本发明专利技术提供一种基于人脸图像的相对体重分析方法、装置及电子设备，所述方法包括：获取若干个人脸图像；基于预先训练好的人脸检测模型对若干个所述人脸图像分别进行检测，以分别获得相应的各个人脸面部信息；基于各个所述人脸面部信息和预先训练好的相对体重计算模型，获得相对体重分析结果，该方法可以各个人脸图像对应的被监测人之间的相对体重分析结果，能够有效地实现了同一人在不同时期以及同一时期不同人之间的相对体重分析比较，且大大提升了相对体重分析结果的准确性。了相对体重分析结果的准确性。了相对体重分析结果的准确性。
【技术实现步骤摘要】
基于人脸图像的相对体重分析方法、装置及电子设备
[0001]本专利技术涉及体重智能化监测
，尤其涉及一种基于人脸图像的相对体重分析方法、装置及电子设备。
技术介绍
[0002]体重监测作为人体健康指标监测的内容一直，越来越受到人们的重视。过去，人们通过记录体重的方式来监测自己的体重变化情况，以此方式判断自己是否变胖了或瘦了，以及判断自己是否拥有健康的体重情况。但是，此方式需要人们自行手动地、多次地记录体重数据，并根据所记录数据人为进行比较和判断。并且，随着人们生活工作的繁忙，体重数据漏记录的情况也会时有发生。综上，此方式过于繁琐劳累，且自行测量并记录的体重数据的准确性和全面性也无法得到保证。
[0003]当然，也有些人提出了体重分析系统。但是，目前的体重分析系统大多数是事先需要对体重数据进行人为标注，随后再使用人工智能算法进行分类训练，此种有监督的训练方法中是先入为主的标注数据，故其会体重分析结果会受到人为主观因素较大的影响，分析过程繁琐、准确性较差。或者，有些体重分析系统会基于人脸图像数据进行体重监测，但其人脸图像检测过程中需要预存部分人脸图像以用于人脸检测，再根据人脸检测结果去分析被监测人的体重情况，分析体重情况时通常是需要设定一个标准阈值，根据当前体重监测值和标准阈值的比较结果，判断被监测者是胖还是瘦。此种预存部分人脸图像以及设定标准阈值的操作也均是人为的，主观因素影响较大。综上，现有体重分析系统仅能基于人为标准去判断绝对化的体重情况，而无法准确地获得相对胖瘦等的相对体重变化情况。
专利技术内容
[0004]本专利技术提供一种基于人脸图像的相对体重分析方法、装置及电子设备，用以解决现有技术中现有体重分析系统仅能基于人为标准去判断绝对化的体重情况，而无法准确地获得相对胖瘦等的相对体重变化情况的缺陷，从而提升相对体重情况监测的准确性。
[0005]本专利技术提供一种基于人脸图像的相对体重分析方法，包括：
[0006]获取若干个人脸图像；
[0007]基于预先训练好的人脸检测模型对若干个所述人脸图像分别进行检测，以分别获得相应的各个人脸面部信息；
[0008]基于各个所述人脸面部信息和预先训练好的相对体重计算模型，获得相对体重分析结果。
[0009]根据本专利技术提供的基于人脸图像的相对体重分析方法，所述基于各个所述人脸面部信息和预先训练好的相对体重计算模型，获得相对体重分析结果，具体包括：
[0010]基于预先训练好的人脸关键区域面积计算子模型和各个所述人脸面部信息，以分别获得相应的各个人脸关键区域面积值；
[0011]基于相对体重监测子模型，计算任意每两个人脸关键区域面积值之差的绝对值，
并基于所述绝对值和预设取值区间获得所述相对体重分析结果；
[0012]其中，所述预设取值区间为预设的且与体重差异相关联的面部面积浮动取值区间。
[0013]根据本专利技术提供的基于人脸图像的相对体重分析方法，所述人脸检测模型的预先训练过程包括：
[0014]采集若干个人脸图像样本，以作为人脸图像数据集；
[0015]基于通用人脸识别框架和预设的网络结构设置策略，构建人脸检测神经网络；
[0016]基于所述人脸检测神经网络对所述人脸图像数据集进行深度学习训练，以获得所述人脸检测模型。
[0017]根据本专利技术提供的基于人脸图像的相对体重分析方法，所述基于通用人脸识别框架和预设的网络结构设置策略，构建人脸检测神经网络，包括：
[0018]获取若干个人脸图像，以作为第一训练数据集；
[0019]获取所述通用人脸识别框架的第一全连接层中的多维向量，将所述多维向量替换为预设步长和预设池化大小的第一下采样层，以获得更新后的第一全连接层；
[0020]在所述通用人脸识别框架的第一卷积层中增加一个预设大小的残差网络，以获得更新后的第一卷积层；
[0021]基于所述第一训练数据集，在所述通用人脸识别框架的计算层中，设置关键点坐标与人脸图像中人脸关键点的对应匹配关系，以获得更新后的计算层；
[0022]基于所述更新后的第一全连接层、所述更新后的第一卷积层和更新后的计算层，获得所述人脸检测神经网络。
[0023]根据本专利技术提供的基于人脸图像的相对体重分析方法，所述人脸关键区域面积计算子模型的预先训练过程包括：
[0024]获取若干个人脸图像，以作为第二训练数据集；
[0025]基于卷积神经网络，构建曲线拟合回归网络；
[0026]基于所述第二训练数据集对所述曲线拟合回归网络进行迭代训练，以获得人脸关键点间弧度回归曲线；
[0027]基于所述人脸关键点间弧度回归曲线和预设的人脸关键点坐标系，获得人脸关键点间弧度区域面积值。
[0028]根据本专利技术提供的基于人脸图像的相对体重分析方法，所述基于所述人脸关键点间弧度回归曲线和预设的人脸关键点坐标系，获得人脸关键点间弧度区域面积值，具体包括：
[0029]基于所述人脸关键点间弧度回归曲线、至少两个的人脸关键点的坐标值以及所述人脸关键点坐标系中的横坐标轴，获得第一区域面积值；
[0030]基于所述至少两个的人脸关键点的坐标值，以及所述至少两个的人脸关键点分别在所述横坐标轴上的垂足点的坐标值，获得第二区域面积值；
[0031]基于所述第一区域面积值和所述第二区域面积值，获得所述人脸关键点间弧度区域面积值。
[0032]根据本专利技术提供的基于人脸图像的相对体重分析方法，在所述获取若干个人脸图像之后，所述方法还包括图像预处理步骤，具体包括：
[0033]对若干个人脸图像进行数据降噪处理，分别获得各个降噪后人脸图像；
[0034]基于图像对齐法对各所述降噪后人脸图像进行人脸对齐处理，分别获得各个对齐后的人脸图像；
[0035]基于预设尺寸标准对各所述对齐后的人脸图像进行尺寸归一化处理，分别获得各个标准化人脸图像。
[0036]本专利技术还提供一种基于人脸图像的相对体重分析装置，包括：
[0037]获取模块，用于获取若干个人脸图像；
[0038]检测模块，用于基于预先训练好的人脸检测模型对若干个所述人脸图像分别进行检测，以分别获得相应的各个人脸面部信息；
[0039]计算模块，用于基于各个所述人脸面部信息和预先训练好的相对体重计算模型，获得相对体重分析结果。
[0040]本专利技术还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任一项所述基于人脸图像的相对体重分析方法的全部或部分步骤。
[0041]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述基于人脸图像的相对体重分析方法的全部或部分步骤。
[0042]本专利技术提供一种基于人脸图像的相对体重分析方法、装置及电子设备，所述方法通过预先建立人脸检测模型以从至少两幅本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于人脸图像的相对体重分析方法，其特征在于，包括：获取若干个人脸图像；基于预先训练好的人脸检测模型对若干个所述人脸图像分别进行检测，以分别获得相应的各个人脸面部信息；基于各个所述人脸面部信息和预先训练好的相对体重计算模型，获得相对体重分析结果。2.根据权利要求1所述的基于人脸图像的相对体重分析方法，其特征在于，所述基于各个所述人脸面部信息和预先训练好的相对体重计算模型，获得相对体重分析结果，具体包括：基于预先训练好的人脸关键区域面积计算子模型和各个所述人脸面部信息，以分别获得相应的各个人脸关键区域面积值；基于相对体重监测子模型，计算任意每两个人脸关键区域面积值之差的绝对值，并基于所述绝对值和预设取值区间获得所述相对体重分析结果；其中，所述预设取值区间为预设的且与体重差异相关联的面部面积浮动取值区间。3.根据权利要求1所述的基于人脸图像的相对体重分析方法，其特征在于，所述人脸检测模型的预先训练过程包括：采集若干个人脸图像样本，以作为人脸图像数据集；基于通用人脸识别框架和预设的网络结构设置策略，构建人脸检测神经网络；基于所述人脸检测神经网络对所述人脸图像数据集进行深度学习训练，以获得所述人脸检测模型。4.根据权利要求3所述的基于人脸图像的相对体重分析方法，其特征在于，所述基于通用人脸识别框架和预设的网络结构设置策略，构建人脸检测神经网络，包括：获取若干个人脸图像，以作为第一训练数据集；获取所述通用人脸识别框架的第一全连接层中的多维向量，将所述多维向量替换为预设步长和预设池化大小的第一下采样层，以获得更新后的第一全连接层；在所述通用人脸识别框架的第一卷积层中增加一个预设大小的残差网络，以获得更新后的第一卷积层；基于所述第一训练数据集，在所述通用人脸识别框架的计算层中，设置关键点坐标与人脸图像中人脸关键点的对应匹配关系，以获得更新后的计算层；基于所述更新后的第一全连接层、所述更新后的第一卷积层和更新后的计算层，获得所述人脸检测神经网络。5.根据权利要求2所述的基于人脸图像的相对体重分析方法，其特征在于，所述人脸关键区域面积计算子模型的预先训练过程包括：获取若干个人脸图像，以作为...
【专利技术属性】
技术研发人员：孟春雷，刘洋，马为之，
申请(专利权)人：清华大学，
类型：发明
国别省市：
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。