排列起来作为一个列向量Xi。输入N张人脸图像,依次表示为X1、X2……Xn,每个Xi维数为M=40mn,则可以表示为X=[X1、X2……Xn]M*N;
B.先计算样本每一维的均值,然后计算观察值与均值之间的偏差,在计算样本协方差矩阵;
C.计算协方差矩阵的特征值和特征向量;
D.计算总能量,选取贡献率大的特征值和对应的特征向量;
其中,总能量指的是所有特征值相加的和;贡献率是指前q个特征值之和与所有特征值之和的比值;如果贡献率大于90%,那么只需要提取前q个特征值与其相对应的特征向量,从而降低了样本数据的维数。
E.计算前q个特征值所对应的特征向量组成的矩阵,计算降维后的样本矩阵。根据上一步得到的新特征向量,用原始的协方差矩阵乘以此新特征向量组成的矩阵,则可以得到人脸图片降维后的样本矩阵。
c.脸部识别模型
Elman神经网络:输入层节点个数根据分片中图像的个数确定,根据经验取隐含层个数,输出层节点个数根据分片中图像的个数确定,最大迭代次数设置为100,训练学习率为0.1。
将每个脸部图像的降维之后的特征向量作为输入,对应的个体编号作为输出;
其中,Elman神经网络的权值和阈值采用带有思维进化算法来进行优化;
所述Elman神经网络的权值和阈值采用思维进化算法进行寻优获得的过程如下:
步骤A1:将每个个体向量作为基于Elman神经网络的脸部识别模型的权值和阈值,初始化种群,并设置种群参数;
个体种群规模S的取值范围为[250,1000]、优胜个体数量为5,临时个体数量为5;dmin
步骤A2:设定适应度函数,并确定初始最优个体向量和迭代次数t,t=1;
将个体向量对应的权值和阈值代入基于Elman神经网络的脸部识别模型中,并利用个体向量确定的基于Elman神经网络的智能人脸识别模型计算出个体编号,利用计算出的编号值和实际编号值求带有权值的均方差MSE,构建第一适应度函数f1(x)计算出每个个体的得分;
Ai表示计算编号值的第i位,Bi表示实际编号值的第i位,n=6;
步骤A3:计算每个个体的适应度值,生成子群体;
适应度最高的前5个个体作为优胜个体,前第6到第10共5个个体作为临时个体;依次以所选优胜个体和临时个体为中心,随机生成5个优胜子群体和5个临时子群体,每个子群体的个体数目为S/10;
步骤A4:依次对个体进行趋同操作;
若一个子群体不再产生新的胜者,表示子群体成熟,则竞争结束,该子群体的得分就是子群体中最优个体的得分,并把得分张贴在全局公告板上,直到所有子群体全部成熟,趋同过程结束;
步骤A5:依次对个体进行异化操作;
从全局公告板上,比较优胜子群体和临时子群体的得分高低,完成子群体间的替换、废弃、个体释放的过程,得到全局最优个体及其得分;
步骤A6:判断是否达到最大迭代次数或者最大搜索精度,达到则输出最优个体对应的基于Elman神经网络的脸部识别模型的权值和阈值,否则返回步骤A4,进行下一次迭代。
步骤4:利用识别结果,使得无人机跟踪待识别人体,并与待识别人体的穿戴设备进行通信,获取待识别人体的健康数据传输至远程服务器;
在户外运动环境中,目标个体随着运动量的增加,人体血压,心率,体温等特征数据会发生明显变化。目标个体佩戴的手环具有人体健康数据检测模块以及无线通信模块。手环通过实时监测目标个体在运动中的血压,心率,体温,并将这些人体健康数据通过无线通讯模块传输至服务器(每10s内发送一次)。
步骤5:人体健康数据融合学习;
将人体极限运动量数据库中人体健康数据(10s内的人体血压,心率,体温)作为输入,输出为对应的人体健康评分值,利用BP神经网络进行融合学习。
BP神经网络:根据输入数据结构确定输入层3个节点,中间层9个节点,输出层1个节点。最大迭代次数设置为100,训练学习率为0.1。
所述BP神经网络使用的权值和阈值采用改进狼群算法进行寻优获得的过程如下:
步骤B1:以个体狼的位置作为基于BP神经网络的人体身体状态评分预测模型的权值和阈值,初始化狼群并设置狼群参数;
狼群规模的取值范围为[45,200],狼的视觉半径的取值范围[2,5],可记忆步数为1,逃跑概率的取值范围为[0.025,0.08],最大搜索精度的取值范围为[0.01,0.1],最大迭代次数的取值范围[400,1000];
步骤B2:设定适应度函数,并确定初始最优头狼位置和迭代次数t,t=1;
将个体狼位置对应的权值和阈值代入基于BP神经网络的人体身体状态评分预测模型中,并利用个体狼位置确定的基于BP神经网络的人体身体状态评分预测模型计算人体状态预测评分,将预测值和实际值的均方差MSE的倒数作为第二适应度函数f2(x);
利用第二适应度函数计算每匹个体狼位置的适应度,以最大适应度对应的个体狼位置作为初始最优头狼位置;
步骤B3:寻找每匹个体狼的第一次更新位置,以第一次更新位置更新个体狼位置,并以所有个体狼的第一次更新位置,更新狼群最优头狼位置,j=1,j表示个体狼位置更新次数;
按照公式(1)计算每匹个体狼的第一次更新位置x1(t),并判断计算得到的第一次更新位置是否为从未达到过的新位置,若到达过,则重复步骤B3直到重新获得第一次更新位置,若未到达过,则利用个体狼的第一个更新位置计算得适应度;
xj(t)=xj-1(t)+β(r)(P(t)-xj-1(t))+rand() (1)
其中,xj-1(t)和xj(t)表示个体狼在第t次迭代过程中的第j-1次更新位置和第j次更新位置,x0(t)表示个体狼在第t次迭代过程中迭代操作开始前的初始位置;β(r)为中间计算量,t和Gen分别表示当前迭代次数和最大迭代次数,w为大于2的常数,β0为最大激励因子,取正数,r表示当前个体狼位置x0(t)的视野范围内适应度最好的同伴个体狼位置的适应度f2(P(t)与当前个体狼位置的适应度f2(x0(t)之差的绝对值,
r=|f2(P(t)-f2(x0(t))|;rand()为[0,1]中的一个随机数;
步骤B4:判断每个个体狼的第一次更新位置是否满足以下条件,进行第二次位置更新,更新个体狼最优位置,j=2:
第一次更新位置在其视野范围内且第一次更新位置的适应度优于其初始位置的适应度;
若满足,则令个体狼按照公式(1)寻找第二次更新位置x2(t),当第二次更新位置的适应度优于当前个体狼最优位置的适应度,利用第二次更新位置作为个体狼最优位置,进入步骤B5,获取第三次更新位置;
若不满足,则第二次更新位置与第一次更新位置相同,个体狼位置不变,并转到步骤B6,获取第三次更新位置;
步骤B5:按公式(2)寻找满足步骤4中所述条件的个体狼在其视野范围内的第三次更新位置,更新个体狼最优位置和狼群头狼最优位置,j=3,进入步骤B7;
x3(t)=x2(t)+rand().v.(Gbest-x2(t)) (2)
其中:x2(t)、x3(t)表示个体狼在第t次迭代过程中的第二次更新位置和第三次更新位置;Gbest为狼群当前最优头狼位置;v为狼的视觉半径;rand()为[-1,1]中的一个随机数;
Rand1>riri
步骤B6:按照公式(3)寻找不满足步骤4中所述条件的个体狼的第三次更新位置x3(t),更新狼群头狼最优位置,j=3,进入步骤B7;
x3(t)=x2(t)+escape().s.(xc(t)-x2(t)) (3)
其中,xc(t)表示第t次迭代过程中,所有个体狼进行第二次更新后,狼群的质心位置;s为狼的移动步长,s≤v;escape()为随机函数;
步骤B7:依个体第二适应度值将经过三次更新后的所有个体狼从低到高进行排序;
步骤B8:将排在前面的n+1个个体狼按非线性单纯法NM方法搜索每个个体的最优位置,其余的个体重复步骤B4-步骤B6搜索每个个体狼最优位,得到最优狼群;从最优狼群中选取全局最优头狼位置;
其中,n为随机正整数;
步骤B9:判断是否达到最大迭代次数或者达到最大搜索精度,若达到,则输出全局最优头狼位置对应的基BP神经网络的人体身体状态评分预测模型的权值和阈值;否则,令t+1,转到步骤B3,进行下一次迭代。
步骤5:将获取的待识别人体的健康数据输入BP神经网络人体健康评估模型,进行人体健康特征学习,得到待识别人体的健康检测程度。
服务器接收到人体健康数据,输入训练后的神经网络,得出此时人体健康状态的评分,并发出指令。
若分数达到[0.7,0.8),服务器向手环发送指令,手环做出一级震动,提醒该个体休息。
若分数达到[0.8,0.9)服务器向手环发送指令,手环做出二级震动,提醒该个体身体状态已不适合继续运动。
若分数达到0.9,服务器向手环发送指令,手环做出三级震动,提醒该个体身体状态必须要停止运动同时无人机会发出警报。
步骤6:在进行户外运动监测过程中,每架无人机的电量会实时向服务器反馈。服务器根据反馈的电量,对无人机发出指令:
当无人机剩余电量大于等于20%,保持监测状态。
当无人机剩余电量小于20%,无人机返回充电区;同时,服务器指派一架电量充足的无人机飞去指定区域继续监测。
步骤7:当待测目标终止运动,离开该户外环境。无人机返回充电区,准备下一次任务。
一种智能人体多维自然特征大数据透明学习系统,包括:
人体健康特征数据库,包括人体自然体征数据库和人体极限运动数据库;
其中,所述人体自然体征数据库包括不同人的脸部图像和对应的身高,且所述脸部图像包括在不同光照强度下获得的各种正面图像、左脸图像以及右脸图像;
所述人体极限运动数据库包括人体健康特征数据库中每个人在不同极限运动的各种运动量情况下的健康数据,所述健康数据是指在运动过程中10s内采集的心率、血压和体温;
脸部图像视觉筛选模块,依据搭载在无人机上的ZED相机获取的人体身高,筛选出待识别人体群并且获取对应的脸部图像数据块;
Hadoop平台识别模块,采用上述方法基于Hadoop平台对待识别人体脸部图像数据块进行待识别人体的快速识别;
追踪模块,依据Hadoop平台识别模块的识别结果,使得无人机跟踪待识别人体,并与待识别人体的穿戴设备进行通信,获取待识别人体的健康数据传输至远程服务器;
健康测量模块,将获取的待识别人体的健康数据输入BP神经网络人体健康评估模型,采用上述的方法对人体健康特征进行学习,得到待识别人体的健康测量程度。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种智能人体多维自然特征大数据透明学习方法,其特征在于,包括以下步骤:
步骤1:构建人体健康特征数据库;
所述人体健康特征数据库包括人体自然体征数据库和人体极限运动数据库;
其中,所述人体自然体征数据库包括不同人的脸部图像和对应的身高,且所述脸部图像包括在不同光照强度下获得的各种正面图像、左脸图像以及右脸图像;
所述人体极限运动数据库包括人体健康特征数据库中每个人在不同极限运动的各种运动量情况下的健康数据,所述健康数据是指在运动过程中10s内采集的心率、血压和体温;
步骤2:依据搭载在无人机上的ZED相机获取的人体身高,筛选出待识别人体群并且获取对应的脸部图像数据块;
步骤3:基于Hadoop平台对待识别人体脸部图像数据块进行待识别人体的快速识别;
步骤3.1:将待识别人体的脸部图像数据块,利用MapReduce进行切片,并为每一个数据分片构造一个Map任务;
步骤3.2:利用Input Format类将每个数据分片转换成<key/value>对,以key记录每个数据分片起点的存储位置,以value记录每个数据分片的数据长度;
步骤3.3:对步骤3.2得到的所有<key/value>对对应的脸部图像数据进行Map操作;
所述Map操作是指对一个数据分片中的脸部图像依次进行预处理、HOG特征提取、PCA降维处理后,采用在Hadoop平台训练得到的基于Elman神经网络的脸部识别模型进行识别;
步骤3.4:利用Reduce函数融合所有Map操作输出的识别结果;
其中,所述在Hadoop平台训练得到的基于Elman神经网络的脸部识别模型是指将脸部图像训练数据按照步骤3.1-3.2的过程利用MapReduce进行多次数据分片处理,并将每个数据分片对应的训练数据,训练基于Elman神经网络的脸部识别模型,将所有训练完后的基于Elman神经网络的脸部识别模型中的权值和阈值求平均,直到最终基于Elman神经网络的脸部识别模型的精度满足设定的识别精度或者执行MapReduce次数达到设定的最大执行次数;
步骤4:利用识别结果,使得无人机跟踪待识别人体,并与待识别人体的穿戴设备进行通信,获取待识别人体的健康数据传输至远程服务器;
步骤5:将获取的待识别人体的健康数据输入BP神经网络人体健康评估模型,对人体健康特征进行学习,得到待识别人体的健康检测程度。
2.根据权利要求1所述的方法,其特征在于,所述Elman神经网络脸部识别模型的构建过程如下:
步骤3.3.1:对每一幅训练图像进行预处理和HOG特征提取,并对提取的图像HOG特征进行PCA降维,得到降维矩阵;
步骤3.3.2:利用MapReduce对训练图像数据和对应的图像编号进行切片,依次将每个数据分片中所有训练图像的降维矩阵对应的特征向量作为输入层节点,输出层节点为数据分片中每个训练图像的编号,对Elman神经网络进行训练,得到基于Elman神经网络的脸部识别模型;
其中,最大迭代次数为100,训练学习率为0.1,在训练过程中,所述Elman神经网络的权值和阈值采用思维进化算法进行寻优获得。
3.根据权利要求2所述的方法,其特征在于,所述Elman神经网络的权值和阈值采用思维进化算法进行寻优获得的过程如下:
步骤A1:将每个个体向量作为基于Elman神经网络的脸部识别模型的权值和阈值,初始化种群,并设置种群参数;
个体种群规模S的取值范围为[250,1000]、优胜个体数量为5,临时个体数量为5;dmin
步骤A2:设定适应度函数,并确定初始最优个体向量和迭代次数t,t=1;
将个体向量对应的权值和阈值代入基于Elman神经网络的脸部识别模型中,并利用个体向量确定的基于Elman神经网络的智能人脸识别模型计算出个体编号,利用计算出的编号值和实际编号值求带有权值的均方差MSE,构建第一适应度函数f1(x)计算出每个个体的得分;
<mrow>
<mi>f</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>/</mo>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<mn>1</mn>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mn>2</mn>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>i</mi>
</mrow>
</msup>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
Ai表示计算编号值的第i位,Bi表示实际编号值的第i位,n=6;
步骤A3:计算每个个体的适应度值,生成子群体;
适应度最高的前5个个体作为优胜个体,前第6到第10共5个个体作为临时个体;依次以所选优胜个体和临时个体为中心,随机生成5个优胜子群体和5个临时子群体,每个子群体的个体数目为S/10;
步骤A4:依次对个体进行趋同操作;
若一个子群体不再产生新的胜者,表示子群体成熟,则竞争结束,该子群体的得分就是子群体中最优个体的得分,并把得分张贴在全局公告板上,直到所有子群体全部成熟,趋同过程结束;
步骤A5:依次对个体进行异化操作;
从全局公告板上,比较优胜子群体和临时子群体的得分高低,完成子群体间的替换、废弃、个体释放的过程,得到全局最优个体及其得分;
步骤A6:判断是否达到最大迭代次数或者最大搜索精度,达到则输出最优个体对应的基于Elman神经网络的脸部识别模型的权值和阈值,否则返回步骤A4,进行下一次迭代。
4.根据权利要求1所述的方法,其特征在于,所述BP神经网络人体健康评估模型的构建过程如下:
将人体极限运动量训练数据库中各种运动量的人体健康数据作为输入层节点,输出层节点为对应的健康评估分数,对BP神经网络进行训练;
其中,输入层包含3个节点,最大迭代次数设置为200,训练学习率为0.1,所述BP神经网络使用的权值和阈值采用改进狼群算法进行寻优获得;
所述人体健康数据包括在各种运动量下10s内的血压、心率以及体温;
0%极限运动量对应健康评估分数为0;10%的极限运动量,对应健康评估分数为0.1,依次类推,达到100%极限运动量,对应健康评估分数为1。
5.根据权利要求4所述的方法,其特征在于,所述BP神经网络使用的权值和阈值采用改进狼群算法进行寻优获得的过程如下:
步骤B1:以个体狼的位置作为基于BP神经网络的人体身体状态评分预测模型的权值和阈值,初始化狼群并设置狼群参数;
狼群规模的取值范围为[45,200],狼的视觉半径的取值范围[2,5],可记忆步数为1,逃跑概率的取值范围为[0.025,0.08],最大搜索精度的取值范围为[0.01,0.1],最大迭代次数的取值范围[400,1000];
步骤B2:设定适应度函数,并确定初始最优头狼位置和迭代次数t,t=1;
将个体狼位置对应的权值和阈值代入基BP神经网络的人体身体状态评分预测模型中,并利用个体狼位置确定的基于BP神经网络的人体身体状态评分预测模型计算人体状态预测评分,将预测值和实际值的均方差MSE的倒数作为第二适应度函数f2(x);
利用第二适应度函数计算每匹个体狼位置的适应度,以最大适应度对应的个体狼位置作为初始最优头狼位置;
步骤B3:寻找每匹个体狼的第一次更新位置,以第一次更新位置更新个体狼位置,并以所有个体狼的第一次更新位置,更新狼群最优头狼位置,j=1,j表示个体狼位置更新次数;
按照公式(1)计算每匹个体狼的第一次更新位置x1(t),并判断计算得到的第一次更新位置是否为从未达到过的新位置,若到达过,则重复步骤B3直到重新获得第一次更新位置,若未到达过,则利用个体狼的第一个更新位置计算得适应度;
xj(t)=xj-1(t)+β(r)(P(t)-xj-1(t))+rand() (1)
其中,xj-1(t)和xj(t)表示个体狼在第t次迭代过程中的第j-1次更新位置和第j次更新位置,x0(t)表示个体狼在第t次迭代过程中迭代操作开始前的初始位置;β(r)为中间计算量,t和Gen分别表示当前迭代次数和最大迭代次数,w为大于2的常数,β0为最大激励因子,取正数,r表示当前个体狼位置x0(t)的视野范围内适应度最好的同伴个体狼位置的适应度f2(P(t)与当前个体狼位置的适应度f2(x0(t)之差的绝对值,r=|f2(P(t)-f2(x0(t))|;rand()为[0,1]中的一个随机数;
步骤B4:判断每个个体狼的第一次更新位置是否满足以下条件,进行第二次位置更新,更新个体狼最优位置,j=2:
第一次更新位置在其视野范围内且第一次更新位置的适应度优于其初始位置的适应度;
若满足,则令个体狼按照公式(1)寻找第二次更新位置x2(t),当第二次更新位置的适应度优于当前个体狼最优位置的适应度,利用第二次更新位置作为个体狼最优位置,进入步骤B5,获取第三次更新位置;
若不满足,则第二次更新位置与第一次更新位置相同,个体狼位置不变,并转到步骤B6,获取第三次更新位置;
步骤B5:按公式(2)寻找满足步骤4中所述条件的个体狼在其视野范围内的第三次更新位置,更新个体狼最优位置和狼群头狼最优位置,j=3,进入步骤B7;
x3(t)=x2(t)+rand().v.(Gbest-x2(t)) (2)
其中:x2(t)、x3(t)表示个体狼在第t次迭代过程中的第二次更新位置和第三次更新位置;Gbest为狼群当前最优头狼位置;v为狼的视觉半径;rand()为[-1,1]中的一个随机数;Rand1>riri
步骤B6:按照公式(3)寻找不满足步骤4中所述条件的个体狼的第三次更新位置x3(t),更新狼群头狼最优位置,j=3,进入步骤B7;
x3(t)=x2(t)+escape().s.(xc(t)-x2(t)) (3)
其中,xc(t)表示第t次迭代过程中,所有个体狼进行第二次更新后,狼群的质心位置;s为狼的移动步长,s≤v;escape()为随机函数;
步骤B7:依个体第二适应度值将经过三次更新后的所有个体狼从低到高进行排序;
步骤B8:将排在前面的n+1个个体狼按非线性单纯法NM方法搜索每个个体的最优位置,其余的个体重复步骤B4-步骤B6搜索每个个体狼最优位,得到最优狼群;从最优狼群中选取全局最优头狼位置;
其中,n为随机正整数;
步骤B9:判断是否达到最大迭代次数或者达到最大搜索精度,若达到,则输出全局最优头狼位置对应的基BP神经网络的人体身体状态评分预测模型的权值和阈值;否则,令t+1,转到步骤B3,进行下一次迭代。
6.根据权利要求5所述的方法,其特征在于,所述远程服务器依据接收到人体健康检测结果,并发出预警指令至人体穿戴设备上:
若分数达到[0.7,0.8),服务器向手环发送指令,手环做出一级震动,提醒该个体休息;
若分数达到[0.8,0.9)服务器向手环发送指令,手环做出二级震动,提醒该个体身体状态已不适合继续运动;
若分数达到0.9,服务器向手环发送指令,手环做出三级震动,提醒该个体身体状态必须要停止运动,同时无人机会发出警报。
7.根据权利要求1-6任一项所述的方法,其特征在于,在进行户外运动监测过程中,每架无人机的电量实时向远程服务器反馈,远程服务器根据反馈的电量,对无人机发出指令:
当无人机剩余电量大于等于20%,保持监测状态;
当无人机剩余电量小于20%,无人机返回充电区;同时,远程服务器指派一架电量充足的无人机飞去指定区域继续监测。
8.根据权利要求2-7任一项所述的方法,其特征在于,所述步骤3.3.1中对每一幅训练图像进行预处理,是指对脸部图像分别进行几何预处理、灰度预处理以及人脸肤色检测;
所述几何预处理是将人脸图像变换到同一位置和同一大小;
所述灰度预处理是将彩色图像进行灰度化处理;
所述人脸肤色检测是指基于脸部肤色的人脸检测,除去照片中的非人脸区域,提取出包含人脸特征的轮廓。
9.一种智能人体多维自然特征大数据透明学习系统,其特征在于,包括:
人体健康特征数据库,包括人体自然体征数据库和人体极限运动数据库;
其中,所述人体自然体征数据库包括不同人的脸部图像和对应的身高,且所述脸部图像包括在不同光照强度下获得的各种正面图像、左脸图像以及右脸图像;
所述人体极限运动数据库包括人体健康特征数据库中每个人在不同极限运动的各种运动量情况下的健康数据,所述健康数据是指在运动过程中10s内采集的心率、血压和体温;
脸部图像视觉筛选模块,依据搭载在无人机上的ZED相机获取的人体身高,筛选出待识别人体群并且获取对应的脸部图像数据块;
Hadoop平台识别模块,采用权利要求1-8任一项所述方法基于Hadoop平台对待识别人体脸部图像数据块进行待识别人体的快速识别;
追踪模块,依据Hadoop平台识别模块的识别结果,使得无人机跟踪待识别人体,并与待识别人体的穿戴设备进行通信,获取待识别人体的健康数据传输至远程服务器;
健康测量模块,将获取的待识别人体的健康数据输入BP神经网络人体健康评估模型,采用权1-8任一项所述的方法对人体健康特征进行学习,得到待识别人体的健康测量程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711194235.9A CN107967455A (zh) | 2017-11-24 | 2017-11-24 | 一种智能人体多维自然特征大数据透明学习方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711194235.9A CN107967455A (zh) | 2017-11-24 | 2017-11-24 | 一种智能人体多维自然特征大数据透明学习方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107967455A true CN107967455A (zh) | 2018-04-27 |
Family
ID=61997779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711194235.9A Pending CN107967455A (zh) | 2017-11-24 | 2017-11-24 | 一种智能人体多维自然特征大数据透明学习方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107967455A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108918137A (zh) * | 2018-06-08 | 2018-11-30 | 华北水利水电大学 | 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 |
CN109297533A (zh) * | 2018-09-20 | 2019-02-01 | 北京恩福健康科技有限公司 | 一种精确测量皮肤表面温湿度的方法 |
CN109934156A (zh) * | 2019-03-11 | 2019-06-25 | 重庆科技学院 | 一种基于elman神经网络的用户体验评价方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715013A (zh) * | 2015-01-26 | 2015-06-17 | 南京邮电大学 | 一种基于Hadoop的用户健康数据分析方法和系统 |
US20170161390A1 (en) * | 2015-12-07 | 2017-06-08 | Ephesoft Inc. | Analytic systems, methods, and computer-readable media for structured, semi-structured, and unstructured documents |
CN106999106A (zh) * | 2014-12-02 | 2017-08-01 | 皇家飞利浦有限公司 | 用于使用可穿戴设备的测量结果生成健康数据的系统和方法 |
US20170235996A1 (en) * | 2015-07-28 | 2017-08-17 | Chiman KWAN | Method and system for collaborative multi-satellite remote sensing |
CN107134129A (zh) * | 2016-02-26 | 2017-09-05 | 福特全球技术公司 | 自主车辆乘客定位器 |
-
2017
- 2017-11-24 CN CN201711194235.9A patent/CN107967455A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106999106A (zh) * | 2014-12-02 | 2017-08-01 | 皇家飞利浦有限公司 | 用于使用可穿戴设备的测量结果生成健康数据的系统和方法 |
CN104715013A (zh) * | 2015-01-26 | 2015-06-17 | 南京邮电大学 | 一种基于Hadoop的用户健康数据分析方法和系统 |
US20170235996A1 (en) * | 2015-07-28 | 2017-08-17 | Chiman KWAN | Method and system for collaborative multi-satellite remote sensing |
US20170161390A1 (en) * | 2015-12-07 | 2017-06-08 | Ephesoft Inc. | Analytic systems, methods, and computer-readable media for structured, semi-structured, and unstructured documents |
CN107134129A (zh) * | 2016-02-26 | 2017-09-05 | 福特全球技术公司 | 自主车辆乘客定位器 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108918137A (zh) * | 2018-06-08 | 2018-11-30 | 华北水利水电大学 | 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 |
CN109297533A (zh) * | 2018-09-20 | 2019-02-01 | 北京恩福健康科技有限公司 | 一种精确测量皮肤表面温湿度的方法 |
CN109297533B (zh) * | 2018-09-20 | 2021-04-13 | 北京恩福健康科技有限公司 | 一种精确测量皮肤表面温湿度的方法 |
CN109934156A (zh) * | 2019-03-11 | 2019-06-25 | 重庆科技学院 | 一种基于elman神经网络的用户体验评价方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Driver fatigue detection based on eye state recognition | |
CN111191667B (zh) | 基于多尺度生成对抗网络的人群计数方法 | |
CN106909938B (zh) | 基于深度学习网络的视角无关性行为识别方法 | |
Chen et al. | LSTM with bio inspired algorithm for action recognition in sports videos | |
CN108764059A (zh) | 一种基于神经网络的人体行为识别方法及系统 | |
CN107863153A (zh) | 一种基于智能大数据的人体健康特征建模测量方法与平台 | |
CN106651915B (zh) | 基于卷积神经网络的多尺度表达的目标跟踪方法 | |
CN107909008A (zh) | 基于多通道卷积神经网络和粒子滤波的视频目标跟踪方法 | |
Bu | Human motion gesture recognition algorithm in video based on convolutional neural features of training images | |
CN107844780A (zh) | 一种融合zed视觉的人体健康特征大数据智慧计算方法与装置 | |
CN108537181A (zh) | 一种基于大间距深度度量学习的步态识别方法 | |
CN114269243A (zh) | 跌倒风险评价系统 | |
CN107967941A (zh) | 一种基于智能视觉重构的无人机人体健康监控方法与系统 | |
CN110909672A (zh) | 一种基于双流卷积神经网络和svm的抽烟动作识别方法 | |
CN107967455A (zh) | 一种智能人体多维自然特征大数据透明学习方法与系统 | |
CN111967433A (zh) | 一种基于自监督学习网络的动作识别办法 | |
CN107967944A (zh) | 一种基于Hadoop的户外环境大数据人体健康监测方法与平台 | |
CN113378649A (zh) | 身份、位置和动作识别方法、系统、电子设备及存储介质 | |
Dantcheva et al. | Expression recognition for severely demented patients in music reminiscence-therapy | |
CN115346272A (zh) | 基于深度图像序列的实时摔倒检测方法 | |
Verma et al. | Convolutional neural network based criminal detection | |
Taghvaei et al. | Autoregressive-moving-average hidden Markov model for vision-based fall prediction—An application for walker robot | |
CN108416325B (zh) | 一种结合视角转换模型与隐马尔可夫模型的步态识别方法 | |
Vrskova et al. | Education of video classification based by neural networks | |
de Dios et al. | Landmark-based methods for temporal alignment of human motions |
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 |
Application publication date: 20180427 |
|
RJ01 | Rejection of invention patent application after publication |