CN111597872A - 一种基于深度学习的卫生监督执法非法行医人脸识别方法 - Google Patents
一种基于深度学习的卫生监督执法非法行医人脸识别方法 Download PDFInfo
- Publication number
- CN111597872A CN111597872A CN202010228797.6A CN202010228797A CN111597872A CN 111597872 A CN111597872 A CN 111597872A CN 202010228797 A CN202010228797 A CN 202010228797A CN 111597872 A CN111597872 A CN 111597872A
- Authority
- CN
- China
- Prior art keywords
- face
- illegal
- illegal medical
- convolution
- law enforcement
- 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
Images
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
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种基于深度学习的卫生监督执法非法行医人脸识别方法,包括:S10,基于卫生监督执法系统中的非法行医数据创建全国非法行医数据库;基于TensorFlowJS的SSD Mobilenet V1人脸检测深度学习模型构建人脸检测模型,训练该模型使其能够得到图像中面孔的位置,提取检测到的人脸照片中的面孔上的人脸特征点的数据,并获得所述人脸特征点的置信度;将置信度高于阈值的人脸特征点作为面部标界点,获得所述面部标界点的坐标;将拍摄到的照片中的人脸的面部标界点与非法行医数据库中的人脸的面部标界点进行比对,判断是否为非法行医人员。本申请提高了执法人员的工作效率,促进行政执法工作的准确高效的运行。
Description
技术领域
本发明涉及卫生监督执法领域,尤其是涉及一种基于深度学习的卫生监督执法非法行医人脸识别方法。
背景技术
近年来,随着医疗卫生体制改革的不断深入,医疗市场越来越开放,国家一统的格局已经打破。社会、集体、个人多方办医院,解决了人们就医难的问题。但是,由于管理上的疏漏,一些不法分子胆大妄为,未取得医生执业资格擅自从事医疗活动,进行非法行医卖药,不择手段地坑人骗钱,严重扰乱了医药市场秩序,危害了人民群众的生命财产安全,败坏政府和医务人员的形象。虽然严厉打击非法行医专项整治行动取得了阶段性成果,但是目前非法行医的现象仍然普遍存在,甚至有愈演愈烈的趋势,由于流动性较强,不易被执法部门发现。待发觉时又大多造成了就诊人员伤残、死亡等严重后果,探究其原因既有历史原因,也有一系列社会原因,使非法行医得以生存的土壤。因为快速高效的非法行医行政执法手段显得尤为重要,并且迫在眉睫。
发明内容
为解决上述问题,本申请提供一种基于深度学习的卫生监督执法非法行医人脸识别方法,包括:
S10,基于卫生监督执法系统中的非法行医数据创建非法行医数据库;所述非法行医数据库包括非法行医人员信息;其中,所述每个非法行医人员的信息包括非法行医人员的人脸照片、个人信息以及非法行医记录,设置每个非法行医人员具有唯一的身份标识,根据所述唯一的身份标识与所述非法行医人员的信息相关联;
S20,基于TensorFlowJS的SSD Mobilenet V1人脸检测深度学习模型构建人脸检测模型,训练该模型使其能够得到图像中面孔的位置;
S30,获得非法行医数据库中人脸照片中面孔上的人脸特征点及其置信度;将置信度高于阈值的人脸特征点作为面部标界点,将所述面部标界点储存在非法行医数据库中;
S40,获得拍摄到的照片中的人脸的面部标界点,将其与非法行医数据库中对应位置的人脸的面部标界点进行比对,判断是否为非法行医人员。
其中,还包括步骤S50,通过该非法行医人员的唯一的身份标识,获取非法行医人员的信息,并向有关部门发出警报。
其中,在步骤20中,具体步骤为:SSD Mobilenet V1的深度可分卷积将标准卷积分为深度卷积和一个1*1的卷积,深度卷积针对单个输入通道用单个卷积核进行卷积,得到输入通道数的深度,然后运用一个1*1卷积来对深度卷积中的输出进行线性结合,深度卷积对每个通道使用一种卷积核:Gk,l,m^=∑i,jKi,j,m^·Fk+i-1,l+j-1,mGk,l,m^=∑i,jKi,j,m^·Fk+i-1,l+j-1,m,其中K^K^是深度卷积核的尺寸DK*DK*MDK*DK*M,K^K^中第m个卷积核应用于F中的第m个通道来产生第m个通道的卷积输出特征图G^G^,则深度卷积的计算量为:DK*DK*M*DF*DFDK*DK*M*DF*DF,深度可分离卷积的计算量为:DK*DK*M*DF*DF+M*N*DF*DFDK*DK*M*DF*DF+M*N*DF*DF,通过将卷积分为滤波和组合的过程得到对计算量的缩减为:DK*DK*M*DF*DF+M*N*DF*DFDK*DK*M*DF*DF=1N+1D2KDK*DK*M*DF*DF+M*N*DF*DFDK*DK*M*DF*DF=1N+1DK2。
其中,在步骤30中,采用face_landmark_68_model模型,所述face_landmark_68_model模型采用了深度可分离卷积以及密集连接的块,在数据集上进行了训练,具有68个面部标界点。
其中,步骤S40的计算方法采用欧式距离算法,计算面部标界点在多维空间上的距离,计算公式为:
其中,x、y分别为待判断的照片上人脸的面部标界点的坐标和非法行医数据库中相应位置点的面部标界点的坐标,当计算出的距离小于距离阈值时,判断照片中的人为非法行医人员并从违法行医数据库中获得其唯一的身份标识。
其中,步骤S20的量化模型的大小约为5.4MB,该模型可以通过JS在浏览器端运行,能够在PC、安卓或IOS系统的移动设备上使用。
其中,通过HTML中的canvas标签进行人脸位置和脸部68个面部标界点的标记。
本申请实现的有益效果如下:
基于深度学习的卫生监督执法非法行医人脸识别办法,利用人工智能的人脸识别技术,能够帮助执法人员快速准确的录入、定位和识别不法分子,通过建立全国非法行医库,将全国非法行医人员的信息和案件记录进行汇总联网,通过人脸识别实现快速比对、定位与报警,能有效避免冒充等情况,主动推送相关的非法行医案件记录,为执法人员提供可靠证据,能有效避免违法分子拒不承认的情况。解决了现有执法过程中非法行医流动性强、人员识别定位困难、存在不法分子冒充医务人员、抵赖拒不认罪等问题,利用人工智能技术赋能卫生监督行政执法,提高执法人员的工作效率,促进行政执法工作的准确高效的运行。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请非法行医数据库存储模块图。
图2为本申请基于深度学习的卫生监督执法非法行医人脸识别方法流程图。
图3为深度可分离卷积将标准卷积分为深度卷积和一个逐点卷积的示意图。
图4为执法人员上传的待比对的照片。
图5为非法行医的照片人脸检测结果。
图6为非法行医的照片面部特征位置标记结果。
具体实施方式
根据《无证行医查处工作规范》、《医疗机构管理条例》、《中华人民共和国执业医师法》等卫生行政法律、法规、规章及上位行政规范(以下简称法律规范)等有关规定,结合各地区卫生监督系统中的执法标准,以及卫生监督执法系统中有关非法行医的相关案件数据,对非法行医人员的个人信息、案件信息、身份证信息等进行梳理,结合人脸识别技术,提取人脸特征数据,建立信息完善的全国非法行医库。
本发明的目的一种基于深度学习的卫生监督执法非法行医人脸识别方法,该方法包括:
基于卫生监督执法系统中的非法行医数据创建全国非法行医数据库,所述非法行医数据库包括非法行医人员信息;其中,所述每个非法行医人员的信息包括非法行医人员的人脸照片、个人信息、人脸特征数据以及非法行医记录,设置每个非法行医人员具有唯一的身份标识,根据所述唯一的身份标识与所述非法行医人员的信息相关联;
基于TensorFlowJS的SSD Mobilenet V1人脸检测深度学习模型构建人脸检测模型,并在WIDERFACE数据集上进训练,该深度学习的神经网络将计算图像中每个面孔的位置,并返回边界框以及每个面孔的置信度,SSD Mobilenet V1的核心思想是经典的卷积操作转化为深度可分离卷积,深度可分卷积将标准卷积分为深度卷积和一个1*1的卷积,即逐点卷积,深度卷积针对单个输入通道用单个卷积核进行卷积,得到输入通道数的深度,然后运用一个1*1卷积来对深度卷积中的输出进行线性结合,标准卷积一步即对所有的输入进行结合得到新的一系列输出。深度可分离卷积将其分成了两步,针对每个单独层进行滤波然后下一步即结合。这种分解能够有效的大量减少计算量以及模型的大小。如图2所示,一个标准的卷积1(a)被分解成深度卷积1(b)以及1x1的逐点卷积1(c)。深度可分离卷积由两层构成:深度卷积和逐点卷积。MobileNets对每层使用batchnorm和ReLU非线性激活。深度卷积对每个通道使用一种卷积核,可以写成:Gk,l,m^=∑i,jKi,j,m^·Fk+i-1,l+j-1,mGk,l,m^=∑i,jKi,j,m^·Fk+i-1,l+j-1,m,其中K^K^是深度卷积核的尺寸DK*DK*MDK*DK*M,K^K^中第m个卷积核应用于F中的第m个通道来产生第m个通道的卷积输出特征图G^G^,深度卷积的计算量为:DK*DK*M*DF*DFDK*DK*M*DF*DF,深度可分离卷积的计算量为:DK*DK*M*DF*DF+M*N*DF*DFDK*DK*M*DF*DF+M*N*DF*DF,即深度卷积和1x1的逐点卷积的和,通过将卷积分为滤波和组合的过程得到对计算量的缩减:DK*DK*M*DF*DF+M*N*DF*DFDK*DK*M*DF*DF=1N+1D2KDK*DK*M*DF*DF+M*N*DF*DFDK*DK*M*DF*DF=1N+1DK2;
人脸特征提取:采用face_landmark_68_model模型,所述face_landmark_68_model模型采用了深度可分离卷积以及密集连接的块的思想,在约有35,000张面部图像的数据集上进行了训练,这些数据均用68个面部界标点进行标记;
人脸标记器:根据人脸检测模型对照片中人脸位置进行检测,获取人脸坐标位置,通过人脸特征提取,提取到每张人脸的68个人脸特征点地标,作为面部界标点,最后通过HTML中的canvas标签进行人脸位置和脸部68个面部界标点的标记;
人脸匹配器:包含非法行医人脸特征数据的加载,人脸比对算法与规则,其中数据加载部分以json格式数据封装所有从非法行医库中获取到的人员信息唯一标识和人脸特征数据,添加到人脸匹配器中,数据存放在内存中,便于调用和计算,人脸比对核心算法采用欧式距离算法,欧式距离也成为欧几里得距离,是最常见的距离度量,衡量的是多维空间中两个点之间的绝对距离,这里用于计算人脸的68个面部界标点在多维空间上的距离,距离越相近说明越相似,n维空间上的欧式距离的计算公式为
通过人脸匹配器进行人脸比对,输出识别结果,人脸匹配器接收步骤S4中非法行医照片中提取到的人脸的68个特征点地标,采用多线程的方式与步骤S3中加载的非法行医人脸数据通过欧式距离算法进行相似度的计算,将计算结果中欧式距离最小的非法行医库中的人脸的唯一标识进行返回;
为了使比对结果的效率更快,也可以使用将选取的面部界标点按其置信度数值和位置进行权重排序的方式,设置成不同的级别,按级别进行计算排查,当权重较高的前序级别的面部标界点之间的距离小于某个距离阈值时,也可以判断该人员为非法从医人员。
构建非法行医报警器,根据人脸库中的唯一标识,从全国非法行医库中获取对应的非法行医人员信息、人脸照片以及非法行医记录,进行报警,通知执法人员检测到非法行医人员,并将获取到的非法行医库中的数据推送给执法人员。
实施例
本发明以一个具体实施例来说明本发明方法的计算过程:
此实施例中执法人员上传的照片如图4所示;
人脸检测器,检测到人脸信息,检测到的人脸信息输出给人脸标记器,标记结果如图5所示;
人脸特征提取器,提取到人脸特征数据,人脸特征数据输出到人脸匹配器,人脸面部特征标记结果如图6所示,人脸特征提取器提取结果为:
-0.06459986418485641,0.09621178358793259,0.05518091470003128,-0.05910952389240265,-0.16387321054935455,-0.035034868866205215,-0.03379830718040466,-0.1451692134141922,0.1675742268562317,-0.1339283585548401,0.17521609365940094,-0.11801543831825256,-0.272583544254303,0.06244036182761192,-0.056363340467214584,0.16911481320858002,-0.14980733394622803,-0.14119714498519897,-0.07615196704864502,0.027339626103639603,0.02300322614610195,0.055164847522974014,0.03340032324194908,0.0035320778843015432,-0.03468263894319534,-0.41934505105018616,-0.11046067625284195,-0.06823636591434479,-0.008377556689083576,-0.014552731066942215,-0.06860149651765823,0.09272630512714386,-0.1263776570558548,-0.06116761267185211,0.09371717274188995,0.05337715148925781,-0.056474972516298294,-0.06309089064598083,0.1778571605682373,-0.04360024258494377,-0.23412920534610748,-0.012122798711061478,0.11145763099193573,0.21676580607891083,0.19448859989643097,0.04155823588371277,-0.02353789284825325,-0.1936492621898651,0.12528009712696075,-0.22198955714702606,-0.012350878678262234,0.11123649775981903,0.05548231303691864,0.11355898529291153,0.04118214547634125,-0.1298474371433258,0.0360272116959095,0.11833038926124573,-0.17340309917926788,-0.04226217046380043,0.06437710672616959,-0.07254708558320999,-0.05183759331703186,-0.11818664520978928,0.2628004252910614,0.083628810942173,-0.09835924208164215,-0.12169694900512695,0.12382939457893372,-0.13587036728858948,-0.04582546278834343,0.055660177022218704,-0.16403734683990479,-0.1633622646331787,-0.20208410918712616,-0.04687277972698212,0.4201900362968445,0.09101498126983643,-0.16283762454986572,-0.00007922359509393573,-0.04902897775173187,-0.013408313505351543,0.0784151554107666,0.04970638081431389,-0.04808631166815758,-0.03916541114449501,-0.06846777349710464,0.016300983726978302,0.2478225827217102,-0.1350112110376358,0.0030526421032845974,0.17344258725643158,-0.009955029003322124,0.09196840226650238,0.04482452571392059,0.04661790654063225,-0.10791494697332382,-0.021295690909028053,-0.24601931869983673,-0.08105301111936569,0.001316022826358676,-0.021028300747275352,-0.025574805215001106,0.11533825844526291,-0.18648280203342438,0.13239598274230957,0.01582440920174122,-0.04048411548137665,0.03225602209568024,-0.06200278922915459,-0.022279657423496246,-0.0507027693092823,0.16278377175331116,-0.18523141741752625,0.17678160965442657,0.1284589320421219,0.034207534044981,0.15970560908317566,0.0013025877997279167,0.03544963151216507,-0.06767813116312027,-0.03230443224310875,-0.18726249039173126,-0.03495756909251213,0.15373332798480988,0.025776686146855354,0.03663114085793495,-0.050191573798656464
人脸匹配器通过欧式距离计算公式与已经加载到内存中的人脸数据进行匹配,得到最小的欧式距离为0.08,即相似度为92%,大于设置的置信度90%,因此匹配成功,匹配到的非法行医库中人脸的唯一标识为051395c597174195a13ae11c4fe0984f,将唯一标识输出给非法行医报警器,匹配到的人脸特征数据为:
-0.07290024310350418,0.10162648558616638,0.05937841162085533,-0.05741742253303528,-0.17222033441066742,-0.033630117774009705,-0.03726576268672943,-0.13763496279716492,0.16586489975452423,-0.12325926870107651,0.18580323457717896,-0.10799162834882736,-0.27076172828674316,0.06388480961322784,-0.05193216726183891,0.16601383686065674,-0.1474066823720932,-0.1323838084936142,-0.06947097927331924,0.03321914002299309,0.010514721274375916,0.053044259548187256,0.037498634308576584,-0.004752008244395256,-0.04243065416812897,-0.41460078954696655,-0.10691086947917938,-0.07376563549041748,-0.005812847055494785,-0.011061210185289383,-0.06782548874616623,0.09050383418798447,-0.1253306269645691,-0.058168549090623856,0.10506966710090637,0.04633059352636337,-0.06094813719391823,-0.05045667290687561,0.1879880577325821,-0.039947882294654846,-0.23760683834552765,-0.012798517942428589,0.09829562157392502,0.21038183569908142,0.2034090757369995,0.05321598798036575,-0.028126001358032227,-0.19957569241523743,0.12961488962173462,-0.2210267186164856,-0.019579721614718437,0.124619260430336,0.04846261441707611,0.11195119470357895,0.0336388424038887,-0.12155695259571075,0.036092609167099,0.11657179147005081,-0.18080364167690277,-0.05890122056007385,0.059264447540044785,-0.06414295732975006,-0.04582119360566139,-0.11569441109895706,0.27344024181365967,0.0821484923362732,-0.10844788700342178,-0.11290884763002396,0.12947674095630646,-0.134459987282753,-0.041853904724121094,0.06158117949962616,-0.159407839179039,-0.16777345538139343,-0.19108226895332336,-0.04231809079647064,0.41894012689590454,0.09202957153320312,-0.1641121804714203,-0.008712651208043098,-0.06216052919626236,-0.021128669381141663,0.0668918639421463,0.043908994644880295,-0.05731641501188278,-0.049991853535175323,-0.05462758615612984,-0.00298483669757843,0.25307631492614746,-0.13695374131202698,0.017134010791778564,0.1814204901456833,-0.007737806998193264,0.09545768052339554,0.0429573655128479,0.04948236420750618,-0.10914424061775208,-0.02792111411690712,-0.23442387580871582,-0.08912709355354309,-0.0012125605717301369,-0.029046600684523582,-0.012711148709058762,0.12672734260559082,-0.20194676518440247,0.13681861758232117,0.009886475279927254,-0.0387800857424736,0.03816652670502663,-0.056158293038606644,-0.00785211194306612,-0.06035606563091278,0.1602133959531784,-0.1914595067501068,0.1888054609298706,0.12598279118537903,0.023938637226819992,0.15713641047477722,0.0035249432548880577,0.03737262636423111,-0.07684683799743652,-0.02876933664083481,-0.17289555072784424,-0.04379637911915779,0.1514148712158203,0.021290019154548645,0.03684144839644432,-0.057252198457717896
人脸报警器接收非法行医人员信息的唯一标识,进行报警,并请求全国非法行医库,获取对应的人员信息及历史违法记录,将请求结果推送给执法人员,查询结果如下:
人员基本信息:
历史违法记录:
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落,使其入本申请范围的所有变更和修改。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (7)
1.一种基于深度学习的卫生监督执法非法行医人脸识别方法,包括:
S10,基于卫生监督执法系统中的非法行医数据创建非法行医数据库;所述非法行医数据库包括非法行医人员信息;其中,所述每个非法行医人员的信息包括非法行医人员的人脸照片、个人信息以及非法行医记录,设置每个非法行医人员具有唯一的身份标识,根据所述唯一的身份标识与所述非法行医人员的信息相关联;
S20,基于TensorFlowJS的SSD Mobilenet V1人脸检测深度学习模型构建人脸检测模型,训练该模型使其能够得到图像中面孔的位置;
S30,获得非法行医数据库中人脸照片中面孔上的人脸特征点及其置信度;将置信度高于阈值的人脸特征点作为面部标界点,将所述面部标界点储存在非法行医数据库中;
S40,获得拍摄到的照片中的人脸的面部标界点,将其与非法行医数据库中对应位置的人脸的面部标界点进行比对,判断是否为非法行医人员。
2.如权利要求1所述的基于深度学习的,卫生监督执法非法行医人脸识别方法,其中,还包括步骤S50,通过该非法行医人员的唯一的身份标识,获取非法行医人员的信息,并向有关部门发出警报。
3.如权利要求1所述的基于深度学习的卫生监督执法非法行医人脸识别方法,其中,在步骤20中,具体步骤为:SSD Mobilenet V1的深度可分卷积将标准卷积分为深度卷积和一个1*1的卷积,深度卷积针对单个输入通道用单个卷积核进行卷积,得到输入通道数的深度,然后运用一个1*1卷积来对深度卷积中的输出进行线性结合,深度卷积对每个通道使用一种卷积核:Gk,l,m^=∑i,jKi,j,m^·Fk+i-1,l+j-1,mGk,l,m^=∑i,jKi,j,m^·Fk+i-1,l+j-1,m,其中K^K^是深度卷积核的尺寸DK*DK*MDK*DK*M,K^K^中第m个卷积核应用于F中的第m个通道来产生第m个通道的卷积输出特征图G^G^,则深度卷积的计算量为:DK*DK*M*DF*DFDK*DK*M*DF*DF,深度可分离卷积的计算量为:DK*DK*M*DF*DF+M*N*DF*DFDK*DK*M*DF*DF+M*N*DF*DF,通过将卷积分为滤波和组合的过程得到对计算量的缩减为:DK*DK*M*DF*DF+M*N*DF*DFDK*DK*M*DF*DF=1N+1D2KDK*DK*M*DF*DF+M*N*DF*DFDK*DK*M*DF*DF=1N+1DK2。
4.如权利要求1所述的基于深度学习的卫生监督执法非法行医人脸识别方法,其中,在步骤30中,采用face_landmark_68_model模型,所述face_landmark_68_model模型采用了深度可分离卷积以及密集连接的块,在数据集上进行了训练,具有68个面部标界点。
6.如权利要求1所述的基于深度学习的卫生监督执法非法行医人脸识别方法,其中,步骤S20的量化模型的大小约为5.4MB,该模型可以通过JS在浏览器端运行,能够在PC、安卓或IOS系统的移动设备上使用。
7.如权利要求4所述的基于深度学习的卫生监督执法非法行医人脸识别方法,其中,通过HTML中的canvas标签进行人脸位置和脸部68个面部标界点的标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010228797.6A CN111597872A (zh) | 2020-03-27 | 2020-03-27 | 一种基于深度学习的卫生监督执法非法行医人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010228797.6A CN111597872A (zh) | 2020-03-27 | 2020-03-27 | 一种基于深度学习的卫生监督执法非法行医人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111597872A true CN111597872A (zh) | 2020-08-28 |
Family
ID=72191136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010228797.6A Pending CN111597872A (zh) | 2020-03-27 | 2020-03-27 | 一种基于深度学习的卫生监督执法非法行医人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597872A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069992A (zh) * | 2020-09-04 | 2020-12-11 | 西安西图之光智能科技有限公司 | 一种基于多监督稠密对齐的人脸检测方法、系统及存储介质 |
CN112241710A (zh) * | 2020-10-22 | 2021-01-19 | 深兰科技(上海)有限公司 | 掌脉识别方法、掌脉识别装置 |
CN113379947A (zh) * | 2021-05-25 | 2021-09-10 | 广州朗国电子科技有限公司 | 一种基于人脸识别的智能门锁 |
CN113420585A (zh) * | 2021-04-21 | 2021-09-21 | 广州晟烨信息科技股份有限公司 | 一种人脸采集识别方法、系统及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201061A (zh) * | 2011-06-24 | 2011-09-28 | 常州锐驰电子科技有限公司 | 基于多阶层过滤人脸识别的智能安全监控系统及方法 |
CN106156688A (zh) * | 2015-03-10 | 2016-11-23 | 上海骏聿数码科技有限公司 | 一种动态人脸识别方法及系统 |
WO2016190814A1 (en) * | 2015-05-25 | 2016-12-01 | Trakomatic Pte. Ltd | Method and system for facial recognition |
CN106951867A (zh) * | 2017-03-22 | 2017-07-14 | 成都擎天树科技有限公司 | 基于卷积神经网络的人脸识别方法、装置、系统及设备 |
CN109117821A (zh) * | 2018-08-31 | 2019-01-01 | 广东九联科技股份有限公司 | 一种执法记录仪的人脸识别系统及方法 |
CN110781829A (zh) * | 2019-10-28 | 2020-02-11 | 华北电力大学 | 一种轻量级深度学习的智慧营业厅人脸识别方法 |
-
2020
- 2020-03-27 CN CN202010228797.6A patent/CN111597872A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201061A (zh) * | 2011-06-24 | 2011-09-28 | 常州锐驰电子科技有限公司 | 基于多阶层过滤人脸识别的智能安全监控系统及方法 |
CN106156688A (zh) * | 2015-03-10 | 2016-11-23 | 上海骏聿数码科技有限公司 | 一种动态人脸识别方法及系统 |
WO2016190814A1 (en) * | 2015-05-25 | 2016-12-01 | Trakomatic Pte. Ltd | Method and system for facial recognition |
CN106951867A (zh) * | 2017-03-22 | 2017-07-14 | 成都擎天树科技有限公司 | 基于卷积神经网络的人脸识别方法、装置、系统及设备 |
CN109117821A (zh) * | 2018-08-31 | 2019-01-01 | 广东九联科技股份有限公司 | 一种执法记录仪的人脸识别系统及方法 |
CN110781829A (zh) * | 2019-10-28 | 2020-02-11 | 华北电力大学 | 一种轻量级深度学习的智慧营业厅人脸识别方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069992A (zh) * | 2020-09-04 | 2020-12-11 | 西安西图之光智能科技有限公司 | 一种基于多监督稠密对齐的人脸检测方法、系统及存储介质 |
CN112241710A (zh) * | 2020-10-22 | 2021-01-19 | 深兰科技(上海)有限公司 | 掌脉识别方法、掌脉识别装置 |
CN113420585A (zh) * | 2021-04-21 | 2021-09-21 | 广州晟烨信息科技股份有限公司 | 一种人脸采集识别方法、系统及存储介质 |
CN113379947A (zh) * | 2021-05-25 | 2021-09-10 | 广州朗国电子科技有限公司 | 一种基于人脸识别的智能门锁 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111597872A (zh) | 一种基于深度学习的卫生监督执法非法行医人脸识别方法 | |
CN111709409B (zh) | 人脸活体检测方法、装置、设备及介质 | |
WO2019109526A1 (zh) | 人脸图像的年龄识别方法、装置及存储介质 | |
US8452096B2 (en) | Identifying descriptor for person or object in an image | |
WO2019033571A1 (zh) | 面部特征点检测方法、装置及存储介质 | |
US20150342560A1 (en) | Novel Algorithms for Feature Detection and Hiding from Ultrasound Images | |
Muhathir et al. | Analysis K-Nearest Neighbors (KNN) in Identifying Tuberculosis Disease (Tb) By Utilizing Hog Feature Extraction | |
WO2019153175A1 (zh) | 基于机器学习的遮挡人脸识别系统、方法及存储介质 | |
CN111785384A (zh) | 基于人工智能的异常数据识别方法及相关设备 | |
WO2019119396A1 (zh) | 人脸表情识别方法及装置 | |
JP6410450B2 (ja) | オブジェクト識別装置、オブジェクト識別方法及びプログラム | |
CN114220143B (zh) | 一种佩戴口罩的人脸识别方法 | |
US20230135400A1 (en) | Method and system for facial recognition | |
Chowdhury et al. | An efficient radiographic image retrieval system using convolutional neural network | |
CN115862113A (zh) | 陌生人异常识别方法、装置、设备及存储介质 | |
Monteiro et al. | A machine learning methodology for medical imaging anonymization | |
CN113705469B (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
Srivastava et al. | Automated emergency paramedical response system | |
Al-Dmour et al. | Masked face detection and recognition system based on deep learning algorithms | |
CN113920335A (zh) | 基于深度学习的图像和文本嵌入的药物标签识别方法 | |
CN112560711A (zh) | 非机动车交通违法判定方法、系统、装置及存储介质 | |
CN116778579A (zh) | 多人姿态的识别方法、装置、存储介质及电子设备 | |
CN114882420A (zh) | 接待人数统计方法、装置、电子设备及可读存储介质 | |
Jayanthy et al. | Facial recognition and verification system for accessing patient health records | |
Pallavi et al. | Retrieval of facial sketches using linguistic descriptors: an approach based on hierarchical classification of facial attributes |
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 |