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技术方案
【技术实现步骤摘要】
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
本专利技术属于健康监测大数据领域，特别涉及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。
技术介绍
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，...
【技术保护点】
一种基于智能视觉重构的无人机人体健康监控方法，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H...
【技术特征摘要】
1.一种基于智能视觉重构的无人机人体健康监控方法，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InputFormat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、特征提取、PCA降维处理后，采用在Hadoop平台训练得到的基于广义回归神经网络的脸部识别模型进行识别；其中，对预处理后脸部图像采用Gabor小波滤波器进行特征提取，所述Gabor小波滤波器包括5个中心频率和8个方向；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广义回归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，训练基于广义回归神经网络的脸部识别模型，将所有训练完后的基于广义回归神经网络的脸部识别模型中的光滑因子求平均，直到最终基于广义回归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PID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。2.根据权利要求1所述的方法，其特征在于，所述广义回归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特征提取，并对提取的图像特征进行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，对广义回归神经网络进行训练，得到基于广义回归神经网络的脸部识别模型；其中，最大迭代次数为250，训练学习率为0.1，在训练过程中，所述广义回归神经网络使用的光滑因子采用水循环算法进行寻优获得。3.根据权利要求2所述的方法，其特征在于，所述广义回归神经网络使用的光滑因子采用水循环算法进行寻优获得的过程如下：步骤A1：将降雨层作为基于广义回归神经网络的脸部识别模型的光滑因子，初始化降雨层种群，并设置降雨层种群参数；降雨层种群规模的取值范围为[20,140]，河流和海洋的取值范围为[4,14]，海洋个数1，极小值dmin的取值范围为[0.025,0.1]，最大迭代次数的取值范围为[300,1000]，最大搜索精度的取值范围为[0.01,0.15]；步骤A2：设定适应度函数，并确定初始最优降雨层和迭代次数t，t＝1；将降雨层对应的光滑因子代入基于广义回归神经网络的人脸识别模型中，并利用降雨层确定的基于广义回归神经网络的人脸识别模型计算输入图像的对应编号，将输入图像的计算编号和实际编号的均方差MSE1的倒数作为第一适应度函数f1(x)；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；利用第一适应度函数计算每个降雨层的适应度，以最大适应度对应的降雨层作为大海，以次小适应度对应的降雨层作为河流，其余的降雨层作为流入河流或海洋的溪流；步骤A3：使溪流汇入河流，如果发现溪流的解比河流的解更好，则它们互相交换位置；步骤A4：使河流流入海洋，若河流的解比海洋的解较优，则河流与海洋交换位置，以最终海洋作为最优解；步骤A5：检查是否满足蒸发条件；判断河流与海洋的适应值之差的绝对值是否小于极小值dmin；如果小于，则认为满足降雨条件，去掉该河流，并重新进行降雨过程，随机生成新的降雨层，重新计算降雨层种群中各降雨层的适应度，返回步骤A3，否则，减小dmin，进入步骤A6；随机生成的新的降雨层数量与删掉的河流数量相同；步骤A6：判断是否到达最大迭代次数，若达到，输出全局最优大海对应的基于广义回归神经网络的人脸识别模型的光滑因子，若未达到，则令t＝t+1，进入步骤A3，继续下一次迭代。4.根据权利要求1所述的方法，其特征在于，所述PID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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。