[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

摘要

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。

主权项

1.一种应用浅层神经网络进行中医面色自动分类的方法，该方法包含离线模型训练阶段和在线面色分类阶段，其特征在于，具体包括以下步骤：/n(1)构建人脸面色图像训练数据集；/n人体面部区域在中医领域中被划分为五个部分，每个部分分别对应不同的内脏，从人体面部图像中分割得到相应区域的皮肤块，并通过滑动窗的方法将分割后的皮肤块分割成若干皮肤子块，将中医医师对人脸面色的标定结果，作为分割得到的各皮肤子块的类别，用于构成人体面色图像训练数据集；/n(2)针对面色分类的浅层神经网络设计与训练/n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ReLU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之间都有一个批量归一化Batch Normalization，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；/n利用构建的人体面色图像训练数据集进行网络训练，得到人脸面色分类模型；/n(3)基于统计决策的人脸面色分类；/n利用训练得到的分类模型对人体面部图像进行面色分类；首先将待分类的面部图像进行区域分割，提取相关区域的皮肤块；其次将皮肤块利用滑动窗的方法分割成若干子块；然后利用分类模型对各皮肤子块进行类别判别；最后利用统计决策的方法对皮肤子块进行统计，将统计的决策最大值作为皮肤块的最终类别，实现对人体面部图像的面色分类。/n