[发明专利]一种应用浅层神经网络的中医面色自动分类方法

说明书

一种应用浅层神经网络进行中医面色自动分类的方法属于计算机视觉领域。设计的浅层网络层数共有5层，采用三种不同的层结构，分别为输入层、特征提取层、输出层。输入层由一个卷积层和修正线性单元组成；特征提取层由3层网络组成，前两层的每层都由一个卷积层和ReLU激活函数组成，在卷积层和ReLU之间都有一个批归一化，并在特征提取层的第二个ReLU后面加入池化层，特征提取层的第三层是一个全连接层，后接一个修正线性单元ReLU；输出层由全连接层组成，后加一个softmax分类器。本发明在分类精度上有明显优势，对缩放、平移、旋转等畸变具有不变性，有很强的鲁棒性，能够有效的提高分类精度，将深度学习的理论应用于中医面诊客观化研究。

技术领域

本发明以人体面部图像为研究对象，在全面分析人体面部图像特征的基础上，利用人工智能领域的最新研究成果——深度学习技术，提出一种应用浅层神经网络进行中医面色自动分类的方法，该方法通过自动学习人体面部图像的深度特征进行面色分类，避免了手工特征选取所产生的不确定因素，以提高中医面色分类的准确性和鲁棒性。本发明属于计算机视觉领域和中医面诊领域，具体涉及深度学习、图像处理等技术。

背景技术

中医诊断的主要依据是“四诊”即“望、闻、问、切”的信息。中医面色诊是中医学中望诊的重要组成部分，中医学认为，面部犹如反映人体生理病理的一面镜子，望五官神色变化，可直接诊察脏腑病变。根据中医五脏配五色的理论，人脸面色有青、赤、黄、白、黑几种分类，青黑多主痛证，黄赤多主热证，白多主寒证。传统面色诊法主要是通过医生直观目测面色、语言描述和经验辨析面色，其诊断结果既受医生的知识水平、思维能力和诊断技能的限制，又受光线、温度等外部客观条件的影响，临床上缺乏恒定的客观评价标准。随着计算机技术的发展，研究者们开始将图像处理、模式识别和人工智能等信息处理技术应用于中医面色诊断客观化研究中，并取得了一定的研究成果。较为常见的面色特征自动分类方法有基于稀疏表示分类(SRC)的分类方法、基于K近邻的分类方法和基于支持向量机的分类方法等。在以上分类方法中，人脸面色分类的精确度依赖于手工特征的选取，提取的手工特征以颜色特征为主，并且手工特征提取过程需要投入巨大工作量。通常情况下，这些手工特征都是建立在特定的光照环境下，对光照比较敏感，以这些特征建立的面色分类模型泛化能力不够，不能适应复杂多变的图像采集环境。为此，需要引入新的特征提取技术和信息处理技术以提高人脸面色分类的鲁棒性以及分类精确度。

近年来，深度学习在图像分类、目标检测和语义分割等诸多领域取得了巨大成功，它将图像的低层特征组合而成更加抽象的特征，以此特征对数据进行更深入的刻画。在图像分类方面，为了减少传统方法手工提取特征的工作量，深度学习将特征提取和分类结合到一个框架中，通过数据驱动学习图像与其属性的映射关系，在端对端学习过程中，深度学习需要高质量的大数据作为支撑，其网络设计也是重要的一部分。然而，在中医面诊领域，一方面，高质量的医学数据样本严重稀缺；另一方面，在数据采集过程，受到外界因素的干扰，获得的正确标注的高质量面色数据集样本数量较小，难以满足深度学习依靠大数据驱动学习的需求。也就是说，现有的深层神经网络与小数据的组合方式训练困难，无法很好地应用于中医面色分类。最近，一些学者提出了浅层网络的思路，浅层结构的神经网络能够减少对训练样本数据量的依赖，其网络训练容易，显然，浅层网络与小样本的组合方式更加适用于中医面色自动分类。

为此，本发明在全面分析人体面部图像特征的基础上，利用深度学习技术，提出一种应用浅层神经网络进行中医面色自动分类的方法。本发明利用人体面部图像的深度特征进行面色分类，避免了手工特征选取的影响，是将深度学习的理论应用于中医面诊客观化研究的一次重要尝试，对推动中医面诊客观化研究的发展具有重要意义。

发明内容

本发明的目的是提供一种具有分类准确度高、鲁棒性强的人脸面色自动分类方法。针对现有技术的不足，专门设计了一种浅层神经网络，并提出一种基于浅层神经网络的中医面色自动分类方法，方案整体流程图如图1所示。该方法包含离线模型训练阶段和在线面色分类阶段，具体包括以下步骤：

(1)构建人脸面色图像训练数据集。