基于人脸特征点的身体质量指数预测方法

摘要

本发明涉及一种基于人脸特征点的身体质量指数预测方法，将人脸照片和与之对应的身体质量指数所属类别关联，建立身体质量指数的回归模型，将人脸照片中的提取特征值和对应的BMI类别一起作为数据，送入回归模型进行训练，获得人脸特征和身体质量指数所属类别的回归关系，只要拍摄人脸送入训练后模型即可得到对应身体质量指数所属类别。这种测量方法缩短了流程，减少了不必要的时间；所需的硬件设备的要求只需要具备摄像头和处理器(CPU)，换言之，此技术通过手机就可达成目的，而从现在社会发展来看，手机几乎成为每个人的标配工具，这无疑会将身体健康测量变得更加的便携和普适化，从而引起人们对自身健康更多的关注。

说明书

技术领域

本发明涉及一种识别技术，特别涉及一种基于人脸特征点的身体质量指数预测方法。

背景技术

目前较为普遍的身体质量指数(BMI)测量，都是用体重公斤数除以身高米数平方得出的数值，即是以参与者身高和体重作为输入，经过公式计算得来。此方法容易受到测量设备的限制以及场地等外界因素干扰，而且需要逐个测量、记录与计算的过程十分繁琐，因此无法快速完成对人群的测算。根据先前的研究表明，成年的参与者往往会高估自己升高或者低估自己体重，导致BMI测量不准确。

发明内容

克服身体质量指数测量因外界因素导致的测量不准确的问题，提出了一种基于人脸特征点的身体质量指数预测方法，排除外界因素，仅通过人脸识别预测身体质量指数。

本发明的技术方案为：一种基于人脸特征点的身体质量指数预测方法，将人脸照片和与之对应的身体质量指数所属类别关联，建立身体质量指数的回归模型，将人脸照片中的提取特征值和对应的BMI类别一起作为一个数据，采集数量级的数据组成了训练数据集和测试数据集，将训练数据集送入回归模型进行训练，从训练数据集中获得人脸特征和身体质量指数所属类别的回归关系，并将训练后回归关系运用在测试数据集上并检验效果，如验证达到效果要求，只要拍摄人脸送入训练后模型即可得到对应身体质量指数所属类别。

优选的，所述人脸特征值提取实现的具体步骤如下：

1)通过摄像头并经过模型获取五官和脸颊轮廓的个人脸特征点，并记录特征点的2D XY坐标作为2维数据，或者特征点的3D XYZ坐标作为3维数据；

2)将获取的人脸特征点坐标的各个维度减去各个维度所有特征点的均值，再除以鼻子的长度或者两眼角内侧距离完成归一化，获取归一化后的人脸特征点值；将归一化后的人脸特征点值通过所有人脸中选定的模板进行对比矫正，获得矫正后人脸特征点值；

3)对步骤2)处理后的人脸特征点值进行特征组合获得特征值。

优选的，所述步骤3)根据步骤2)获得的矫正后人脸特征点值进行计算，获取颧骨与颔骨的宽度、脸长与面积比、下脸与脸部高度比，选取一项或多项组合作为特征值；也可以直接将人脸每个特征点值数据矩阵作为特征值。

优选的，所述身体质量指数类别：BMI＝<18.5偏瘦、BMI＝18.5～24正常、BMI>＝24偏重三类，在进行分类模型的输入的时候，是将人脸特征值和对应的BMI类别作为一个数据，训练数据集和测试数据集的比值为9:1。

优选的，所述回归模型的结果是属于支持向量机回归的，二维数据模型选择线性核，三维数据模型选择多项式核。

优选的，所述模板是从数据集中选取的一张脸数据作为模板，一旦选定此人脸数据作为训练的模板数据，所有人脸数据都通过此模板数据进行矫正；矫正是指先将需矫正人脸归一化后的特征点值存为一个矩阵A，再对A求伪逆，并与事先存储好的模板脸的点矩阵B相乘，得到关系ω，最后将A与ω相乘得到矫正后的脸的矩阵A

本发明的有益效果在于：本发明基于人脸特征点的身体质量指数预测方法，减去了传统BMI测量所需要测量的身高和体重的繁琐步骤，取而代之的是扫描人脸或者拍照就可以完成BMI的测量，这种测量方法缩短了流程，减少了不必要的时间；所需的硬件设备的要求只需要具备摄像头和处理器(CPU)，换言之，此技术通过手机就可达成目的，而从现在社会发展来看，手机几乎成为每个人的标配工具，这无疑会将身体健康测量变得更加的便携和普适化，从而引起人们对自身健康更多的关注。

附图说明

图1为本发明基于人脸特征点的身体质量指数预测方法中人脸特征点示意图；

图2为本发明基于人脸特征点的身体质量指数预测方法中人脸归一化以及矫正过程示意图；

图3为本发明2D数据下支持向量机回归模型不同核函数下的结果图；

图4为本发明3D数据下支持向量机回归模型不同核函数下的结果图；

图5为本发明2D数据下随机森林分类模型的混淆矩阵图；

图6为本发明3D数据下随机森林分类模型的混淆矩阵图；

图7为本发明随机森林分类模型的不同核函数结果图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

人脸可以显示出人的生理信息，可以反映一个人的性别、年龄、情绪等，而面部肥胖也可以被反映出来，面部肥胖又与身体质量指数(BMI)呈现正相关，因此可以通过摄像机收集受试者以正脸的角度的面部信息，进行BMI的测量和肥胖等级的分类。

基于人脸特征点的身体质量指数预测方法，具体实现步骤如下：

1、人脸特征点获取：如图1所示，通过摄像头并经过模型获取五官和脸颊轮廓的68个人脸特征点，并记录特征点的2D(X-Y)或者3D(X-Y-Z)坐标。2D/3D人脸特征点坐标能分别反映人脸在二维平面或三维空间里的位置信息。

2、人脸归一化以及矫正：如图2所示，将获取的人脸特征点坐标的各个维度减去各个维度所有特征点的均值(2维均值指所有特征点的X轴坐标值相加除以特征点个数，2维指X轴和Y轴，3维指X轴、Y轴和Z轴)，再除以鼻子的长度(点28到点34距离)或者两眼角内侧距离(点40到点43距离)完成归一化，目的是缩小测量值简化计算。将归一化后的人脸特征点值通过事先选好的模板(正面人脸)进行矫正。

模板是从数据集中选取的一张脸数据作为模板，也可以不选取此脸作为模板，但一旦选定一张脸数据作为训练的模板数据，所有人脸数据都需通过此同一张脸模板数据进行矫正。矫正是指先将需矫正人脸归一化后的特征点值存为一个矩阵A，以二维为例(三维同理)

3、人脸特征值输入：由步骤2处理后的68个人脸特征点值的组合可以获取颧骨与颔骨的宽度、脸长与面积比、下脸与脸部高度比等特征值并将其作为输入，也可以直接将每个特征点值作为特征值进行输入，即2D(X-Y)或者3D(X-Y-Z)的68个人脸特征点坐标经过归一化和矫正之后的特征点值作为特征值输入。

4、将人脸照片和与之对应的BMI所属类别关联，建立BMI的回归模型，将人脸照片中的特征点提取并矫正后获得的A

这里也可不用A

本方法中的分类是将BMI分为，BMI＝<18.5偏瘦、BMI＝18.5～24正常、BMI>＝24偏重三类，所以在进行分类模型的输入的时候，是将A

给出的回归模型的结果是属于支持向量机回归的，其中选择了三种不同的核函数分别进行比较，选择核函数的目的是简便模型计算的过程，从结果来看对于支持向量机回归模型，二维的模型选择线性核效果最好，三维的模型选择多项式核效果最好，如图3、4所示。而给出的分类模型的结果是属于随机森林分类的，其中最大深度选择为5，即将输入的A

进行回归以及分类预测：获得特征值后，通过预先训练好的支持向量机回归(Support vector machine regression)、高斯过程回归(Gaussian process regression)或者最小二乘法等模型进行回归预测，得出的结果为最后测量的BMI的结果(具体的BMI值)。而分类模型则选择预先训练好的随机森林分类(Random Forest model)模型、朴素贝叶斯(Naive Bayesian model)或者支持向量机(Support vector machine)分类模型进行预测，得到的结果为BMI的类别结果(属于哪种肥胖等级)。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。