一种健身效果的预测方法技术

本发明专利技术涉及图片处理领域，算法领域，机器学习领域，尤其涉及一种通过计算面容扭曲度预测健身效果的方法。通过采集海量的用户训练结果数据以及训练时的表情图，经过google提供的tensorflow训练出循环神经网络模型，对后期产生的健身时的表情扭曲度图进行预测，给出对应的效果数据。

A prediction method of fitness effect

【技术实现步骤摘要】
一种健身效果的预测方法
本专利技术涉及图片处理领域，算法领域，机器学习领域，尤其涉及一种通过计算面容扭曲度预测健身效果的方法。
技术介绍
目前健身领域暂无一款能根据表情识别健身效果的方法，健身爱好者没有一个标准的度来把握自身的健身强度。强度过大，对自身身体损伤，强度不够，则没有太多的健身效果。本专利技术通过训练大数据产生一个标准用来帮助健身爱好者把握健身的强度，以及帮助健身爱好者预测健身效果。
技术实现思路
本专利技术的目的是：提供了一种基于人面部识别的健身效果预测方法。一种健身效果的预测方法，包括如下步骤：第1步，采用健身爱好者的标准无表情照片；并且在健身爱好者在健身过程中再次进行照片的采集；第2步，计算出健身爱好者在运动后的面部扭曲度；第3步，采用神经网络模型，以面部扭曲度为输入向量，以运动后的效果作为输出向量，通过训练样本进行模型的训练；第4步，将新的健身爱好者在健身过程中的面部扭曲度输入训练好的模型中，评价健身效果。在一个实施方式中，所述的神经网络模型是RNN。在一个实施方式中，所述的在健身过程中再次进行照片的采集是在各种不同角度、环境、姿态、光照的面部图片数据的采集。在一个实施方式中，在第1步中，还需要对采集到的照片进行人脸部分的图片截取。在一个实施方式中，是通过Haar-like特征行为算法检测人脸。在一个实施方式中，面部扭曲度的计算方法是：S1，将标准无表情人脸和健身过程中人脸分别进行网格化，分别作为第一网格照片和第二网格照片；S2，将第二网格照片上的各个点进行扭曲，使第二网格照片与第一网格照片相同；S3，计算步骤S2中的网格上各个点的扭曲变形程度，并计算平均值，作为面部扭曲度。在一个实施方式中，所述的健身效果可以是体脂率、心率、肌肉含量或者肺活量。有益效果通过训练出来的神经网络模型，健身爱好者可以在健身过程中有一个实时的反馈，当面部表情达到某个范围时，系统给出来对应的预期效果范围，同时也可以在健身过程把握合适的强度，以及对于整个健身周期的预测，可以给用户以具体的数值的反馈。后期，针对一些结果，也可以给出一些健身标准。附图说明图1、图2、图3说明图片扭曲过程图4对应计算出扭曲度流程图图5RNN按时间展开后的效果图图6整个方法的流程图图7、图8分别是预测样本的准确率和丢失率变化趋势具体实施方式本专利技术的方法的几个主要解决步骤如下：1.图片采集后的矫正2.图片扭曲度计算3.扭曲度和健身效果的训练标准库的建立4.不断增加训练样本来增强模型的预测准确率5.通过标准库完成对训练效果的预测基于以上的步骤，采用的具体实施过程如下：第1步，采集健身爱好者的无表情标准照片。标准照是用于得到健身爱好者的正常情况下的面部容貌，用于作为背景值，可以通过该背景值计算出在特定的健身条件下的面部扭曲程度；第2步，采集健身爱好者在健身过程中各种角度、环境、姿态、光照的面部图片数据；由于健身者每次健身过程中的程度都不一定相同，并且相应的健身环境也不一定相同，因为为了提高模型的预测程度，需要增大一些样本量，将不同条件下的样本数据也引入进来；第3步，对采集的图片数据进行相关预处理，生成针对个人的人脸图片集；本步骤中，是用于从照片中将人面部提取出来，人脸检测过程可以采用现有技术中的方法，本专利技术不作特别限定，在一个实施方式中的预处理流程如下：对采集的图片进行人脸检测，由Haar-like特征行为算法检测到图片中的人脸，并顺带标记出人脸在图片中的位置，通过Haar-like算法测出来的特征位置得到图片中人脸区域的坐标、以及整个区域的大小，然后将人脸部分的图片截取，在通过目前的人脸svm模型进行矫正。第4步，通过竖向扭曲算法，算出来每一次健身的所有图片的扭曲度平均值；本步骤中，是采用了采用进行扭曲图片的逆向思维来计算扭曲度。扭曲图片的算法描述如下：A.将图片覆盖上一些很多的网格B.网格线的结点处施加外力，网格线受外力后就会变形C.撤消外力，由于网格线是有弹性的，这时底图在网格线的带动下发生变形，直到网格线回复到原样D.对应的算法更具体的图片扭曲算法原理如图1-3所示。对图上的每个网格顶点赋值时，算法在u方向均匀取值，v方向采用函数变化，变形后网格以及变形函数如下：u(i,j)=i/499;v(i,j)=v(i,j-1)+tension*s(i,j)*sin(i/499*f)。v方向增量变化为tension*s(i,j)*sin(i/499*f)，其中正弦函数频率为其中正弦函数频率为f=1/tension*PI，其中tension控制变形程度。振幅为可变函数，s(i,j)=(1-fabs(u(i,j-1)-0.5)/0.5)*(1-fabs(v(i,j-1)-0.5)/0.5).因此，计算扭曲度时，将健身爱好者在运动后的照片进行网格化之后，对网络的各个点进行扭曲，使人面部恢复至第1步中得到的标准照的情况，此时就可以计算出各个网络点的tension参数；然后将各个点的tension参数求出均值，即作为本次运动后的面部扭曲度；例如，均值的计算可以通过得到对比恢复后图片和标准图片结果的正太分布,最高点的值即就是此次的扭曲度；第5步，将用户一次健身得到的所有扭曲度的均值对应个人自评健身效果存进数据仓库中；第6步，固定周期将用户多维度实质的健身效果（体脂率，心率，肌肉含量，肺活量等）存储进数据仓库；第5步和第6步中得到的结果是用于作为模型训练时的样本数据，并且作为以后应用模型时的预测值。第7步，对数据利用tensorflow深度学习框架和循环神经网络（RNN）算法实现进行训练，生成训练样本。步骤以及原理如下：如图5，左边是RNN的神经元，右边是按时间展开后的情况，x是神经网络的输入，U是输入层到隐藏层之间的权重矩阵，W是记忆单元到隐藏层之间的权重矩阵，V是隐藏层到输出层之间的权重矩阵，s是隐藏层的输出，同时也是要保存到记忆单元中，并与下一时刻的x一起作为输入，o是神经网络的输出，从右边的展开部分可以更清楚的看到，RNN每个时刻隐藏层的输出都会传递给下一时刻，因此每个时刻的网络都会保留一定的来自之前时刻的历史信息，并结合当前时刻的网络状态一并再传给下一时刻。计算公式如下：•xtxt是时间步骤tt的输入，x1x1可以是对应于第二个输入•stst是时刻t的隐藏状态，它是神经网络的记忆，stst是基于先前隐藏状态和当前步骤的输入计算的：函数f类似于tanh和ReLU。s−1s−1计算第一个隐藏状态所需的，通常初始化为全零•otot时刻t的输出。例如，如果我们想要预测下一个结果，那么它就是我们结果库中概率的向量。本实施例中所采用的RNN模型本文档来自技高网...

【技术保护点】
1.一种健身效果的预测方法，其特征在于，包括如下步骤：/n第1步，采用健身爱好者的标准无表情照片；并且在健身爱好者在健身过程中再次进行照片的采集；/n第2步，计算出健身爱好者在运动后的面部扭曲度；/n第3步，采用神经网络模型，以面部扭曲度为输入向量，以运动后的效果作为输出向量，通过训练样本进行模型的训练；/n第4步，将新的健身爱好者在健身过程中的面部扭曲度输入训练好的模型中，评价健身效果。/n

【技术特征摘要】
1.一种健身效果的预测方法，其特征在于，包括如下步骤：
第1步，采用健身爱好者的标准无表情照片；并且在健身爱好者在健身过程中再次进行照片的采集；
第2步，计算出健身爱好者在运动后的面部扭曲度；
第3步，采用神经网络模型，以面部扭曲度为输入向量，以运动后的效果作为输出向量，通过训练样本进行模型的训练；
第4步，将新的健身爱好者在健身过程中的面部扭曲度输入训练好的模型中，评价健身效果。


2.根据权利要求1所述的健身效果的预测方法，其特征在于，在一个实施方式中，所述的神经网络模型是RNN。


3.根据权利要求1所述的健身效果的预测方法，其特征在于，在一个实施方式中，所述的在健身过程中再次进行照片的采集是在各种不同角度、环境、姿态、光照的面部图片数据的采集。


4.根据权利要求1所述...

【专利技术属性】
技术研发人员：王冲，朱凯，
申请(专利权)人：江苏艾佳家居用品有限公司，
类型：发明
国别省市：江苏;32