CN108875590A - Bmi预测方法、装置、计算机设备和存储介质 - Google Patents
Bmi预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN108875590A CN108875590A CN201810515457.4A CN201810515457A CN108875590A CN 108875590 A CN108875590 A CN 108875590A CN 201810515457 A CN201810515457 A CN 201810515457A CN 108875590 A CN108875590 A CN 108875590A
- Authority
- CN
- China
- Prior art keywords
- bmi
- section
- training
- feature
- insurer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 174
- 238000003062 neural network model Methods 0.000 claims abstract description 79
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 239000000203 mixture Substances 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 230000002708 enhancing effect Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 10
- 238000011478 gradient descent method Methods 0.000 claims description 10
- 230000002441 reversible effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 4
- 239000000523 sample Substances 0.000 description 87
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 206010012601 diabetes mellitus Diseases 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 206010020772 Hypertension Diseases 0.000 description 5
- 241001269238 Data Species 0.000 description 4
- 208000004930 Fatty Liver Diseases 0.000 description 4
- 206010019708 Hepatic steatosis Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 208000010706 fatty liver disease Diseases 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 231100000240 steatosis hepatitis Toxicity 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 210000000577 adipose tissue Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000008014 freezing Effects 0.000 description 3
- 238000007710 freezing Methods 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- TVEXGJYMHHTVKP-UHFFFAOYSA-N 6-oxabicyclo[3.2.1]oct-3-en-7-one Chemical compound C1C2C(=O)OC1C=CC2 TVEXGJYMHHTVKP-UHFFFAOYSA-N 0.000 description 2
- 208000008589 Obesity Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000000366 juvenile effect Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 235000020824 obesity Nutrition 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 206010016654 Fibrosis Diseases 0.000 description 1
- 206010033307 Overweight Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000007882 cirrhosis Effects 0.000 description 1
- 208000019425 cirrhosis of liver Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 231100000283 hepatitis Toxicity 0.000 description 1
- 208000006454 hepatitis Diseases 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003093 somatogenic effect Effects 0.000 description 1
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Pathology (AREA)
- Technology Law (AREA)
- Epidemiology (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请揭示了一种BMI预测方法、装置、计算机设备和存储介质,其中,方法包括:获取投保人的当前人脸特征;将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算;其中,所述BMI区间判定模型基于人脸特征,以及与所述人脸特征关联的BMI类别组成的样本数据训练而成;输出所述投保人的BMI结果。本申请通过人脸特征预测投保人的BMI,可以快速地推断出投保人的BMI类别,以防止投保人虚报BMI,又因为通过计算机等进行测算,所以无需专门的BMI测试设备,节约成本。
Description
技术领域
本申请涉及到计算机领域,特别是涉及到一种BMI预测方法、装置、计算机设备和存储介质。
背景技术
目前比较常用BMI(体重指数)来判断肥胖,BMI的全称是Body Mass Index,BMI与体脂重量相关性很好,早些年测评体脂不方便的时候,医学上还曾经用BMI诊断肥胖。如果BMI值在28以上就算是肥胖的。BMI最大的好处就是简单,知道身高体重就能算出来。有些疾病与肥胖密切相关,如:
糖尿病:在我国糖尿病患者统计,80%糖尿病患者都是肥胖者,而当肥胖的时间越长,患糖尿病的风险就越高。
高血压:肥胖的朋友体形肥大,必须增加血容量和心输出量才能满足身体需求,长期下来会加重心脏负担引起高血压。
脂肪肝:由于体内脂肪在肝脏的堆积,从而形成脂肪肝,又称作脂肪肝变形。严重的是,脂肪肝还会进一步恶化,引发肝炎、肝硬化疾病。
综上所述,肥胖人群健康风险还是非常大的,所以保险公司也会关注投保人的BMI值。而每次测量投保人的身高、体重等计算BMI,效率低下。
发明内容
本申请的主要目的为提供一种快速得出投保人BMI的BMI预测方法、装置、计算机设备和存储介质。
为了实现上述发明目的,本申请提出一种BMI预测方法,包括:
获取投保人的当前人脸特征;
将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算;其中,所述BMI区间判定模型基于人脸特征,以及与所述人脸特征关联的BMI类别组成的样本数据训练而成;
输出所述投保人的BMI结果。
进一步地,所述获取投保人的当前人脸特征的步骤,包括:
获取所述投保人的当前人脸图片,并提取出所述当前人脸图片中的人脸区域图片;
对所述人脸区域图片进行扩充处理;
对扩充后的所述人脸区域图片进行特征提取,得到所述当前人脸特征。
进一步地,所述BMI区间判定模型的获取方法,包括:
获取指定量的样本数据,并将样本数据分成训练集和测试集;其中,所述样本数据包括人脸特征,以及与所述人脸特征对应的BMI;
将训练集的样本数据输入到神经网络模型中进行训练;其中,训练的过程中采用随机梯度下降法,利用反向传导法则更新所述神经网络模型各层的参数,得到结果训练模型;
利用所述测试集的样本数据验证所述结果训练模型;
如果验证通过,则将所述结果训练模型记为所述BMI区间判定模型。
进一步地,所述将训练集的样本数据输入到神经网络模型中进行训练的步骤之前,包括:
对所述训练集的样本数据进行数据增强。
进一步地,所述将训练集的样本数据输入到神经网络模型中进行训练的步骤,包括:
调用对应所述神经网络模型的已经训练完成的已知神经网络模型的各层权重参数;
将各层的所述权重参数初始化为所述神经网络模型的各层权重参数;
通过初始化后的所述神经网络模型训练得到所述结果训练模型。
进一步地,所述BMI区间判定模型包括男性BMI区间判定模型、女性BMI区间判定模型;所述将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算的步骤,包括:
根据所述当前人脸特征判断所述投保人的性别;
根据判断结果调用对应性别的BMI区间判定模型,并将所述当前人脸特征输入到对应性别的BMI区间判定模型中进行运算。
进一步地,所述BMI区间判定模型包括不同年龄段的BMI区间判定模型;所述将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算的步骤,包括:
根据所述当前人脸特征判断所述投保人的年龄段;
根据判断结果调用对应年龄段的BMI区间判定模型,并将所述当前人脸特征输入到对应年龄段的BMI区间判定模型中进行运算。
本申请还提供一种BMI预测装置,包括:
获取单元,用于获取投保人的当前人脸特征;
输入运算单元,用于将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算;其中,所述BMI区间判定模型基于人脸特征,以及与所述人脸特征关联的BMI类别组成的样本数据训练而成;
输出单元,用于输出所述投保人的BMI结果。
本申请还提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的BMI预测方法、装置、计算机设备和存储介质,通过人脸特征预测投保人的BMI,可以快速地推断出投保人的BMI类别,以防止投保人虚报BMI,又因为通过计算机等进行测算,所以无需专门的BMI测试设备,节约成本。
附图说明
图1为本申请一实施例的BMI预测方法的流程示意图;
图2为本申请一实施例的BMI预测方法的流程示意图;
图3为本申请一实施例的BMI预测装置的结构示意框图;
图4为本申请一实施例的获取单元的结构示意框图;
图5为本申请一实施例的输入运算单元的结构示意框图;
图6为本申请一实施例的训练模块的结构示意框图;
图7为本申请一实施例的训练模块的结构示意框图;
图8为本申请一实施例的BMI预测装置的结构示意框图;
图9为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,本申请实施例提供一种BMI预测方法,包括步骤:
S1、获取投保人的当前人脸特征;
S2、将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算;其中,所述BMI区间判定模型基于人脸特征,以及与所述人脸特征关联的BMI类别组成的样本数据训练而成;
S3、输出所述投保人的BMI结果。
如上述步骤S1所述,上述投保人的当前人脸特征一般是由投保人在投保现场拍摄的人脸图片中提取的,该人脸图片一般为人脸的正面照,然后提取该正面照上的人脸特征,人脸特征包括如人脸的宽度、长度、长度与宽度的比例、五官的比例、眼睛轮廓的凹陷程度、五官轮廓的线条特征等。
如上述步骤S2所述,上述神经网络模型包括多种,如VGG19模型、VGG16模型、VGG-F模型、ResNet50模型、ResNet152模型、DPN131模型、InceptionV3模型、Xception模型、DenseNet模型和AlexNet模型等,本申请使用DPN模型,DPN(Dual Path Network)是一种神经网络结构,是在ResNeXt的基础上引入了DenseNet的核心内容,使得模型对特征的利用更加充分。上述DPN、ResNeXt和DenseNet是现有的网络结构,在此不在赘述。上述BMI区间判定模型是一种通过样本数据训练而得的模型。在一个实施例中,获取已知BMI所属类别的人脸特征,然后将人脸特征及其对应的BMI类别分成训练集和测试集等,然后通过训练集的样本数据对上述DPN模型进行训练得到一个结果训练模型,然后将测试集的样本数据输入到结果训练模型中进行测试,若测试通过,则将上述结果训练模型作为上述的BMI区间判定模型。上述的BMI所属类别是指根据BMI的大小进行分类后得到的类别,具体如下表:
BMI | 类别 |
16~18.5 | 0 |
18.5~25 | 1 |
25~30 | 2 |
30~35 | 3 |
40 | 4 |
>40 | 5 |
也就是说,BMI所属类别越大,其对应的BMI越大。本申请中,将当前人脸特征输入到BMI区间判定模型后,其输出的结果即为对应类别。本申请中,将BMI分为六个类别,标签为0~5。在其它实施例中,还可以设置更多的分类等,可以根据具体的情况具体设定。
如上述步骤S3所述,上述BMI结果即为推算出的投保人的BMI类别,工作人员或者相应的推荐系统可以根据投保人的BMI类别推荐适合投保人的保险产品,或者确定投保人是否可以投保其已经选择的保险产品等。
在一个实施例中,上述获取投保人的当前人脸特征的步骤S1,包括:
S101、获取所述投保人的当前人脸图片,并提取出所述当前人脸图片中的人脸区域图片;
S102、对所述人脸区域图片进行扩充处理;
S103、对扩充后的所述人脸区域图片进行特征提取,得到所述当前人脸特征。
如上述步骤S101所述,将当前人脸图片中的人脸区域图片提取出来,方便提取人脸图片的人脸特征。提取出所述当前人脸图片中的人脸区域图片的方法可以使用诸如dlib,OpenCV等人脸检测算法进行操作,dlib和OpenCV是人脸识别领域的常规手段,在此不在赘述。
如上述步骤S102所述,由于上述提取出的人脸区域图片一般仅包含了人脸的区域,为了获得更多的特征,将检测到的人脸区域图片进行扩充,具体的扩充方法如下:
令x,y,w,h表示人脸检测得到的人脸区域坐标信息,其中x,y表示左上角的坐标,w和h表示检测到的人脸的宽和高。扩充后的人脸信息则为x_n,y_n,w_n,h_n,分别为:
x_n=x-(w/4)
y_n=y-(h/4)
w_n=x_n+3*w/2
h_n=y_n+3*h/2
扩充后的人脸区域图片可以不仅包含了人脸区域,还包含了颈部、头部的区域,特征更为充分。
如上述步骤S103所述,由于扩充后的人脸区域图片上的特征更多,比如脖子的特征等,所以BMI区间判定模型的运算结果会越加的准确。
在一个实施例中,上述BMI区间判定模型的获取方法,包括:
S21、获取指定量的样本数据,并将样本数据分成训练集和测试集;其中,所述样本数据包括人脸特征,以及与所述人脸特征对应的BMI;
S22、将训练集的样本数据输入到神经网络模型中进行训练;其中,训练的过程中采用随机梯度下降法,利用反向传导法则更新所述神经网络模型各层的参数,得到结果训练模型;
S23、利用所述测试集的样本数据验证所述结果训练模型;
S24、如果验证通过,则将所述结果训练模型记为所述BMI区间判定模型。
如上述步骤S21-S24所述,上述指定量是对样本数据的样本量的设定值,可以根据具体的要求进行设定,如指定量为10万个样本数据等。在本实施例中,即为将大量的已知的人脸特征,以及与人脸特征关联的BMI类别作为样本数据,然后对预设的神经网络模型进行训练。在训练之前,将样本数据进行随机分成两组集合,即训练集和测试集,然后通过训练集的样本数据对上述神经网络模型进行训练,得到一个输入人脸特征后,输出对应的BMI类别的结果训练模型。训练完成得到结果训练模型后,通过测试集的样本数据验证所述结果训练模型,以判断结果训练模型是否可用。上述随机梯度下降法就是随机取样一些训练数据,替代整个训练集,如果样本量很大的情况(例如几十万),那么可能只用其中几万条或者几千条的样本,就已经迭代到最优解了,可以提高训练速度。上述反向传导法则(BP)它建立在梯度下降法的基础上,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网络的信息处理能力来源于简单非线性函数的多次复合,因此具有很强的函数复现能力。
在一个实施例中,上述将训练集的样本数据输入到神经网络模型中进行训练的步骤22之前,包括:
S22’、对所述训练集的样本数据进行数据增强。
如上述步骤S22’所述,为了在训练模型的过程避免出现过拟合(Overfitting),通常我们需要输入充足的样本数据量。而样本数据有限,所以需要通过特殊的手段将样本数据量变得更大,具体的可以使用如下手段进行数据增强:旋转反射变换(Rotation/reflection),随机旋转图像一定角度;改变图像内容的朝向;翻转变换(flip),沿着水平或者垂直方向翻转图像;缩放变换(zoom),按照一定的比例放大或者缩小图像;平移变换(shift),在图像平面上对图像以一定方式进行平移;采用随机或人为定义的方式指定平移范围和平移步长,沿水平或竖直方向进行平移;改变图像内容的位置等,即将一张原始的图片通过变向、旋转等手段进行处理,以得到更多的样本数据,进而解决样本数据量低,出现过拟合的问题。
在一个实施例中,上述将训练集的样本数据输入到神经网络模型中进行训练的步骤S22,包括:
S2201、调用对应所述神经网络模型的已经训练完成的已知神经网络模型的各层权重参数;
S2202、将各层的所述权重参数初始化为所述神经网络模型的各层权重参数;
S2203、通过初始化后的所述神经网络模型训练得到所述结果训练模型。
如上述步骤S2201至S2202所述,即为迁移学习的过程,将基于同一神经网络的,且已经训练好的模型的各层权重参数进行调用,初始化为当前待训练的神经网络的初始权重参数。在一具体实施例中,ImageNet是一个计算机视觉系统识别项目名称,是目前世界上图像识别最大的数据库,是美国斯坦福的计算机科学家,模拟人类的识别系统建立的,其中包含120万张图片,DPN107模型是利用ImageNet数据集训练完成的模型,其各层的权重参数已经训练完成。本申请训练BMI区间判定模型的基础同样是DPN107,那么可以将通过ImageNet数据集训练完成DPN107模型的参数初始化到训练BMI区间判定模型的基础DPN107模型中,然后进行BMI区间判定模型的训练,降低训练时间。本申请中将初始学习率设置为0.01。
在另一个实施例中,上述将训练集的样本数据输入到神经网络模型中进行训练的步骤S22,包括:
S2211、冻结所述神经网络模型中指定层的权重参数;
S2212、将所述训练集的样本数据输入到神经网络模型未冻结层中进行训练,得到所述结果训练模型。
如上述步骤S2211和S2212所述,同样为迁移学习的过程,比如神经网络为通过ImageNet数据集训练过的DPN107模型,ImageNet是一个计算机视觉系统识别项目名称,是目前世界上图像识别最大的数据库,是美国斯坦福的计算机科学家,模拟人类的识别系统建立的,其中包含120万张图片,DPN107模型是利用ImageNet数据集训练完成的模型,其各层的权重参数已经训练完成。本申请中,冻结所述DPN107模型中指定层的权重参数是指,按照各层之间的先后顺序,将排序前N的卷基层或/和全连接层作为指定层,其中N为大于1小于DPN107模型总层数的正整数,且N为预设值,比如,N=100时,即为将DPN107模型前100层的权重参数,在训练上述结果训练模型时只需要重新训练后7层的权重即可,训练的更加快速。本申请将初始学习率设置为0.01。
在一个实施例中,上述BMI区间判定模型包括男性BMI区间判定模型、女性BMI区间判定模型;上述将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算的步骤S2,包括:
S201、根据所述当前人脸特征判断所述投保人的性别;
S202、根据判断结果调用对应性别的BMI区间判定模型,并将所述当前人脸特征输入到对应性别的BMI区间判定模型中进行运算。
如上述步骤S201和S202所述,因为男性和女性的人脸特征存在一定的差异,所以设置针对男性和女性的BMI区间判定模型,以提高判断的准确地性。上述男性BMI区间判定模型、女性BMI区间判定模型的训练方法与上述的训练方法相同,区别在于,训练男性BMI区间判定模型时使用的样本数据为男性的人脸特征及其关联的BMI,训练女性BMI区间判定模型时使用的样本数据为女性的人脸特征及其关联的BMI。本实施例中,根据所述当前人脸特征判断所述投保人的性别的方法,可以通过预设的性别识别模型进行判断,该性别识别模型是通过人脸特征数据及其对应的性别训练而得,当输入未知性别的人脸特征后,会得出该人脸特征对应的性别,具体过程为惯用手段,在此不在赘述。
在另一个实施例总,上述BMI区间判定模型包括不同年龄段的BMI区间判定模型;上述将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算的步骤S2,包括:
S211、根据所述当前人脸特征判断所述投保人的年龄段;
S212、根据判断结果调用对应年龄段的BMI区间判定模型,并将所述当前人脸特征输入到对应年龄段的BMI区间判定模型中进行运算。
如上述S211和S212所述,不同年龄段的人的人脸特征不同,通过人脸的皮肤状态、光泽、轮廓等等特征可以判断人的年龄,而不同年龄段的人的人脸特征与BMI的关联性存在一定的区别,比如,儿童的人脸特征与BMI的关联性,与青年人、中年人、老年人不同,本申请中,上述不同年龄段分为7个阶段,即1周岁-6周岁的幼儿BMI区间判定模型、7周岁-14周岁的儿童BMI区间判定模型、13周岁-19周岁的少年BMI区间判定模型、20周岁-39周岁的青年BMI区间判定模型、40周岁-59周岁的中年BMI区间判定模型、以及60周岁以上的老年BMI区间判定模型等。在其它实施例中,还可以根据实际的客户人群,设定对应的BMI区间判定模型,以提高对人体BMI指数的判断准确性。各年龄段的BMI区间判定模型是通过对应年龄段的人脸特征和BMI训练而得。
在一个实施例中,上述BMI区间判定模型包括身高判断模型、体重判断模型和BMI计算模型,上述上述将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算的步骤S2,包括:
S221、将所属当前人脸特征分别输入到身高判断模型和体重判断模型,得到投保人的估算身高和估算体重;
S222、将所述估算身高和估算体重输入到BMI计算模型进行计算,得出投保人的BMI结果。
如上述步骤S221和S222所述,上述身高判断模型是通过已知的人脸特征和对应的身高通过指定的神经网络模型训练而得,同样的,上述体重判断模型是通过已知的人脸特征和对应的体重通过指定的神经网络模型训练而得。上述BMI计算模型即为BMI的计算公式,具体的BMI=体重(kg)÷身高^2(m),然后根据上述BMI所属类别的分类表得到BMI的类别。
参照图2,在一个实施例中,上述输出所述投保人的BMI结果的步骤S3之后,包括:
S4、根据所述BMI结果,将不适于投保人的保险产品在预设的保险产品列表中隐藏或清除。
如上述步骤S4所述,上述保险产品列表是给投保人查看的电子表格,其中记载了保险公司预设的多种保险产品,以及各保险产品对BMI结果的要求,比如,投保人的BMI结果属于类别5时,其不适用购买与高血压、糖尿病等相关的保险产品,那么可以将与高血压、糖尿病等相关的保险产品从上述保险产品列表中隐藏或清除,以防止投保人选择到不可以投保的保险产品等。
参照图2,进一步地,上述根据所述BMI结果,将不适于投保人的保险产品在预设的保险产品列表中隐藏或清除的步骤S4之后,包括:
S5、获取投保人的参数信息,该参数信息至少包括投保人的年龄、性别和工作;
S6、根据所述参数信息对所述投保人进行分类;
S7、根据分类结果,将所述保险产品列表中与分类结果对应的保险产品保留,其余的隐藏或清除。
如上述步骤S5至S7所述,预设一个根据参数信息对投保人进行分类的模型,输入投保人的年龄、性别和工作即会输出一个客户类型,而每一类客户购买保险产品的方向基本相同,将每一类客户购买的保险产品的数量按照从大到小的排列顺序取指定名次之前的保险产品作为针对该类客户的推荐保险产品,当确定好投保人的客户类型后,则只保留保险产品列表中推荐的保险产品,其它的隐藏或清除,进一步地提高投保人购买保险产品的效率。
在一个实施例中,上述获取投保人的当前人脸特征的步骤之前,包括:
S11、向拍摄区域进行超声波扫描,并接收超声波的反射波;
S12、根据反射波判定拍摄区域的物体的轮廓;
S13、若轮廓符合预设的标准,则判定当前拍摄的图片是真人图片,生成获取投保人的当前人脸特征的指令。
如上述S11、S12和S13所述,通过超声波发射装置向拍摄区域发射超声波,然后接收超声波的反射波,根据超声波的反射时间计算各反射点与发射点之间的距离,进而描绘出超声波发射区域中各物体的形状轮廓,比如,超声波的发射区域有一个篮球,那么超声波会被篮球反射,因为篮球是圆形的,所以篮球接收到超声波的时间因为距离的不同而不同,超声波接收装置接收到的反射波的时间也各不相同,进而描绘出篮球的轮廓。本实施例中,如果当前拍摄的图片是一个海报等照片时,那么海报等照片必须较为平整的展开,此时其轮廓是一个平面,而如果是真人,其轮廓是一个3d轮廓。即,对拍摄物进上述当前人脸图片是一个真人照片,以防止他人利用照片欺骗系统而获取到一个较低的BMI类别,投保保险公司禁止投保的保险产品。
本申请的本申请的BMI预测方法,通过人脸特征预测投保人的BMI,可以快速地推断出投保人的BMI类别,以防止投保人虚报BMI,又因为通过计算机等进行测算,所以无需专门的BMI测试设备,节约成本。
参照图3,本申请实施例提供一种BMI预测装置,包括步骤:
获取单元10,用于获取投保人的当前人脸特征;
输入运算单元20,用于将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算;其中,所述BMI区间判定模型基于人脸特征,以及与所述人脸特征关联的BMI类别组成的样本数据训练而成;
输出单元30,用于输出所述投保人的BMI结果。
在上述获取单元10中,上述投保人的当前人脸特征一般是由投保人在投保现场拍摄的人脸图片中提取的,该人脸图片一般为人脸的正面照,然后提取该正面照上的人脸特征,人脸特征包括如人脸的宽度、长度、长度与宽度的比例、五官的比例、眼睛轮廓的凹陷程度、五官轮廓的线条特征等。
在上述输入运算单元20中,上述神经网络模型包括多种,如VGG19模型、VGG16模型、VGG-F模型、ResNet50模型、ResNet152模型、DPN131模型、InceptionV3模型、Xception模型、DenseNet模型和AlexNet模型等,本申请使用DPN模型,DPN(Dual Path Network)是一种神经网络结构,是在ResNeXt的基础上引入了DenseNet的核心内容,使得模型对特征的利用更加充分。上述DPN、ResNeXt和DenseNet是现有的网络结构,在此不在赘述。上述BMI区间判定模型是一种通过样本数据训练而得的模型。在一个实施例中,获取已知BMI所属类别的人脸特征,然后将人脸特征及其对应的BMI类别分成训练集和测试集等,然后通过训练集的样本数据对上述DPN模型进行训练得到一个结果训练模型,然后将测试集的样本数据输入到结果训练模型中进行测试,若测试通过,则将上述结果训练模型作为上述的BMI区间判定模型。上述的BMI所属类别是指根据BMI的大小进行分类后得到的类别,具体如下表:
BMI | 类别 |
16~18.5 | 0 |
18.5~25 | 1 |
25~30 | 2 |
30~35 | 3 |
40 | 4 |
>40 | 5 |
也就是说,BMI所属类别越大,其对应的BMI越大。本申请中,将当前人脸特征输入到BMI区间判定模型后,其输出的结果即为对应类别。本申请中,将BMI分为六个类别,标签为0~5。在其它实施例中,还可以设置更多的分类等,可以根据具体的情况具体设定。
在上述输出单元30中,上述BMI结果即为推算出的投保人的BMI类别,工作人员或者相应的推荐系统可以根据投保人的BMI类别推荐适合投保人的保险产品,或者确定投保人是否可以投保其已经选择的保险产品等。
参照图4,在一个实施例中,上述获取单元10,包括:
获取模块101,用于获取所述投保人的当前人脸图片,并提取出所述当前人脸图片中的人脸区域图片;
扩充模块102,用于对所述人脸区域图片进行扩充处理;
提取模块103,用于对扩充后的所述人脸区域图片进行特征提取,得到所述当前人脸特征。
在上述获取模块101中,将当前人脸图片中的人脸区域图片提取出来,方便提取人脸图片的人脸特征。提取出所述当前人脸图片中的人脸区域图片的方法可以使用诸如dlib,OpenCV等人脸检测算法进行操作,dlib和OpenCV是人脸识别领域的常规手段,在此不在赘述。
在上述扩充模块102中,由于上述提取出的人脸区域图片一般仅包含了人脸的区域,为了获得更多的特征,将检测到的人脸区域图片进行扩充,具体的扩充方法如下:
令x,y,w,h表示人脸检测得到的人脸区域坐标信息,其中x,y表示左上角的坐标,w和h表示检测到的人脸的宽和高。扩充后的人脸信息则为x_n,y_n,w_n,h_n,分别为:
x_n=x-(w/4)
y_n=y-(h/4)
w_n=x_n+3*w/2
h_n=y_n+3*h/2
扩充后的人脸区域图片可以不仅包含了人脸区域,还包含了颈部、头部的区域,特征更为充分。
在上述提取模块103中,由于扩充后的人脸区域图片上的特征更多,比如脖子的特征等,所以BMI区间判定模型的运算结果会越加的准确。
参照图5,在一个实施例中,上述输入运算单元20,包括:
获取分类模块21,用于获取指定量的样本数据,并将样本数据分成训练集和测试集;其中,所述样本数据包括人脸特征,以及与所述人脸特征对应的BMI;
训练模块22,用于将训练集的样本数据输入到神经网络模型中进行训练;其中,训练的过程中采用随机梯度下降法,利用反向传导法则更新所述神经网络模型各层的参数,得到结果训练模型;
测试模块23、,用于利用所述测试集的样本数据验证所述结果训练模型;
标记模块24、用于如果结果训练模型验证通过,则将所述结果训练模型记为所述BMI区间判定模型。
在上述获取分类模块21、训练模块22、测试模块23和标记模块24中,上述指定量是对样本数据的样本量的设定值,可以根据具体的要求进行设定,如指定量为10万个样本数据等。在本实施例中,即为将大量的已知的人脸特征,以及与人脸特征关联的BMI类别作为样本数据,然后对预设的神经网络模型进行训练。在训练之前,将样本数据进行随机分成两组集合,即训练集和测试集,然后通过训练集的样本数据对上述神经网络模型进行训练,得到一个输入人脸特征后,输出对应的BMI类别的结果训练模型。训练完成得到结果训练模型后,通过测试集的样本数据验证所述结果训练模型,以判断结果训练模型是否可用。上述随机梯度下降法就是随机取样一些训练数据,替代整个训练集,如果样本量很大的情况(例如几十万),那么可能只用其中几万条或者几千条的样本,就已经迭代到最优解了,可以提高训练速度。上述反向传导法则(BP)它建立在梯度下降法的基础上,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网络的信息处理能力来源于简单非线性函数的多次复合,因此具有很强的函数复现能力。
在一个实施例中,上述输入运算单元20,还包括:
数据增强模块、对所述训练集的样本数据进行数据增强。
在上述数据增强模块中,为了在训练模型的过程避免出现过拟合(Overfitting),通常我们需要输入充足的样本数据量。而样本数据有限,所以需要通过特殊的手段将样本数据量变得更大,具体的可以使用如下手段进行数据增强:旋转反射变换(Rotation/reflection),随机旋转图像一定角度;改变图像内容的朝向;翻转变换(flip),沿着水平或者垂直方向翻转图像;缩放变换(zoom),按照一定的比例放大或者缩小图像;平移变换(shift),在图像平面上对图像以一定方式进行平移;采用随机或人为定义的方式指定平移范围和平移步长,沿水平或竖直方向进行平移;改变图像内容的位置等,即将一张原始的图片通过变向、旋转等手段进行处理,以得到更多的样本数据,进而解决样本数据量低,出现过拟合的问题。
参照图6,在一个实施例中,上述训练模块22,包括:
调用子模块2201,用于调用对应所述神经网络模型的已经训练完成的已知神经网络模型的各层权重参数;
初始化子模块2202,用于将各层的所述权重参数初始化为所述神经网络模型的各层权重参数;
第一训练子模块2203,用于通过初始化后的所述神经网络模型训练得到所述结果训练模型。
上述调用子模块2201、初始化子模块2202和第一训练子模块2203,即为用于迁移学习,并完成训练的子模块装置。将基于同一神经网络的,且已经训练好的模型的各层权重参数进行调用,初始化为当前待训练的神经网络的初始权重参数。在一具体实施例中,ImageNet是一个计算机视觉系统识别项目名称,是目前世界上图像识别最大的数据库,是美国斯坦福的计算机科学家,模拟人类的识别系统建立的,其中包含120万张图片,DPN107模型是利用ImageNet数据集训练完成的模型,其各层的权重参数已经训练完成。本申请训练BMI区间判定模型的基础同样是DPN107,那么可以将通过ImageNet数据集训练完成DPN107模型的参数初始化到训练BMI区间判定模型的基础DPN107模型中,然后进行BMI区间判定模型的训练,降低训练时间。本申请中将初始学习率设置为0.01。
参照图7,在另一个实施例中,上述训练模块22,包括:
冻结子模块2211,用于冻结所述神经网络模型中指定层的权重参数;
第二训练子模块2212,用于将所述训练集的样本数据输入到神经网络模型未冻结层中进行训练,得到所述结果训练模型。
上述冻结子模块2211和第二训练子模块2212,同样为迁移学习和训练模型的子模块装置,比如神经网络为通过ImageNet数据集训练过的DPN107模型,ImageNet是一个计算机视觉系统识别项目名称,是目前世界上图像识别最大的数据库,是美国斯坦福的计算机科学家,模拟人类的识别系统建立的,其中包含120万张图片,DPN107模型是利用ImageNet数据集训练完成的模型,其各层的权重参数已经训练完成。本申请中,冻结所述DPN107模型中指定层的权重参数是指,按照各层之间的先后顺序,将排序前N的卷基层或/和全连接层作为指定层,其中N为大于1小于DPN107模型总层数的正整数,且N为预设值,比如,N=100时,即为将DPN107模型前100层的权重参数,在训练上述结果训练模型时只需要重新训练后7层的权重即可,训练的更加快速。本申请将初始学习率设置为0.01。
在一个实施例中,上述BMI区间判定模型包括男性BMI区间判定模型、女性BMI区间判定模型;上述输入运算单元20,包括:
性别识别模块,用于根据所述当前人脸特征判断所述投保人的性别;
第一调用模块,用于根据判断结果调用对应性别的BMI区间判定模型,并将所述当前人脸特征输入到对应性别的BMI区间判定模型中进行运算。
在上述性别识别模块和第一调用模块中,因为男性和女性的人脸特征存在一定的差异,所以设置针对男性和女性的BMI区间判定模型,以提高判断的准确地性。上述男性BMI区间判定模型、女性BMI区间判定模型的训练方法与上述的训练方法相同,区别在于,训练男性BMI区间判定模型时使用的样本数据为男性的人脸特征及其关联的BMI,训练女性BMI区间判定模型时使用的样本数据为女性的人脸特征及其关联的BMI。本实施例中,根据所述当前人脸特征判断所述投保人的性别的方法,可以通过预设的性别识别模型进行判断,该性别识别模型是通过人脸特征数据及其对应的性别训练而得,当输入未知性别的人脸特征后,会得出该人脸特征对应的性别,具体过程为惯用手段,在此不在赘述。
在另一个实施例总,上述BMI区间判定模型包括不同年龄段的BMI区间判定模型;上述输入运算单元20,包括:
年龄识别模块,用于根据所述当前人脸特征判断所述投保人的年龄段;
第二调用模块,用于根据判断结果调用对应年龄段的BMI区间判定模型,并将所述当前人脸特征输入到对应年龄段的BMI区间判定模型中进行运算。
在上述年龄识别模块和第二调用模块中,不同年龄段的人的人脸特征不同,通过人脸的皮肤状态、光泽、轮廓等等特征可以判断人的年龄,而不同年龄段的人的人脸特征与BMI的关联性存在一定的区别,比如,儿童的人脸特征与BMI的关联性,与青年人、中年人、老年人不同,本申请中,上述不同年龄段分为7个阶段,即1周岁-6周岁的幼儿BMI区间判定模型、7周岁-14周岁的儿童BMI区间判定模型、13周岁-19周岁的少年BMI区间判定模型、20周岁-39周岁的青年BMI区间判定模型、40周岁-59周岁的中年BMI区间判定模型、以及60周岁以上的老年BMI区间判定模型等。在其它实施例中,还可以根据实际的客户人群,设定对应的BMI区间判定模型,以提高对人体BMI指数的判断准确性。各年龄段的BMI区间判定模型是通过对应年龄段的人脸特征和BMI训练而得。
在一个实施例中,上述BMI区间判定模型包括身高判断模型、体重判断模型和BMI计算模型,上述输入运算单元20,包括:
输入模块,用于将所属当前人脸特征分别输入到身高判断模型和体重判断模型,得到投保人的估算身高和估算体重;
计算模块,用于将所述估算身高和估算体重输入到BMI计算模型进行计算,得出投保人的BMI结果。
在上述输入模块和计算模块中,上述身高判断模型是通过已知的人脸特征和对应的身高通过指定的神经网络模型训练而得,同样的,上述体重判断模型是通过已知的人脸特征和对应的体重通过指定的神经网络模型训练而得。上述BMI计算模型即为BMI的计算公式,具体的BMI=体重(kg)÷身高^2(m),然后根据上述BMI所属类别的分类表得到BMI的类别。
参照图8,在一个实施例中,上述BMI预测装置还包括:
第一屏蔽单元40,用于根据所述BMI结果,将不适于投保人的保险产品在预设的保险产品列表中隐藏或清除。
在上述第一屏蔽单元40中,上述保险产品列表是给投保人查看的电子表格,其中记载了保险公司预设的多种保险产品,以及各保险产品对BMI结果的要求,比如,投保人的BMI结果属于类别5时,其不适用购买与高血压、糖尿病等相关的保险产品,那么可以将与高血压、糖尿病等相关的保险产品从上述保险产品列表中隐藏或清除,以防止投保人选择到不可以投保的保险产品等。
进一步地,上述BMI预测装置还包括:
获取参数单元50,用于获取投保人的参数信息,该参数信息至少包括投保人的年龄、性别和工作;
分类单元60,用于根据所述参数信息对所述投保人进行分类;
第二屏蔽单元70,用于根据分类结果,将所述保险产品列表中与分类结果对应的保险产品保留,其余的隐藏或清除。
在上述获取参数单元50、分类单元60和第二屏蔽单元70中,预设一个根据参数信息对投保人进行分类的模型,输入投保人的年龄、性别和工作即会输出一个客户类型,而每一类客户购买保险产品的方向基本相同,将每一类客户购买的保险产品的数量按照从大到小的排列顺序取指定名次之前的保险产品作为针对该类客户的推荐保险产品,当确定好投保人的客户类型后,则只保留保险产品列表中推荐的保险产品,其它的隐藏或清除,进一步地提高投保人购买保险产品的效率。
在一个实施例中,上述BMI预测装置还包括:
扫描单元11,用于向拍摄区域进行超声波扫描,并接收超声波的反射波;
判定单元12,用于根据反射波判定拍摄区域的物体的轮廓;
生成指令单元13,用于若轮廓符合预设的标准,则判定当前拍摄的图片是真人图片,生成获取投保人的当前人脸特征的指令。
在上述扫描单元11、判定单元12和生成指令单元13中,通过超声波发射装置向拍摄区域发射超声波,然后接收超声波的反射波,根据超声波的反射时间计算各反射点与发射点之间的距离,进而描绘出超声波发射区域中各物体的形状轮廓,比如,超声波的发射区域有一个篮球,那么超声波会被篮球反射,因为篮球是圆形的,所以篮球接收到超声波的时间因为距离的不同而不同,超声波接收装置接收到的反射波的时间也各不相同,进而描绘出篮球的轮廓。本实施例中,如果当前拍摄的图片是一个海报等照片时,那么海报等照片必须较为平整的展开,此时其轮廓是一个平面,而如果是真人,其轮廓是一个3d轮廓。即,对拍摄物进上述当前人脸图片是一个真人照片,以防止他人利用照片欺骗系统而获取到一个较低的BMI类别,投保保险公司禁止投保的保险产品。
本申请的本申请的BMI预测装置,通过人脸特征预测投保人的BMI,可以快速地推断出投保人的BMI类别,以防止投保人虚报BMI,又因为通过计算机中的虚拟装置等进行测算,所以无需专门的BMI测试设备,节约成本。
参照图9,本发明实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储BMI区间判定模型等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种BMI预测方法。
上述处理器执行上述BMI预测方法,包括:获取投保人的当前人脸特征;将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算;其中,所述BMI区间判定模型基于人脸特征,以及与所述人脸特征关联的BMI类别组成的样本数据训练而成;输出所述投保人的BMI结果。
在一个实施例中,上述获取投保人的当前人脸特征的步骤,包括:获取所述投保人的当前人脸图片,并提取出所述当前人脸图片中的人脸区域图片;对所述人脸区域图片进行扩充处理;对扩充后的所述人脸区域图片进行特征提取,得到所述当前人脸特征。
在一个实施例中,上述BMI区间判定模型的获取方法,包括:获取指定量的样本数据,并将样本数据分成训练集和测试集;其中,所述样本数据包括人脸特征,以及与所述人脸特征对应的BMI;将训练集的样本数据输入到神经网络模型中进行训练;其中,训练的过程中采用随机梯度下降法,利用反向传导法则更新所述神经网络模型各层的参数,得到结果训练模型;利用所述测试集的样本数据验证所述结果训练模型;如果验证通过,则将所述结果训练模型记为所述BMI区间判定模型。
在一个实施例中,上述将训练集的样本数据输入到神经网络模型中进行训练的步骤之前,包括:对所述训练集的样本数据进行数据增强。
在一个实施例中,上述将训练集的样本数据输入到神经网络模型中进行训练的步骤,包括:调用对应所述神经网络模型的已经训练完成的已知神经网络模型的各层权重参数;将各层的所述权重参数初始化为所述神经网络模型的各层权重参数;通过初始化后的所述神经网络模型训练得到所述结果训练模型。
在一个实施例中,上述BMI区间判定模型包括男性BMI区间判定模型、女性BMI区间判定模型;所述将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算的步骤,包括:根据所述当前人脸特征判断所述投保人的性别;根据判断结果调用对应性别的BMI区间判定模型,并将所述当前人脸特征输入到对应性别的BMI区间判定模型中进行运算。
在一个实施例中,上述BMI区间判定模型包括不同年龄段的BMI区间判定模型;所述将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算的步骤,包括:根据所述当前人脸特征判断所述投保人的年龄段;根据判断结果调用对应年龄段的BMI区间判定模型,并将所述当前人脸特征输入到对应年龄段的BMI区间判定模型中进行运算。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本发明实施例的BMI预测方法,通过人脸特征预测投保人的BMI,可以快速地推断出投保人的BMI类别,以防止投保人虚报BMI,又因为通过计算机中的进行测算,所以无需专门的BMI测试设备,节约成本。
本发明一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现BMI预测方法,包括:获取投保人的当前人脸特征;将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算;其中,所述BMI区间判定模型基于人脸特征,以及与所述人脸特征关联的BMI类别组成的样本数据训练而成;输出所述投保人的BMI结果。
上述执行的BMI预测方法,通过人脸特征预测投保人的BMI,可以快速地推断出投保人的BMI类别,以防止投保人虚报BMI,又因为通过计算机中的进行测算,所以无需专门的BMI测试设备,节约成本。
在一个实施例中,上述处理器获取投保人的当前人脸特征的步骤,包括:获取所述投保人的当前人脸图片,并提取出所述当前人脸图片中的人脸区域图片;对所述人脸区域图片进行扩充处理;对扩充后的所述人脸区域图片进行特征提取,得到所述当前人脸特征。
在一个实施例中,上述处理器执行BMI区间判定模型的获取过程,包括:获取指定量的样本数据,并将样本数据分成训练集和测试集;其中,所述样本数据包括人脸特征,以及与所述人脸特征对应的BMI;将训练集的样本数据输入到神经网络模型中进行训练;其中,训练的过程中采用随机梯度下降法,利用反向传导法则更新所述神经网络模型各层的参数,得到结果训练模型;利用所述测试集的样本数据验证所述结果训练模型;如果验证通过,则将所述结果训练模型记为所述BMI区间判定模型。
在一个实施例中,上述处理器将训练集的样本数据输入到神经网络模型中进行训练的步骤之前,包括:对所述训练集的样本数据进行数据增强。
在一个实施例中,上述将训练集的样本数据输入到神经网络模型中进行训练的步骤,包括:调用对应所述神经网络模型的已经训练完成的已知神经网络模型的各层权重参数;将各层的所述权重参数初始化为所述神经网络模型的各层权重参数;通过初始化后的所述神经网络模型训练得到所述结果训练模型。
在一个实施例中,上述BMI区间判定模型包括男性BMI区间判定模型、女性BMI区间判定模型,上述处理器将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算的步骤,包括:根据所述当前人脸特征判断所述投保人的性别;根据判断结果调用对应性别的BMI区间判定模型,并将所述当前人脸特征输入到对应性别的BMI区间判定模型中进行运算。
在一个实施例中,上述BMI区间判定模型包括不同年龄段的BMI区间判定模型,上述处理器将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算的步骤,包括:根据所述当前人脸特征判断所述投保人的年龄段;根据判断结果调用对应年龄段的BMI区间判定模型,并将所述当前人脸特征输入到对应年龄段的BMI区间判定模型中进行运算。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种BMI预测方法,其特征在于,包括:
获取投保人的当前人脸特征;
将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算;其中,所述BMI区间判定模型基于人脸特征,以及与所述人脸特征关联的BMI类别组成的样本数据训练而成;
输出所述投保人的BMI结果。
2.根据权利要求1所述的BMI预测方法,其特征在于,所述获取投保人的当前人脸特征的步骤,包括:
获取所述投保人的当前人脸图片,并提取出所述当前人脸图片中的人脸区域图片;
对所述人脸区域图片进行扩充处理;
对扩充后的所述人脸区域图片进行特征提取,得到所述当前人脸特征。
3.根据权利要求1所述的BMI预测方法,其特征在于,所述BMI区间判定模型的获取方法,包括:
获取指定量的样本数据,并将样本数据分成训练集和测试集;其中,所述样本数据包括人脸特征,以及与所述人脸特征对应的BMI;
将训练集的样本数据输入到神经网络模型中进行训练;其中,训练的过程中采用随机梯度下降法,利用反向传导法则更新所述神经网络模型各层的参数,得到结果训练模型;
利用所述测试集的样本数据验证所述结果训练模型;
如果验证通过,则将所述结果训练模型记为所述BMI区间判定模型。
4.根据权利要求3所述的BMI预测方法,其特征在于,所述将训练集的样本数据输入到神经网络模型中进行训练的步骤之前,包括:
对所述训练集的样本数据进行数据增强。
5.根据权利要求3所述的BMI预测方法,其特征在于,所述将训练集的样本数据输入到神经网络模型中进行训练的步骤,包括:
调用对应所述神经网络模型的已经训练完成的已知神经网络模型的各层权重参数;
将各层的所述权重参数初始化为所述神经网络模型的各层权重参数;
通过初始化后的所述神经网络模型训练得到所述结果训练模型。
6.根据权利要求1所述的BMI预测方法,其特征在于,所述BMI区间判定模型包括男性BMI区间判定模型、女性BMI区间判定模型;所述将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算的步骤,包括:
根据所述当前人脸特征判断所述投保人的性别;
根据判断结果调用对应性别的BMI区间判定模型,并将所述当前人脸特征输入到对应性别的BMI区间判定模型中进行运算。
7.根据权利要求1所述的BMI预测方法,其特征在于,所述BMI区间判定模型包括不同年龄段的BMI区间判定模型;所述将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算的步骤,包括:
根据所述当前人脸特征判断所述投保人的年龄段;
根据判断结果调用对应年龄段的BMI区间判定模型,并将所述当前人脸特征输入到对应年龄段的BMI区间判定模型中进行运算。
8.一种BMI预测装置,其特征在于,包括:
获取单元,用于获取投保人的当前人脸特征;
输入运算单元,用于将所述当前人脸特征输入到预设的基于神经网络模型训练完成的BMI区间判定模型中进行运算;其中,所述BMI区间判定模型基于人脸特征,以及与所述人脸特征关联的BMI类别组成的样本数据训练而成;
输出单元,用于输出所述投保人的BMI结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810515457.4A CN108875590A (zh) | 2018-05-25 | 2018-05-25 | Bmi预测方法、装置、计算机设备和存储介质 |
PCT/CN2018/095386 WO2019223080A1 (zh) | 2018-05-25 | 2018-07-12 | Bmi预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810515457.4A CN108875590A (zh) | 2018-05-25 | 2018-05-25 | Bmi预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108875590A true CN108875590A (zh) | 2018-11-23 |
Family
ID=64333794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810515457.4A Pending CN108875590A (zh) | 2018-05-25 | 2018-05-25 | Bmi预测方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108875590A (zh) |
WO (1) | WO2019223080A1 (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086447A (zh) * | 2018-08-20 | 2018-12-25 | 珠海格力电器股份有限公司 | 热泵设备的能耗检测方法、装置、计算机设备和存储介质 |
CN109726824A (zh) * | 2018-12-05 | 2019-05-07 | 中科恒运股份有限公司 | 训练模型的迁移学习方法及终端设备 |
CN109754068A (zh) * | 2018-12-04 | 2019-05-14 | 中科恒运股份有限公司 | 基于深度学习预训练模型的迁移学习方法及终端设备 |
CN109829567A (zh) * | 2019-01-02 | 2019-05-31 | 平安科技(深圳)有限公司 | 基于机器学习的学位调控方法、装置和计算机设备 |
CN110119988A (zh) * | 2019-04-19 | 2019-08-13 | 深圳壹账通智能科技有限公司 | 基于决策树模型的产品交易方法、装置和计算机设备 |
CN110443620A (zh) * | 2019-08-06 | 2019-11-12 | 中国工商银行股份有限公司 | 刷脸支付方法和装置 |
CN110472509A (zh) * | 2019-07-15 | 2019-11-19 | 中国平安人寿保险股份有限公司 | 基于人脸图像的胖瘦识别方法及装置、电子设备 |
CN111012353A (zh) * | 2019-12-06 | 2020-04-17 | 西南交通大学 | 一种基于人脸关键点识别的身高检测方法 |
WO2020103417A1 (zh) * | 2018-11-20 | 2020-05-28 | 平安科技(深圳)有限公司 | 一种bmi评测方法、装置及计算机可读存储介质 |
CN111242193A (zh) * | 2020-01-06 | 2020-06-05 | 深圳壹账通智能科技有限公司 | 基于迁移学习的电子商务欺诈检测方法、装置及存储介质 |
CN111292146A (zh) * | 2018-12-07 | 2020-06-16 | 泰康保险集团股份有限公司 | 保险推荐方法及装置、计算机存储介质、电子设备 |
CN111523501A (zh) * | 2020-04-27 | 2020-08-11 | 阳光保险集团股份有限公司 | 体重指数预测方法及装置 |
CN111513673A (zh) * | 2019-02-01 | 2020-08-11 | 百度在线网络技术(北京)有限公司 | 基于图像的生长状态监测方法、装置、设备及存储介质 |
CN113436735A (zh) * | 2020-03-23 | 2021-09-24 | 北京好啦科技有限公司 | 基于人脸结构度量的体重指数预测方法、设备和存储介质 |
CN113425254A (zh) * | 2021-05-10 | 2021-09-24 | 复旦大学 | 基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法 |
CN113591704A (zh) * | 2021-07-30 | 2021-11-02 | 四川大学 | 体重指数估计模型训练方法、装置和终端设备 |
CN114496263A (zh) * | 2022-04-13 | 2022-05-13 | 杭州研极微电子有限公司 | 用于体重估计的神经网络模型建立方法及可读存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461898A (zh) * | 2020-02-28 | 2020-07-28 | 上海商汤智能科技有限公司 | 一种获取核保结果的方法及相关装置 |
CN111401534B (zh) * | 2020-04-29 | 2023-12-05 | 北京晶泰科技有限公司 | 一种蛋白质性能预测方法、装置和计算设备 |
CN113592024B (zh) * | 2021-08-12 | 2024-05-28 | 燕山大学 | 冷轧铜带表面缺陷识别模型训练方法及识别方法、系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104699931A (zh) * | 2013-12-09 | 2015-06-10 | 广州华久信息科技有限公司 | 一种基于人脸的神经网络血压预测方法及手机 |
CN106339576A (zh) * | 2016-07-20 | 2017-01-18 | 美的集团股份有限公司 | 一种健康管理方法和系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143079B (zh) * | 2013-05-10 | 2016-08-17 | 腾讯科技(深圳)有限公司 | 人脸属性识别的方法和系统 |
CN107590460B (zh) * | 2017-09-12 | 2019-05-03 | 北京达佳互联信息技术有限公司 | 人脸分类方法、装置及智能终端 |
CN107784482A (zh) * | 2017-09-30 | 2018-03-09 | 平安科技(深圳)有限公司 | 招聘方法、电子装置及可读存储介质 |
-
2018
- 2018-05-25 CN CN201810515457.4A patent/CN108875590A/zh active Pending
- 2018-07-12 WO PCT/CN2018/095386 patent/WO2019223080A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104699931A (zh) * | 2013-12-09 | 2015-06-10 | 广州华久信息科技有限公司 | 一种基于人脸的神经网络血压预测方法及手机 |
CN106339576A (zh) * | 2016-07-20 | 2017-01-18 | 美的集团股份有限公司 | 一种健康管理方法和系统 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086447A (zh) * | 2018-08-20 | 2018-12-25 | 珠海格力电器股份有限公司 | 热泵设备的能耗检测方法、装置、计算机设备和存储介质 |
CN109086447B (zh) * | 2018-08-20 | 2020-11-20 | 珠海格力电器股份有限公司 | 热泵设备的能耗检测方法、装置、计算机设备和存储介质 |
WO2020103417A1 (zh) * | 2018-11-20 | 2020-05-28 | 平安科技(深圳)有限公司 | 一种bmi评测方法、装置及计算机可读存储介质 |
CN109754068A (zh) * | 2018-12-04 | 2019-05-14 | 中科恒运股份有限公司 | 基于深度学习预训练模型的迁移学习方法及终端设备 |
CN109726824A (zh) * | 2018-12-05 | 2019-05-07 | 中科恒运股份有限公司 | 训练模型的迁移学习方法及终端设备 |
CN111292146A (zh) * | 2018-12-07 | 2020-06-16 | 泰康保险集团股份有限公司 | 保险推荐方法及装置、计算机存储介质、电子设备 |
CN109829567A (zh) * | 2019-01-02 | 2019-05-31 | 平安科技(深圳)有限公司 | 基于机器学习的学位调控方法、装置和计算机设备 |
CN111513673A (zh) * | 2019-02-01 | 2020-08-11 | 百度在线网络技术(北京)有限公司 | 基于图像的生长状态监测方法、装置、设备及存储介质 |
CN111513673B (zh) * | 2019-02-01 | 2023-10-31 | 百度在线网络技术(北京)有限公司 | 基于图像的生长状态监测方法、装置、设备及存储介质 |
CN110119988A (zh) * | 2019-04-19 | 2019-08-13 | 深圳壹账通智能科技有限公司 | 基于决策树模型的产品交易方法、装置和计算机设备 |
CN110472509A (zh) * | 2019-07-15 | 2019-11-19 | 中国平安人寿保险股份有限公司 | 基于人脸图像的胖瘦识别方法及装置、电子设备 |
CN110472509B (zh) * | 2019-07-15 | 2024-04-26 | 中国平安人寿保险股份有限公司 | 基于人脸图像的胖瘦识别方法及装置、电子设备 |
CN110443620A (zh) * | 2019-08-06 | 2019-11-12 | 中国工商银行股份有限公司 | 刷脸支付方法和装置 |
CN111012353A (zh) * | 2019-12-06 | 2020-04-17 | 西南交通大学 | 一种基于人脸关键点识别的身高检测方法 |
CN111242193A (zh) * | 2020-01-06 | 2020-06-05 | 深圳壹账通智能科技有限公司 | 基于迁移学习的电子商务欺诈检测方法、装置及存储介质 |
CN113436735A (zh) * | 2020-03-23 | 2021-09-24 | 北京好啦科技有限公司 | 基于人脸结构度量的体重指数预测方法、设备和存储介质 |
CN111523501A (zh) * | 2020-04-27 | 2020-08-11 | 阳光保险集团股份有限公司 | 体重指数预测方法及装置 |
CN111523501B (zh) * | 2020-04-27 | 2023-09-15 | 阳光保险集团股份有限公司 | 体重指数预测方法及装置 |
CN113425254A (zh) * | 2021-05-10 | 2021-09-24 | 复旦大学 | 基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法 |
CN113425254B (zh) * | 2021-05-10 | 2022-10-18 | 复旦大学 | 基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法 |
CN113591704A (zh) * | 2021-07-30 | 2021-11-02 | 四川大学 | 体重指数估计模型训练方法、装置和终端设备 |
CN113591704B (zh) * | 2021-07-30 | 2023-08-08 | 四川大学 | 体重指数估计模型训练方法、装置和终端设备 |
CN114496263A (zh) * | 2022-04-13 | 2022-05-13 | 杭州研极微电子有限公司 | 用于体重估计的神经网络模型建立方法及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2019223080A1 (zh) | 2019-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875590A (zh) | Bmi预测方法、装置、计算机设备和存储介质 | |
Yan et al. | Modeling annotator expertise: Learning when everybody knows a bit of something | |
CN111095293A (zh) | 图像美学处理方法及电子设备 | |
Zhang et al. | Intelligent scanning: Automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination | |
CN106326857A (zh) | 基于人脸图像的性别识别方法及装置 | |
CN109242844A (zh) | 基于深度学习的胰腺癌肿瘤自动识别系统、计算机设备、存储介质 | |
CN106469298A (zh) | 基于人脸图像的年龄识别方法及装置 | |
CN109791804B (zh) | 对cad系统个性化以提供cad系统推荐的置信水平指示的方法和部件 | |
CN108198172B (zh) | 图像显著性检测方法和装置 | |
JP2019526869A5 (zh) | ||
CN109241967A (zh) | 基于深度神经网络的甲状腺超声图像自动识别系统、计算机设备、存储介质 | |
TW201224826A (en) | Systems and methods for automated extraction of measurement information in medical videos | |
CN110175998A (zh) | 基于多尺度深度学习的乳腺癌图像识别方法、装置及介质 | |
JP2002063278A (ja) | 健康度評価システム及びその記録媒体並びに健康度評価方法 | |
CN109448854A (zh) | 一种肺结核检测模型的构建方法及应用 | |
US20160042510A1 (en) | Evaluating Electromagnetic Imagery By Comparing To Other Individuals' Imagery | |
CN109493976A (zh) | 基于卷积神经网络模型的慢性病复发预测方法和装置 | |
CN109978004A (zh) | 图像识别方法及相关设备 | |
CN110796659A (zh) | 一种目标检测结果的鉴别方法、装置、设备及存储介质 | |
CN110956157A (zh) | 基于候选框选择的深度学习遥感影像目标检测方法及装置 | |
CN110516688A (zh) | 肺结节属性特征信息的提取方法及系统 | |
Hu et al. | Research on Early Warning Model of Cardiovascular Disease Based on Computer Deep Learning | |
CN110378353A (zh) | 一种舌象特征提取方法、系统和计算机可读存储介质 | |
CN117010971B (zh) | 一种基于人像识别的智能健康险提供方法及系统 | |
Zhang et al. | A new optimization method for accurate anterior cruciate ligament tear diagnosis using convolutional neural network and modified golden search algorithm |
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: 20181123 |