[发明专利]一种融合ZED视觉的人体健康特征大数据智慧计算方法与装置

说明书

技术领域

本发明涉及一种融合ZED视觉的人体健康特征大数据智慧计算方法与装置。

背景技术

随着社会经济的不断发展，健康观念逐步深入人心，参加户外运动的人数日益壮大。与此同时，因运动个体的运动量过大导致的运动事故率也节节攀高。因此，在户外运动中对人体的健康情况进行实时监测，有效的保障运动者安全的问题就十分有意义。

近些年，信息多元化的发展，以及计算机技术、微电子技术和多传感器网络日益成熟，信息融合作为一种有效的信息综合处理方法，在目标识别、故障诊断、态势估计、图像处理、遥感等领域发展迅猛。但是目前，信息融合技术在生理信息领域的应用研究还处于初级阶段，尤其是运动保健、体育等领域。

目前，穿戴设备可以快速准确地测出测量心率、汗液、体温、睡眠、步数、血压、葡萄糖水平等人体健康数据。但是人体是庞大而复杂的有机系统,只通过简单的一项生理指标信息很难对人体健康状态进行准确的判断。借助信息融合技术，利用神经网络建立人体健康评估模型，通过对这些人体健康数据的智能融合，从而监测人体的身体健康状况。

因此，在户外运动过程中，实时监测人体健康数据并进行智能融合、运动环境以及人体位置，可以很大程度上防止户外运动意外事故的发生，保障生命安全。

发明内容

本发明提供了一种融合ZED视觉的人体健康特征大数据智慧计算方法与装置，通过无人机装载双目相机ZED对运动环境中运动人体的识别，跟踪以及基于穿戴设备的健康检测数据，结合PID神经网络和深度置信网络模型进行人脸检测和人体健康评估计算，从而有效保障人的安全。

一种融合ZED视觉的人体健康特征大数据智慧计算方法，包括以下步骤：

步骤1：构建人体健康特征数据库；

所述人体健康特征数据库包括人体自然体征数据库和人体极限运动数据库；

其中，所述人体自然体征数据库包括不同人的脸部图像和对应的身高，且所述脸部图像包括在不同光照强度下获得的各种正面图像、左脸图像以及右脸图像；

所述人体极限运动数据库包括人体健康特征数据库中每个人在不同极限运动的各种运动量情况下的健康数据，所述健康数据是指在运动过程中10s内采集的心率、血压和体温；

步骤2：依据搭载在无人机上的ZED相机获取的人体身高，筛选出待识别人体群并且获取对应的脸部图像数据块；

步骤3：基于Hadoop平台对待识别人体脸部图像数据块进行待识别人体的快速识别；

步骤3.1：将待识别人体的脸部图像数据块，利用MapReduce进行切片，并为每一个数据分片构造一个Map任务；

步骤3.2：利用Input Format类将每个数据分片转换成<key/value>对，以key记录每个数据分片起点的存储位置，以value记录每个数据分片的数据长度；

步骤3.3：对步骤3.2得到的所有<key/value>对对应的脸部图像数据进行Map操作；

所述Map操作是指对一个数据分片中的脸部图像依次进行预处理、Gabor特征提取、PCA降维处理后，采用在Hadoop平台训练得到的基于PID神经网络的脸部识别模型进行识别；

步骤3.4：利用Reduce函数融合所有Map操作输出的识别结果；

其中，所述在Hadoop平台训练得到的基于PID神经网络的脸部识别模型是指将脸部图像训练数据按照步骤3.1-3.2的过程利用MapReduce进行多次数据分片处理，并将每个数据分片对应的训练数据，训练基于PID神经网络的脸部识别模型，将所有训练完后的基于PID神经网络的脸部识别模型中的权值和阈值求平均，直到最终基于PID神经网络的脸部识别模型的精度满足设定的识别精度或者执行MapReduce次数达到设定的最大执行次数；

步骤4：利用识别结果，使得无人机跟踪待识别人体，并与待识别人体的穿戴设备进行通信，获取待识别人体的健康数据传输至远程服务器；

步骤5：将获取的待识别人体的健康数据和对应的眼部、嘴部特征输入基于深度置信网络DBN的数据融合模型，计算得到待识别人体的健康检测程度。

进一步地，所述基于PID神经网络脸部识别模型的构建过程如下：

步骤3.3.1：对每一幅训练图像进行预处理和Garbor特征提取，并对提取的图像Gabor特征进行PCA降维，得到降维矩阵；