CN111523501B - 体重指数预测方法及装置 - Google Patents

Abstract

本发明提供了一种体重指数预测方法及装置，涉及智能决策技术领域，获取目标对象在多个时间点的人脸特征表示；人脸特征表示由人脸识别模型对目标对象的人脸图像进行特征提取得到；基于预先建立的卷积神经网络，根据多个时间点的人脸特征表示预测目标对象对应的多个时间点的体重指数，预先建立的卷积神经网络包括人脸特征表示和体重指数之间的映射关系；对多个时间点的体重指数进行处理，得到目标对象在设定时间内的体重指数预测结果。本发明不仅可以提升预测效率，而且可以提升体重指数预测的准确性。

Description

体重指数预测方法及装置

技术领域

本发明涉及智能决策技术领域，尤其是涉及一种体重指数预测方法及装置。

背景技术

基于深度学习的人脸识别大大提高了人脸识别的准确性，促进了人脸识别在金融、公安、支付、手机应用程序等领域的应用。随着人脸识别的广泛应用，基于人脸图像的体重指数预测受到了越来越多的关注。由于人脸图像容易受光照、姿态、表情的影响，导致现有的根据人脸图像预测体重指数的预测精度还不是很高。

发明内容

本发明的目的在于提供一种体重指数预测方法、装置、电子设备和机器可读存储介质，以缓解现有的体重指数预测精度不高的技术问题。

第一方面，本发明实施例提供一种体重指数预测方法，包括：

获取目标对象在多个时间点的人脸特征表示；所述人脸特征表示由人脸识别模型对所述目标对象的人脸图像进行特征提取得到；

基于预先建立的卷积神经网络，根据所述多个时间点的人脸特征表示预测所述目标对象对应的多个时间点的体重指数，所述预先建立的卷积神经网络包括人脸特征表示和体重指数之间的映射关系；

对所述多个时间点的体重指数进行处理，得到所述目标对象在设定时间内的体重指数预测结果。

在可选的实施方式中，所述对所述多个时间点的体重指数进行处理，得到所述目标对象在设定时间内的体重指数预测结果的步骤，包括：

当所述多个时间点的体重指数缺少第一时间点的体重指数时，根据所述第一时间点的多个相邻时间点的体重指数确定所述第一时间点的体重指数，将所述第一时间点的体重指数插入所述多个时间点的体重指数；

当第二时间点对应多个体重指数时，将所述第二时间点对应的多个体重指数进行融合，将融合后的体重指数作为所述第二时间点的体重指数；

对所述多个时间点的体重指数进行平滑处理，得到所述目标对象在设定时间内的体重指数预测结果。

在可选的实施方式中，所述方法还包括：

将所述体重指数预测结果生成体重指数变化曲线；

展示所述体重指数变化曲线。

在可选的实施方式中，所述方法还包括：

将所述体重指数预测结果进行归一化处理，得到指数变化趋势；

根据所述体重指数预测结果以及所述指数变化趋势生成健康状况提醒信息或者健康管理建议。

在可选的实施方式中，所述将所述体重指数预测结果进行归一化处理，得到指数变化趋势的步骤，包括：

计算所述体重指数预测结果中相邻时间点的指数增长率；

根据所述指数增长率得到指数变化趋势。

第二方面，本发明实施例提供一种体重指数预测装置，包括：

获取模块，用于获取目标对象在多个时间点的人脸特征表示；所述人脸特征表示由人脸识别模型对所述目标对象的人脸图像进行特征提取得到；

预测模块，用于基于预先建立的卷积神经网络，根据所述多个时间点的人脸特征表示预测所述目标对象对应的多个时间点的体重指数，所述预先建立的卷积神经网络包括人脸特征表示和体重指数之间的映射关系；

处理模块，用于对所述多个时间点的体重指数进行处理，得到所述目标对象在设定时间内的体重指数预测结果。

在可选的实施方式中，所述处理模块包括：

插值单元，用于当所述多个时间点的体重指数缺少第一时间点的体重指数时，根据所述第一时间点的多个相邻时间点的体重指数确定所述第一时间点的体重指数，将所述第一时间点的体重指数插入所述多个时间点的体重指数；

融合单元，用于当第二时间点对应多个体重指数时，将所述第二时间点对应的多个体重指数进行融合，将融合后的体重指数作为所述第二时间点的体重指数；

平滑处理单元，用于对所述多个时间点的体重指数进行平滑处理，得到所述目标对象的体重指数预测结果。

在可选的实施方式中，所述装置还包括：

生成模块，用于将所述体重指数预测结果生成体重指数变化曲线；

展示模块，用于展示所述体重指数变化曲线。

第三方面，本发明实施例提供一种电子设备，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现前述实施方式任一项所述的方法。

第四方面，本发明实施例提供一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现前述实施方式任一项所述的方法。

本发明实施例提供的上述体重指数预测方法及装置，将人脸识别模型提取的人脸特征作为预测体重指数的人脸特征表示，可以在识别验证人的身份的同时进行体重指数的预测，通过共享人脸识别的中间计算结果，提升了预测效率，并且将同一对象在多个时间点的人脸特征进行积累，进而构建该对象的长时体重指数预测，从而缓解了由于人脸图像容易受光照、姿态、表情的影响，使得体重指数预测不准确的问题，提升了体重指数预测的准确性。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的体重指数预测方法流程图；

图2为本发明实施例提供的另一体重指数预测方法流程图；

图3为本发明实施例提供的体重指数预测装置的示意图；

图4为本发明实施例提供的电子设备的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种多个的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

由于人脸图像容易受光照、姿态、表情的影响，导致现有的根据人脸图像预测体重指数的预测精度还不是很高。基于此，本发明实施例提供的一种体重指数预测方法及装置，不仅可以提升预测效率，还可以提升体重指数预测的准确性。

下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

图1示出了发明实施例提供的体重指数预测方法流程图。

参照图1，本发明实施例提供一种体重指数预测方法，包括以下步骤：

步骤S101，获取目标对象在多个时间点的人脸特征表示；人脸特征表示由人脸识别模型对目标对象的人脸图像进行特征提取得到；

步骤S102，基于预先建立的卷积神经网络，根据多个时间点的人脸特征表示预测目标对象对应的多个时间点的体重指数，预先建立的卷积神经网络包括人脸特征表示和体重指数之间的映射关系；

步骤S103，对多个时间点的体重指数进行处理，得到目标对象在设定时间内的体重指数预测结果。

在步骤S101中，目标对象可以是进行人脸识别以及体重指数预测的用户，用户可以在多个的时间点进行人脸识别验证，在人脸识别验证的过程中，当采集到人脸图像后，通过人脸识别模型对采集的人脸图像进行人脸检测、人脸归一化和人脸特征提取等，利用提取的人脸特征和预先保存的对应的人脸特征进行相似度计算，根据相似度得到验证是否通过或识别结果。

上述人脸识别模型可以是现有的各种人脸识别模型，例如ArcFace(AdditiveAngular Margin Loss for Deep Face Recognition，用于深度人脸识别的附加角度边界的损失函数)，其识别过程包括：a)对待处理的人脸图像进行人脸检测。b)对检测到的人脸图像提取人脸特征。

在人脸识别过程中提取的人脸特征包括了人脸丰富的信息，具有非常高的区分性，因此，可以将人脸特征作为体重指数预测中使用的人脸特征表示。这样，在识别验证人的身份的同时可以进行体重指数的预测。

在步骤S102中，当获得人脸特征表示后，可以通过回归的方法得到预测的体重指数。具体的，采用深度学习中的卷积神经网络，建立人脸特征表示和体重指数之间的映射关系，从而根据该映射关系可以得到人脸特征表示对应的体重指数预测。对每个人脸图像通过人脸识别得到一个人脸特征表示，每个人脸特征表示通过卷积神经网络回归得到体重指数的一个预测结果。因此，基于每次人脸识别验证得到的人脸特征表示得到一个预测的体重指数Ui，通过累积一段时间的预测结果，得到一个较长时段的体重指数的初步结果P＝(U1,U2,...,Un)，i＝1…n，n为大于0的整数，即多个时间点的多个体重指数。

在步骤S103中，多个时间点的多个体重指数中可能存在某个时间点的体重指数预测不准确的情况，例如单张人脸图像受到人脸姿态，光照，表情等的影响，导致预测不准确，或者可能存在某些时间点的指标数值是缺失的。可以针对上述问题对多个时间点的多个体重指数进行处理，例如剔除预测不准确的体重指数、插入缺失的体重指数等，得到目标对象在设定时间内的体重指数预测结果，例如Q＝(V1,V2,...，Vm)，m为大于0的整数。上述多个时间点可以根据需要选择，根据多个时间点可以确定设定时间的范围，例如可以为多天或者多个月份等等，在此不作限制。

如图2所示，上述步骤S103可以包括以下步骤：

步骤S201，当多个时间点的体重指数缺少第一时间点的体重指数时，根据第一时间点的多个相邻时间点的体重指数确定第一时间点的体重指数，将第一时间点的体重指数插入多个时间点的体重指数；

具体的，可以将第一时间点的多个相邻时间点的体重指数的平均值或者中位数作为第一时间点的体重指数。当然，第一时间点的体重指数不限于上述平均值或中位数。

步骤S202，当第二时间点对应多个体重指数时，将第二时间点对应的多个体重指数进行融合，将融合后的体重指数作为第二时间点的体重指数；

例如，可以对第二时间点对应的多个体重指数求平均值，将平均值作为第二时间点最终唯一的体重指数。

步骤S203，对多个时间点的多个体重指数进行平滑处理，得到目标对象的体重指数预测结果。

具体的，可以对多个时间点的多个体重指数进行平滑处理，例如，对相邻的多个体重指数进行平均，将平均值作为新的体重指数，得到更加稳定的体重指数，或者可以去除单个预测结果不准确的体重指数，降低误差。

在一些实施例中，由于体重指数预测结果比较准确的反应了用户对应的体重指数在一段时间的变化，为了便于用户直观了解其体重指数变化，可以将体重指数预测结果生成体重指数变化曲线；展示体重指数变化曲线。

在一些实施例中，为了反映用户的体重指数预测结果的变化趋势，以便根据变化趋势给出健康提醒或建议，还可以执行以下步骤：

步骤1)将体重指数预测结果进行归一化处理，得到指数变化趋势；

该步骤中，可以计算体重指数预测结果中相邻时间点的指数增长率；根据指数增长率得到指数变化趋势。其中，相邻时间点的指数增长率可以表示为R＝(Vi+1-Vi)/Vi，0<i<m。

步骤2)根据体重指数预测结果以及指数变化趋势生成健康状况提醒信息或者健康管理建议。

该步骤中，可以根据体重指数预测结果中的体重指数的绝对值，提示用户是属于营养不良、较低体重、正常体重、超重或者肥胖的哪个阶段。指数变化趋势可以作为用户体重指数发展趋势更直观和量化的表示，通过曲线等形式展示给用户，并根据该指数变化趋势提示用户可能存在的健康风险，例如超重或者肥胖造成的疾病等，提醒用户采取相应的措施，以获得更好的身体健康状况。

本发明实施例的体重指数预测方法将人脸识别应用于体重指数预测，通过共享人脸识别的中间计算结果，提高了体重指数预测的计算效率。在长时的人脸识别验证过程中，积累得到长时段内的体重指数预测结果；基于这些积累，得到更有价值的体重指数预测结果预测以及其变化趋势等，从而对用户进行健康状况管理。本发明实施例不仅提高了指标预测的计算效率，而且体重指数的预测结果更准确，包含的信息更丰富。

基于上述实施例的体重指数预测方法，本发明实施例还提供了一种体重指数预测装置。

如图3所示，本发明实施例提供一种体重指数预测装置，包括：

获取模块31，用于获取目标对象在多个时间点的人脸特征表示；人脸特征表示由人脸识别模型对目标对象的人脸图像进行特征提取得到；

预测模块32，用于基于预先建立的卷积神经网络，根据多个时间点的人脸特征表示预测目标对象对应的多个时间点的体重指数，预先建立的卷积神经网络包括人脸特征表示和体重指数之间的映射关系；

处理模块33，用于对多个时间点的体重指数进行处理，得到目标对象在设定时间内的体重指数预测结果。

在一些实施例中，处理模块33包括：

插值单元，用于当多个时间点的体重指数缺少第一时间点的体重指数时，根据第一时间点的多个相邻时间点的体重指数确定第一时间点的体重指数，将第一时间点的体重指数加入多个时间点的体重指数；

融合单元，用于当第二时间点对应多个体重指数时，将第二时间点对应的多个体重指数进行融合，将融合后的体重指数作为第二时间点的体重指数；

平滑处理单元，用于对多个时间点的体重指数进行平滑处理，得到目标对象的体重指数预测结果。

在一些实施例中，装置还包括：

生成模块，用于将体重指数预测结果生成体重指数变化曲线；

展示模块，用于展示体重指数变化曲线。

在一些实施例中，装置还包括：

归一化模块，用于将体重指数预测结果进行归一化处理，得到指数变化趋势；

提示模块，用于根据体重指数预测结果以及指数变化趋势生成健康状况提醒信息或者健康管理建议。

在一些实施例中，归一化模块还用于：

计算体重指数预测结果中相邻时间点的指数增长率；

根据指数增长率得到指数变化趋势。

本发明实施例所提供的体重指数预测装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

参见图4，本发明实施例还提供一种电子设备400，包括：处理器401，存储器402，总线403和通信接口404，处理器401、通信接口404和存储器402通过总线403连接；存储器402用于存储程序；处理器401用于通过总线403调用存储在存储器402中的程序，执行上述实施例的体重指数预测方法。

其中，存储器402可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口404(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线403可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器402用于存储程序，处理器401在接收到执行指令后，执行程序，前述本发明实施例任一实施例揭示的流程定义的装置所执行的方法可以应用于处理器401中，或者由处理器401实现。

处理器401可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器402，处理器401读取存储器402中的信息，结合其硬件完成上述方法的步骤。

本发明实施例还提供了一种机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现如上的体重指数预测方法。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种体重指数预测方法，其特征在于，包括：

获取目标对象在多个时间点的人脸特征表示；所述人脸特征表示由人脸识别模型对所述目标对象的人脸图像进行特征提取得到；

基于预先建立的卷积神经网络，根据所述多个时间点的人脸特征表示预测所述目标对象对应的多个时间点的体重指数，所述预先建立的卷积神经网络包括人脸特征表示和体重指数之间的映射关系；

对所述多个时间点的体重指数进行处理，得到所述目标对象在设定时间内的体重指数预测结果；

其中，利用提取的人脸特征和预先保存的对应的人脸特征进行相似度计算，根据相似度得到验证是否通过或识别结果；

当所述多个时间点的体重指数缺少第一时间点的体重指数时，根据所述第一时间点的多个相邻时间点的体重指数确定所述第一时间点的体重指数，将所述第一时间点的体重指数插入所述多个时间点的体重指数；

当第二时间点对应多个体重指数时，将所述第二时间点对应的多个体重指数进行融合，将融合后的体重指数作为所述第二时间点的体重指数；

对所述多个时间点的体重指数进行平滑处理，得到所述目标对象在设定时间内的体重指数预测结果。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述体重指数预测结果生成体重指数变化曲线；

展示所述体重指数变化曲线。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述体重指数预测结果进行归一化处理，得到指数变化趋势；

根据所述体重指数预测结果以及所述指数变化趋势生成健康状况提醒信息或者健康管理建议。

4.根据权利要求3所述的方法，其特征在于，所述将所述体重指数预测结果进行归一化处理，得到指数变化趋势的步骤，包括：

计算所述体重指数预测结果中相邻时间点的指数增长率；

根据所述指数增长率得到指数变化趋势。

5.一种体重指数预测装置，其特征在于，包括：

获取模块，用于获取目标对象在多个时间点的人脸特征表示；所述人脸特征表示由人脸识别模型对所述目标对象的人脸图像进行特征提取得到；

预测模块，用于基于预先建立的卷积神经网络，根据所述多个时间点的人脸特征表示预测所述目标对象对应的多个时间点的体重指数，所述预先建立的卷积神经网络包括人脸特征表示和体重指数之间的映射关系；

处理模块，用于对所述多个时间点的体重指数进行处理，得到所述目标对象在设定时间内的体重指数预测结果；

其中，利用提取的人脸特征和预先保存的对应的人脸特征进行相似度计算，根据相似度得到验证是否通过或识别结果；

当所述多个时间点的体重指数缺少第一时间点的体重指数时，根据所述第一时间点的多个相邻时间点的体重指数确定所述第一时间点的体重指数，将所述第一时间点的体重指数插入所述多个时间点的体重指数；

当第二时间点对应多个体重指数时，将所述第二时间点对应的多个体重指数进行融合，将融合后的体重指数作为所述第二时间点的体重指数；

对所述多个时间点的体重指数进行平滑处理，得到所述目标对象在设定时间内的体重指数预测结果。

6.根据权利要求5所述的装置，其特征在于，所述处理模块包括：

插值单元，用于当所述多个时间点的体重指数缺少第一时间点的体重指数时，根据所述第一时间点的多个相邻时间点的体重指数确定所述第一时间点的体重指数，将所述第一时间点的体重指数插入所述多个时间点的体重指数；

融合单元，用于当第二时间点对应多个体重指数时，将所述第二时间点对应的多个体重指数进行融合，将融合后的体重指数作为所述第二时间点的体重指数；

平滑处理单元，用于对所述多个体重指数进行平滑处理，得到所述目标对象的体重指数预测结果。

7.根据权利要求5所述的装置，其特征在于，所述装置还包括：

生成模块，用于将所述体重指数预测结果生成体重指数变化曲线；

展示模块，用于展示所述体重指数变化曲线。

8.一种电子设备，其特征在于，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求1-4任一项所述的方法。

9.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现权利要求1-4任一项所述的方法。