基于面部扫描的智能健康监测系统及方法技术方案

本发明专利技术涉及一种基于面部扫描的智能健康监测系统及方法，所述系统包括：面部扫描设备，用于对用户进行面部扫描，获取用户的面部特征；控制器，用于根据所述面部扫描设备获取的用户的面部特征，获取用户的健康状态分类；所述控制器包括：模型存储模块；特征存储模块；图像识别模块；数据获取模块；以及状态分析模块，用于将数据获取模块得到的面部特征点位置移动数据输入模型存储模块中存储的健康状态预测模型，得到所述健康状态预测模型输出的健康状态分类。本发明专利技术可以帮助人们快速及时地了解到身体的健康状态，及时做到健康预警，基于大数据和深度学习模型，可以大大提高健康状态预测的准确率。

【技术实现步骤摘要】
基于面部扫描的智能健康监测系统及方法
本专利技术涉及数据处理服务
，具体是指一种基于面部扫描的智能健康监测系统及方法。
技术介绍
随着生活节奏的加快，工作压力的加大，越来越多的人开始注重身体的健康状态。但是由于工作繁忙，并不是所有人都有时间能够经常去医院或相关机构进行身体健康检查。导致人们无法很好地对身体的健康状态进行预警。如何快速方便地知晓自身的健康状态，及时进行健康预警，是现在人们越来越关注的问题。
技术实现思路
为了解决现有技术中的问题，本专利技术提供了一种基于面部扫描的智能健康监测系统及方法，可以帮助人们快速及时地了解到身体的健康状态，及时做到健康预警，基于大数据和深度学习模型，可以大大提高健康状态预测的准确率。为了实现上述目的，本专利技术具有如下构成：本专利技术提供了一种基于面部扫描的智能健康监测系统，所述系统包括：面部扫描设备，用于对用户进行面部扫描，获取用户的面部特征；控制器，用于根据所述面部扫描设备获取的用户的面部特征，获取用户的健康状态分类；所述控制器包括：模型存储模块，用于存储健康状态预测模型，所述健康状态预测模型的输入为面部特征点位置移动数据，输出为健康状态分类；特征存储模块，用于预存各个用户的标准图像中的标准面部特征点位置；图像识别模块，用于对所述面部扫描设备获取的面部特征进行分析，根据所述用户的面部特征确定用户的当前面部特征点位置；数据获取模块，用于根据用户的面部特征对用户进行身份识别，并获取用户所对应的标准图像中的标准面部特征点位置，比较当前面部特征点位置和标准面部特征点位置，得到所述用户的面部特征点位置移动数据；状态分析模块，用于将所述数据获取模块得到的面部特征点位置移动数据输入所述模型存储模块中存储的健康状态预测模型，得到所述健康状态预测模型输出的健康状态分类。可选地，所述健康状态预测模型为基于深度学习的卷积神经网络模型，所述卷积神经网络模型包括卷积层、池化层、全连接层和softmax分类层。可选地，所述各个用户的标准图像中的标准面部特征点位置包括标准图像中各个面部特征点与一预设中心点的距离数据。可选地，所述图像识别模块采用如下步骤根据所述用户的面部特征确定用户的当前面部特征点位置：所述图像识别模块从所述用户的面部特征中识别预设中心点的位置和各个面部特征点的位置；所述图像识别模块计算各个面部特征点到所述预设中心点的距离，作为用户的当前面部特征点位置。可选地，所述数据获取模块计算当前面部特征点到预设中心点的距离与标准图像中对应面部特征点到预设中心点的距离的差值，作为所述用户的面部特征点位置移动数据。可选地，所述控制器还包括模型训练模块，所述模型训练模块用于基于深度学习构建健康状态预测模型，并采用训练集训练所述健康状态预测模型至所述健康状态预测模型收敛。可选地，所述模型训练模块还用于预先采集标记有健康状态类别的用户的面部特征，比较采集的用户的面部特征与该用户的标准图像，计算面部特征点位置移动数据，将计算得到的面部特征点位置移动数据进行健康状态类别标记，并加入所述训练集。可选地，所述各个用户的标准图像中的标准面部特征点位置包括标准图像中各个面部特征点与一预设中心点的距离数据；所述模型训练模块采用如下步骤比较采集的用户的面部特征与该用户的标准图像，计算面部特征点位置移动数据：所述模型训练模块从所述用户的面部特征中识别预设中心点的位置和各个面部特征点的位置，计算各个面部特征点到所述预设中心点的距离，作为用户的当前面部特征点位置；所述模型训练模块计算当前面部特征点到预设中心点的距离与标准图像中对应面部特征点到预设中心点的距离的差值，作为所述用户的面部特征点位置移动数据。本专利技术实施例还提供一种基于面部扫描的智能健康监测方法，采用所述的基于面部扫描的智能健康监测系统，所述方法包括如下步骤：所述面部扫描设备对用户进行面部扫描，获取用户的面部特征；所述图像识别模块对所述面部扫描设备获取的面部特征进行分析，根据所述用户的面部特征确定用户的当前面部特征点位置；所述数据获取模块根据用户的面部特征对用户进行身份识别，并获取用户所对应的标准图像中的标准面部特征点位置；所述数据获取模块比较当前面部特征点位置和标准面部特征点位置，得到所述用户的面部特征点位置移动数据；所述状态分析模块将所述数据获取模块得到的面部特征点位置移动数据输入所述模型存储模块中存储的健康状态预测模型，得到所述健康状态预测模型输出的健康状态分类。可选地，所述各个用户的标准图像中的标准面部特征点位置包括标准图像中各个面部特征点与一预设中心点的距离数据；所述图像识别模块采用如下步骤根据所述用户的面部特征确定用户的当前面部特征点位置：所述图像识别模块从所述用户的面部特征中识别预设中心点的位置和各个面部特征点的位置；所述图像识别模块计算各个面部特征点到所述预设中心点的距离，作为用户的当前面部特征点位置；所述数据获取模块计算当前面部特征点到预设中心点的距离与标准图像中对应面部特征点到预设中心点的距离的差值，作为所述用户的面部特征点位置移动数据。综上所述，与现有技术相比，本专利技术通过面部扫描和面部特征智能分析，可以帮助人们快速及时地了解到身体的健康状态，及时做到健康预警，基于大数据和深度学习模型，可以大大提高健康状态预测的准确率，对于用户来说，只需要在面部扫描设备前面进行十分短暂的面部扫描即可，不会占用过多时间，使用十分方便，大大提升了用户的使用体验。附图说明图1为本专利技术一实施例的基于面部扫描的智能健康监测系统的结构示意图；图2为本专利技术一实施例的健康状态预测模型训练的流程图；图3为本专利技术一实施例的基于面部扫描的智能健康监测方法的流程图；图4为本专利技术一实施例的健康状态预测的流程图。具体实施方式现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本专利技术将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本专利技术的实施方式的充分理解。然而，本领域技术人员应意识到，没有特定细节中的一个或更多，或者采用其它的方法、组元、材料等，也可以实践本专利技术的技术方案。在某些情况下，不详细示出或描述公知结构、材料或者操作以避免模糊本专利技术。如图1所示，为了解决现有技术中的技术问题，本专利技术提供了一种基于面部扫描的智能健康监测系统，包括：面部扫描设备100，用于对用户进行面部扫描，获取用户的面部特征；面部扫描设备100获取面部特征的数量和分散度可以根据需要进行设定，选择的数量越多本文档来自技高网...

【技术保护点】
1.一种基于面部扫描的智能健康监测系统，其特征在于，所述系统包括：/n面部扫描设备，用于对用户进行面部扫描，获取用户的面部特征；/n控制器，用于根据所述面部扫描设备获取的用户的面部特征，获取用户的健康状态分类；所述控制器包括：/n模型存储模块，用于存储健康状态预测模型，所述健康状态预测模型的输入为面部特征点位置移动数据，输出为健康状态分类；/n特征存储模块，用于预存各个用户的标准图像中的标准面部特征点位置；/n图像识别模块，用于对所述面部扫描设备获取的面部特征进行分析，根据所述用户的面部特征确定用户的当前面部特征点位置；/n数据获取模块，用于根据用户的面部特征对用户进行身份识别，并获取用户所对应的标准图像中的标准面部特征点位置，比较当前面部特征点位置和标准面部特征点位置，得到所述用户的面部特征点位置移动数据；/n状态分析模块，用于将所述数据获取模块得到的面部特征点位置移动数据输入所述模型存储模块中存储的健康状态预测模型，得到所述健康状态预测模型输出的健康状态分类。/n

【技术特征摘要】
1.一种基于面部扫描的智能健康监测系统，其特征在于，所述系统包括：
面部扫描设备，用于对用户进行面部扫描，获取用户的面部特征；
控制器，用于根据所述面部扫描设备获取的用户的面部特征，获取用户的健康状态分类；所述控制器包括：
模型存储模块，用于存储健康状态预测模型，所述健康状态预测模型的输入为面部特征点位置移动数据，输出为健康状态分类；
特征存储模块，用于预存各个用户的标准图像中的标准面部特征点位置；
图像识别模块，用于对所述面部扫描设备获取的面部特征进行分析，根据所述用户的面部特征确定用户的当前面部特征点位置；
数据获取模块，用于根据用户的面部特征对用户进行身份识别，并获取用户所对应的标准图像中的标准面部特征点位置，比较当前面部特征点位置和标准面部特征点位置，得到所述用户的面部特征点位置移动数据；
状态分析模块，用于将所述数据获取模块得到的面部特征点位置移动数据输入所述模型存储模块中存储的健康状态预测模型，得到所述健康状态预测模型输出的健康状态分类。


2.根据权利要求1所述的基于面部扫描的智能健康监测系统，其特征在于，所述健康状态预测模型为基于深度学习的卷积神经网络模型，所述卷积神经网络模型包括卷积层、池化层、全连接层和softmax分类层。


3.根据权利要求1所述的基于面部扫描的智能健康监测系统，其特征在于，所述各个用户的标准图像中的标准面部特征点位置包括标准图像中各个面部特征点与一预设中心点的距离数据。


4.根据权利要求3所述的基于面部扫描的智能健康监测系统，其特征在于，所述图像识别模块采用如下步骤根据所述用户的面部特征确定用户的当前面部特征点位置：
所述图像识别模块从所述用户的面部特征中识别预设中心点的位置和各个面部特征点的位置；
所述图像识别模块计算各个面部特征点到所述预设中心点的距离，作为用户的当前面部特征点位置。


5.根据权利要求4所述的基于面部扫描的智能健康监测系统，其特征在于，所述数据获取模块计算当前面部特征点到预设中心点的距离与标准图像中对应面部特征点到预设中心点的距离的差值，作为所述用户的面部特征点位置移动数据。


6.根据权利要求1所述的基于面部扫描的智能健康监测系统，其特征在于，所述控制器还包括模型训练模块，所述模型训练模块用于基于深度学习构建健康状态预测模型，并采用训练集训练所述健康状态预测模型至所述健康状态预测模型收敛。


7.根据权利要求6所述的基于面...

【专利技术属性】
技术研发人员：李荣花，
申请(专利权)人：绍兴文理学院，
类型：发明
国别省市：浙江;33