CN111192244B - 一种基于关键点确定舌部特征的方法及系统 - Google Patents
一种基于关键点确定舌部特征的方法及系统 Download PDFInfo
- Publication number
- CN111192244B CN111192244B CN201911356469.8A CN201911356469A CN111192244B CN 111192244 B CN111192244 B CN 111192244B CN 201911356469 A CN201911356469 A CN 201911356469A CN 111192244 B CN111192244 B CN 111192244B
- Authority
- CN
- China
- Prior art keywords
- tongue
- key
- facial
- face
- key point
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000001815 facial effect Effects 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 14
- 239000011248 coating agent Substances 0.000 claims description 22
- 238000000576 coating method Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 19
- 238000003745 diagnosis Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 239000007787 solid Substances 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 239000003814 drug Substances 0.000 description 5
- 210000001835 viscera Anatomy 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000004709 eyebrow Anatomy 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035943 smell Effects 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于关键点确定舌部特征的方法及系统,属于图像处理技术领域。本发明方法,包括:采集多个目标的面部包含舌部图像,对多个面部包含舌部图像以预设点位的关键点进行标注,生成多个面部和舌部关键点样本图像;对多个面部和舌部关键点样本图像,进行训练,获取舌部关键点模型;采集待测目标的面部包含舌部图像,并将待测目标的面部包含舌部图像输入至舌部关键点模型,确定舌部特征。本发明采用更加精确的人脸关键点定位技术来检测面部关键点,包含舌部关键点,从而实现了更加准确的舌部定位算法,为后续的舌诊诊断打下了坚实的基础,有利于整套舌诊诊断客观化的可行性与准确性。
Description
技术领域
本发明涉及图像处理技术领域,并且更具体地,涉及一种基于关键点确定舌部特征的方法及系统。
背景技术
中医是我们中华民族的瑰宝,是经过数千年很多代人不断完善的智慧结晶,随着时代的发展和社会的进步,以及中医治未病理念的深入人心,中医和现代科技相结合,产生了一系列的现代化成果,除了中药的现代化提取与制作,中医的诊断方法也在向着自动化、数字化的方向发展。正如《古今医统》所说:“望闻问切四字,诚为医之纲领。”即望闻问切组成了中医诊断的四诊,《灵枢·本脏篇》:“视其外应,以知其内脏,则知所病矣。”可知望诊具有非常重要的作用,望诊可以分为面诊和舌诊。《辨舌指南》:“辨舌质可辨脏腑的虚实,视舌苔可察六淫之浅深。”舌为心之苗,脾之外候,苔由胃气所生,脏腑通过经脉与舌相联,脏腑病变,可在舌质和舌苔上反映出来,舌诊主要诊断舌质和舌苔的形态、色泽等,以此判断疾病的性质、病势的浅深、气血的盛衰及脏腑的虚实等。
现有的面舌诊方法很多都要求用户把面部或者舌部固定在一个检测仪器的某个位置,用户使用起来很不方便,增加了用户使用的难度。而对于一些用于舌部定位或者舌部分割的方法,也需要舌头在整个图像中的占比不能太小,否则也会影响这些算法的效果。为了在整幅图像上直接有效地定位舌头区域,提高用户使用的舒适性。
目前对于舌部诊断,没有通过对于目标群体采集图像,进行图像处理等有效手段。
发明内容
本发明的目的在于通过图像处理,获取舌部图像的基本特征而提出了一种基于关键点确定舌部特征的方法,包括:
采集多个目标的面部包含舌部图像,对多个面部包含舌部图像以预设点位的关键点进行标注,生成多个面部和舌部关键点样本图像;
对多个面部和舌部关键点样本图像,进行训练,获取舌部关键点模型;
采集待测目标的面部包含舌部图像,并将待测目标的面部包含舌部图像输入至舌部关键点模型,确定舌部特征。
可选的,舌部特征,包括:舌苔颜色、舌苔腐腻、舌苔厚薄、舌部齿痕、舌部裂纹和舌部点刺。
可选的,对面部和舌部关键点样本图像,进行训练,获取舌部关键点模型,具体包括:
将多个面部和舌部关键点样本图像随机平均分成N份,并用N-1份作为训练集,1份作为测试集合;
对训练集中的样本图像的关键点以多级级联的回归树进行回归处理,公式如下:
其中,t表示级联序号,τt表示第t级回归器,S(t)表示第t级回归器的形状和表示学习到的当前形状与真实形状的残差;
训练样本图像每一个关键点回归器;
对回归器进行相加,公式如下:
其中T=10,即每个人脸关键点模型包括10个回归器τ0,...,τ9;
根据回归器生成N个面部关键点模型,公式如下形式:
其中,1≤n≤N。
对N个面部关键点模型,确定面部关键点模型公式如下:
其中,
可选的,面部关键点模型使用,平均分成N份的多个面部和舌部关键点样本图像,除去训练集的N-1份面部和舌部关键点样本图像,剩余1份作为测试集,对面部关键点模型进行测试。
可选的,面部关键点模型,使用N/2份的面部和舌部关键点样本图像进行优化。
本发明还提出了一种基于关键点确定舌部特征的系统,包括:
采集模块,采集多个目标的面部包含舌部图像,对多个面部包含舌部图像以预设点位的关键点进行标注,生成多个面部和舌部关键点样本图像;
训练模块,对多个面部和舌部关键点样本图像,进行训练,获取舌部关键点模型;
特征确定模块,采集待测目标的面部包含舌部图像,并将待测目标的面部包含舌部图像输入至舌部关键点模型,确定舌部特征。
可选的,舌部特征,包括:舌苔颜色、舌苔腐腻、舌苔厚薄、舌部齿痕、舌部裂纹和舌部点刺。
可选的,对面部和舌部关键点样本图像,进行训练,获取舌部关键点模型,具体包括:
将多个面部和舌部关键点样本图像随机平均分成N份,并用N-1份作为训练集,1份作为测试集合;
对训练集中的样本图像的关键点以多级级联的回归树进行回归处理,公式如下:
其中,t表示级联序号,τt表示第t级回归器,S(t)表示第t级回归器的形状和表示学习到的当前形状与真实形状的残差;
训练样本图像每一个关键点回归器;
对回归器进行相加,公式如下:
其中T=10,即每个人脸关键点模型包括10个回归器τ0,...,τ9;
根据回归器生成N个面部关键点模型,公式如下形式:
其中,1≤n≤N。
对N个面部关键点模型,确定面部关键点模型公式如下:
其中,
可选的,面部关键点模型使用,平均分成N份的多个面部和舌部关键点样本图像,除去训练集的N-1份面部和舌部关键点样本图像,剩余1份作为测试集,对面部关键点模型进行测试。
可选的,面部关键点模型,使用N/2份的面部和舌部关键点样本图像进行优化。
本发明采用更加精确的人脸关键点定位技术来检测面部关键点,包含舌部关键点,从而实现了更加准确的舌部定位算法,为后续的舌诊诊断打下了坚实的基础,有利于整套舌诊诊断客观化的可行性与准确性。
附图说明
图1为本发明一种基于关键点确定舌部特征的方法流程图;
图2为本发明一种基于关键点确定舌部特征的方法关键点标注图;
图3为本发明一种基于关键点确定舌部特征的方法样本图像;
图4为本发明一种基于关键点确定舌部特征的系统结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
本发明提出了一种基于关键点确定舌部特征的方法,如图1所示,包括:
采集多个目标的面部包含舌部图像,对多个面部包含舌部图像以预设点位的关键点进行标注,本发明中预设关键点为68个,如图2所示,人脸外部边缘由编号1到17共17个关键点组成,左右眉毛分别由编号23到27、18到22共10个关键点组成,左右眼睛分别由编号28到33、34到39共12个关键点组成,鼻子由编号40到48共9个关键点组成,舌头由49到68共20个关键点组成。
生成多个面部和舌部关键点样本图像,如图3所示;
对多个面部和舌部关键点样本图像,进行训练,获取舌部关键点模型;
对面部和舌部关键点样本图像,进行训练,获取舌部关键点模型,具体包括:
将多个面部和舌部关键点样本图像随机平均分成N份,并用N-1份作为训练集,1份作为测试集合;
对训练集中的样本图像的关键点以多级级联的回归树进行回归处理,公式如下:
其中,t表示级联序号,τt表示第t级回归器,S(t)表示第t级回归器的形状和表示学习到的当前形状与真实形状的残差;
训练样本图像每一个关键点回归器;
对回归器进行相加,公式如下:
其中T=10,即每个人脸关键点模型包括10个回归器τ0,...,τ9;
根据回归器生成N个面部关键点模型,公式如下形式:
其中,1≤n≤N。
对N个面部关键点模型,确定面部关键点模型公式如下:
其中,
面部关键点模型使用,平均分成N份的多个面部和舌部关键点样本图像,除去训练集的N-1份面部和舌部关键点样本图像,剩余1份作为测试集,对面部关键点模型进行测试。
面部关键点模型,使用N/2份的面部和舌部关键点样本图像进行优化。
1.使用dlib函数load_image_dataset载入训练集、测试集,包括训练集和测试集图片存储位置、人脸的矩形框(即上述关键点的包围盒)、和55个关键点的坐标值;
2.设置人脸关键点检测器shape_predictor_trainer训练参数,主要包括:
a._cascade_depth:表示级联的级数、默认为10级级联;
b._tree_depth:树深,则树的叶子节点个数为2(_tree_depth)个;
c._num_trees_per_cascade_level:每个级联包含的树的数目,默认每级500棵树。则整个模型中树的总数为_cascade_depth*_num_trees_per_cascade_level,默认为5000棵树。
3.使用人脸关键点检测器shape_predictor_trainer的函数train,可以训练得到人脸关键点检测器。训练过程则是通过GBDT建立各级回归树。
4.通过使用面部关键点模型test_shape_predictor来验证测试样本集。
对于N个面部关键点模型,可以组合得到一个最优的面部关键点模型定义如下:
其中
首先,随机选择标注样本的50%作为验证样本集(总数为K个);本专利采用最终预测出的形状和真实形状的平方误差总和,作为遗传算法的适应度函数,公式如下:
可以把最大迭代次数指定为遗传算法的终止条件,也可以指定Fitness小于一定的阈值来终止。
令
作为父代种群,P作为种群中的个体数量。个体ωp的初始值可以初始化为
遗传算法的三个核心操作,选择、交叉和变异,分别如下定义:
选择:它以一定的概率从父代种群中选择优良个体。这些个体可以直接从父代种群中遗传到当前种群。
交叉:通过以一定的交叉率rc交换染色体的方式,从两个父个体,
和
产生两个子个体,
和
变异:对于一个选定的个体ωp,通过以一定的变异率rm改变它的权重,来产生一个子个体
其中Δω是一个小数值。换句话说,作用到权重上一个很小的变化。
最后,我们可以通过归一化获得最终的权重。
采集待测目标的面部包含舌部图像,并将待测目标的面部包含舌部图像输入至舌部关键点模型,确定舌部特征。
舌部特征,包括:舌苔颜色、舌苔腐腻、舌苔厚薄、舌部齿痕、舌部裂纹和舌部点刺。
本发明还提出了一种基于关键点确定舌部特征的系统200,如图4所示,包括:
采集模块201,采集多个目标的面部包含舌部图像,对多个面部包含舌部图像以预设点位的关键点进行标注,生成多个面部和舌部关键点样本图像;
训练模块202,对多个面部和舌部关键点样本图像,进行训练,获取舌部关键点模型;
特征确定模块203,采集待测目标的面部包含舌部图像,并将待测目标的面部包含舌部图像输入至舌部关键点模型,确定舌部特征。
舌部特征,包括:舌苔颜色、舌苔腐腻、舌苔厚薄、舌部齿痕、舌部裂纹和舌部点刺。
对面部和舌部关键点样本图像,进行训练,获取舌部关键点模型,具体包括:
将多个面部和舌部关键点样本图像随机平均分成N份,并用N-1份作为训练集,1份作为测试集合;
对训练集中的样本图像的关键点以多级级联的回归树进行回归处理,公式如下:
其中,t表示级联序号,τt表示第t级回归器,S(t)表示第t级回归器的形状和表示学习到的当前形状与真实形状的残差;
训练样本图像每一个关键点回归器;
对回归器进行相加,公式如下:
其中T=10,即每个人脸关键点模型包括10个回归器τ0,...,τ9;
根据回归器生成N个面部关键点模型,公式如下形式:
其中,1≤n≤N。
对N个面部关键点模型,确定面部关键点模型公式如下:
其中,
面部关键点模型使用,平均分成N份的多个面部和舌部关键点样本图像,除去训练集的N-1份面部和舌部关键点样本图像,剩余1份作为测试集,对面部关键点模型进行测试。
面部关键点模型,使用N/2份的面部和舌部关键点样本图像进行优化。
本发明采用更加精确的人脸关键点定位技术来检测面部关键点,包含舌部关键点,从而实现了更加准确的舌部定位算法,为后续的舌诊诊断打下了坚实的基础,有利于整套舌诊诊断客观化的可行性与准确性。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是: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保护范围之内。
Claims (8)
1.一种基于关键点确定舌部特征的方法,所述方法包括:
采集多个目标的面部包含舌部图像,对多个面部包含舌部图像以预设点位的关键点进行标注,生成多个面部和舌部关键点样本图像;
对多个面部和舌部关键点样本图像,进行训练,获取舌部关键点模型;
采集待测目标的面部包含舌部图像,并将待测目标的面部包含舌部图像输入至舌部关键点模型,确定舌部特征;
对面部和舌部关键点样本图像,进行训练,获取舌部关键点模型,具体包括:
将多个面部和舌部关键点样本图像随机平均分成N份,并用N-1份作为训练集,1份作为测试集合;
对训练集中的样本图像的关键点以多级级联的回归树进行回归处理,公式如下:
其中,t表示级联序号,τt表示第t级回归器,表示第t级回归器的形状和/>表示学习到的当前形状与真实形状的残差;
训练样本图像每一个关键点回归器;
对回归器进行相加,公式如下:
其中T=10,即每个人脸关键点模型包括10个回归器τ0,...,τ9;
根据回归器生成N个面部关键点模型,公式如下形式:
其中,1≤n≤N;
对N个面部关键点模型,确定面部关键点模型公式如下:
其中,
2.根据权利要求1所述的方法,所述舌部特征,包括:舌苔颜色、舌苔腐腻、舌苔厚薄、舌部齿痕、舌部裂纹和舌部点刺。
3.根据权利要求1所述的方法,所述面部关键点模型使用,平均分成N份的多个面部和舌部关键点样本图像,除去训练集的N-1份面部和舌部关键点样本图像,剩余1份作为测试集,对面部关键点模型进行测试。
4.根据权利要求1所述的方法,所述面部关键点模型,使用N/2份的面部和舌部关键点样本图像进行优化。
5.一种基于关键点确定舌部特征的系统,所述系统包括:
采集模块,采集多个目标的面部包含舌部图像,对多个面部包含舌部图像以预设点位的关键点进行标注,生成多个面部和舌部关键点样本图像;
训练模块,对多个面部和舌部关键点样本图像,进行训练,获取舌部关键点模型;
特征确定模块,采集待测目标的面部包含舌部图像,并将待测目标的面部包含舌部图像输入至舌部关键点模型,确定舌部特征;
对面部和舌部关键点样本图像,进行训练,获取舌部关键点模型,具体包括:
将多个面部和舌部关键点样本图像随机平均分成N份,并用N-1份作为训练集,1份作为测试集合;
对训练集中的样本图像的关键点以多级级联的回归树进行回归处理,公式如下:
其中,t表示级联序号,τt表示第t级回归器,表示第t级回归器的形状和/>表示学习到的当前形状与真实形状的残差;
训练样本图像每一个关键点回归器;
对回归器进行相加,公式如下:
其中T=10,即每个人脸关键点模型包括10个回归器τ0,...,τ9;
根据回归器生成N个面部关键点模型,公式如下形式:
其中,1≤n≤N;
对N个面部关键点模型,确定面部关键点模型公式如下:
其中,
6.根据权利要求5所述的系统,所述舌部特征,包括:舌苔颜色、舌苔腐腻、舌苔厚薄、舌部齿痕、舌部裂纹和舌部点刺。
7.根据权利要求5所述的系统,所述面部关键点模型使用,平均分成N份的多个面部和舌部关键点样本图像,除去训练集的N-1份面部和舌部关键点样本图像,剩余1份作为测试集,对面部关键点模型进行测试。
8.根据权利要求5所述的系统,所述面部关键点模型,使用N/2份的面部和舌部关键点样本图像进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911356469.8A CN111192244B (zh) | 2019-12-25 | 2019-12-25 | 一种基于关键点确定舌部特征的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911356469.8A CN111192244B (zh) | 2019-12-25 | 2019-12-25 | 一种基于关键点确定舌部特征的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111192244A CN111192244A (zh) | 2020-05-22 |
CN111192244B true CN111192244B (zh) | 2023-09-29 |
Family
ID=70707514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911356469.8A Active CN111192244B (zh) | 2019-12-25 | 2019-12-25 | 一种基于关键点确定舌部特征的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111192244B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661142B (zh) * | 2022-12-14 | 2023-03-28 | 广东工业大学 | 一种基于关键点检测的舌诊图像处理方法、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886995A (zh) * | 2017-01-13 | 2017-06-23 | 北京航空航天大学 | 多线性示例回归器聚合的图像显著对象分割方法 |
CN108814565A (zh) * | 2018-07-04 | 2018-11-16 | 重庆邮电大学 | 一种基于多传感器信息融合和深度学习的智能中医健康检测梳妆台 |
CN109408653A (zh) * | 2018-09-30 | 2019-03-01 | 叠境数字科技(上海)有限公司 | 基于多特征检索和形变的人体发型生成方法 |
CN109598297A (zh) * | 2018-11-29 | 2019-04-09 | 新绎健康科技有限公司 | 一种舌苔舌质分析方法、系统、计算机设备和存储介质 |
-
2019
- 2019-12-25 CN CN201911356469.8A patent/CN111192244B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886995A (zh) * | 2017-01-13 | 2017-06-23 | 北京航空航天大学 | 多线性示例回归器聚合的图像显著对象分割方法 |
CN108814565A (zh) * | 2018-07-04 | 2018-11-16 | 重庆邮电大学 | 一种基于多传感器信息融合和深度学习的智能中医健康检测梳妆台 |
CN109408653A (zh) * | 2018-09-30 | 2019-03-01 | 叠境数字科技(上海)有限公司 | 基于多特征检索和形变的人体发型生成方法 |
CN109598297A (zh) * | 2018-11-29 | 2019-04-09 | 新绎健康科技有限公司 | 一种舌苔舌质分析方法、系统、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111192244A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108920893B (zh) | 一种基于人工智能的颅颌面骨骼和软组织形态预测方法 | |
Woźniak et al. | Bio-inspired methods modeled for respiratory disease detection from medical images | |
CN110604550B (zh) | 一种肿瘤放疗后正常组织器官并发症预测模型的建立方法 | |
Yoon et al. | Tumor identification in colorectal histology images using a convolutional neural network | |
CN111785366B (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
Qian et al. | CephaNN: a multi-head attention network for cephalometric landmark detection | |
CN112183572B (zh) | 一种生成预测肺炎严重程度的预测模型的方法及装置 | |
CN110897634A (zh) | 一种基于生成对抗网络的心电信号生成方法 | |
CN111462082A (zh) | 一种病灶图片识别装置、方法、设备及可读存储介质 | |
CN115873956A (zh) | 用于预测受试者患有结直肠癌风险的试剂盒、系统、应用和预测模型的建模方法 | |
CN111192244B (zh) | 一种基于关键点确定舌部特征的方法及系统 | |
Dong et al. | An improved YOLOv5 network for lung nodule detection | |
CN116452592B (zh) | 脑血管病ai认知功能评测模型的构建方法、装置及系统 | |
Law et al. | Development of a deep learning model to classify x-ray of covid-19, normal and pneumonia-affected patients | |
CN111951950B (zh) | 基于深度学习的三维数据医疗分类系统 | |
CN117100246A (zh) | 基于动态生物电信号的健康状态分析方法和相关产品 | |
CN109544530B (zh) | X射线头影测量图像结构特征点自动定位方法及系统 | |
CN115761024A (zh) | 血管掩码图像生成方法、装置、电子设备及存储介质 | |
Corbin et al. | Assessing bias in skin lesion classifiers with contemporary deep learning and post-hoc explainability techniques | |
Tomaszewska et al. | Sound-Based Cough Detection System using Convolutional Neural Network | |
Viroonluecha et al. | COVID19 X-ray image classification using voting ensemble CNNs transfer learning | |
Tang et al. | S2VQ-VAE: Semi-Supervised Vector Quantised-Variational AutoEncoder for Automatic Evaluation of Trail Making Test | |
Suhail et al. | Learning Cephalometric Landmarks for Diagnostic Features Using Regression Trees. Bioengineering 2022, 9, 617 | |
Lee et al. | Early detection of tongue cancer using a convolutional neural network and evaluation of the effectiveness of EfficientNet | |
Lin et al. | Automated spot counting in microbiology |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |