首页 > 资讯 > 基于人脸图像的胖瘦识别方法及装置、电子设备与流程

基于人脸图像的胖瘦识别方法及装置、电子设备与流程

泰然健康网
2025-01-05 15:04

本发明涉及智能决策技术领域，特别涉及一种基于人脸图像的胖瘦识别方法及装置、电子设备。

背景技术：

目前保险行业中，保险公司一般会在投保人提交投保申请之后，通过核保人员对投保人的身体健康状况、病历记录和身体胖瘦情况等进行审核，以防投保人身患疾病，恶意骗保。

其中，现有针对身体胖瘦情况的审核方法是通过投保人提供的身体胖瘦情况的有关信息(比如身高、体重或胖瘦自述等)结合投保人的人脸图像进行人工审核，人力成本耗费较多，审核效率也低。

另外，由于过度肥胖的人患病的几率会比正常人较高，也会存在少数投保人为了通过核查而虚报身体胖瘦情况的有关信息，导致容易出现审核不准确的情况。

技术实现要素：

为了解决相关技术中存在的投保审核效率过于低下的问题，本发明提供了一种基于人脸图像的胖瘦识别方法及装置、电子设备。

本发明实施例第一方面公开了一种基于人脸图像的胖瘦识别方法，所述方法包括：

对采集到的各个人脸图像样本进行胖瘦类型标记；

由已标记胖瘦类型的若干个人脸图像样本组成训练集合；

利用所述训练集合对卷积神经网络进行训练，获得分类模型；

获取投保人的人脸图像；

对所述人脸图像进行去噪处理，获得待测人脸图像；

将所述待测人脸图像输入所述分类模型，获得所述待测人脸图像的分类结果，所述分类结果用于描述所述投保人的胖瘦类型。

作为一种可选的实施方式，在本发明实施例第一方面中，所述将所述待测人脸图像输入所述分类模型，获得所述待测人脸图像的分类结果之后，所述方法还包括：

判断所述分类结果是否满足预设的与身体胖瘦情况匹配的目标投保条件；

若满足所述目标投保条件，输出第一提示信息，所述第一提示信息用于描述所述投保人的身体胖瘦情况被审核通过；

若不满足所述目标投保条件，输出第二提示信息，所述第二提示信息用于描述所述投保人的身体胖瘦情况被审核不通过。

作为一种可选的实施方式，在本发明实施例第一方面中，所述胖瘦类型为过胖、正常胖瘦或过瘦；所述判断所述分类结果是否满足预设的与身体胖瘦情况匹配的目标投保条件，包括：

判断所述分类结果是否用于描述所述投保人正常胖瘦；

若用于描述所述投保人正常胖瘦，判定所述分类结果满足预设的与身体胖瘦情况匹配的目标投保条件；

若不是用于描述所述投保人正常胖瘦，判定所述分类结果不满足预设的与身体胖瘦情况匹配的目标投保条件。

作为一种可选的实施方式，在本发明实施例第一方面中，所述利用所述训练集合对卷积神经网络进行训练，获得分类模型之前，所述方法还包括：

判断所述训练集合中是否存在稀少样本；

若存在，增加所述稀少样本对应的类别的样本数量，获得均匀训练集合；

以及，所述利用所述训练集合对卷积神经网络进行训练，获得分类模型，包括：利用所述均匀训练集合对卷积神经网络进行训练，获得分类模型。

作为一种可选的实施方式，在本发明实施例第一方面中，所述利用所述训练集合对卷积神经网络进行训练，获得分类模型，包括：

将所述训练集合中的所述人脸图像样本输入卷积神经网络，输出所述人脸图像样本的实际输出结果；

根据所述人脸图像样本对应的胖瘦类型，获得理想输出结果；

计算所述实际输出结果与所述理想输出结果的差值；

根据所述差值进行反向传播，以修正所述卷积神经网络的参数权重；

重复上述步骤直到所述差值满足预设条件，获得分类模型。

作为一种可选的实施方式，在本发明实施例第一方面中，所述分类模型包括卷积层、激励层和全连接层；所述将所述待测人脸图像输入所述分类模型，获得所述待测人脸图像的分类结果，包括：

将所述待测人脸图像输入所述卷积层，在所述卷积层中采用多个卷积核对所述待测人脸图像进行特征提取，获得特征图像；

将所述特征图像输入所述激励层，在所述激励层中对所述特征图像进行非线性空间映射，获得特征向量；

将所述特征向量输入所述全连接层，在所述全连接层中对所述特征向量进行特征整合，获得所述待测人脸图像的分类结果。

作为一种可选的实施方式，在本发明实施例第一方面中，所述对所述人脸图像进行去噪处理，获得待测人脸图像，包括：

获取所述人脸图像的待处理图像信号；

对所述待处理图像信号进行低通滤波处理，获得低频图像信号；

计算所述待处理图像信号和所述低频图像信号的差值，获得高频图像信号；

采用非局部均值法，分别对所述低频图像信号和所述高频图像信号进行去噪滤波处理，获得去噪低频图像信号和去噪高频图像信号；

将所述去噪低频图像信号和所述去噪高频图像信号进行求和计算，获得去噪图像信号；

根据所述去噪图像信号获得待测人脸图像。

本发明实施例第二方面公开了一种基于人脸图像的胖瘦识别装置，所述装置包括：

标记单元，用于对采集到的各个人脸图像样本进行胖瘦类型标记；

训练单元，用于由已标记胖瘦类型的若干个人脸图像样本组成训练集合；以及，利用所述训练集合对卷积神经网络进行训练获得分类模型；

获取单元，用于获取投保人的人脸图像；

去噪单元，用于对所述人脸图像进行去噪处理，获得待测人脸图像；

识别单元，用于将所述待测人脸图像输入所述分类模型，获得所述待测人脸图像的分类结果，所述分类结果用于描述所述投保人的胖瘦类型。

本发明实施例第三方面公开了一种电子设备，所述电子设备包括：

处理器；

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现本发明实施例第一方面公开的基于人脸图像的胖瘦识别方法。

本发明实施例第四方面公开了一种计算机可读存储介质，其存储计算机程序，所述计算机程序使得计算机执行本发明实施例第一方面公开的基于人脸图像的胖瘦识别方法。

本发明的实施例提供的技术方案可以包括以下有益效果：

本发明所提供的基于人脸图像的胖瘦识别方法包括如下步骤：对采集到的各个人脸图像样本进行胖瘦类型标记；由已标记胖瘦类型的若干个人脸图像样本组成训练集合；利用训练集合对卷积神经网络进行训练获得分类模型；获取投保人的人脸图像；对人脸图像进行去噪处理，获得待测人脸图像；将待测人脸图像输入分类模型，获得待测人脸图像的分类结果，分类结果用于描述投保人的胖瘦类型。

此方法下，通过构建分类模型，可以基于投保人的人脸图像，自动识别投保人的胖瘦类型，能够辅助核保人员对投保人的身体胖瘦情况进行审核，能够节约人力成本，提升投保审核效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是本发明实施例公开的一种基于人脸图像的胖瘦识别装置的结构示意图；

图2是本发明实施例公开的一种基于人脸图像的胖瘦识别方法的流程示意图；

图3是本发明实施例公开的另一种基于人脸图像的胖瘦识别方法的流程示意图；

图4是本发明实施例公开的又一种基于人脸图像的胖瘦识别方法的流程示意图；

图5是本发明实施例公开的另一种基于人脸图像的胖瘦识别装置的结构示意图；

图6是本发明实施例公开的另一种基于人脸图像的胖瘦识别装置的结构示意图；

图7是本发明实施例公开的又一种基于人脸图像的胖瘦识别装置的结构示意图。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

实施例一

本发明的实施环境可以是电子设备，例如智能手机、平板电脑、台式电脑。电子设备可以接收核保人员上传的投保人的人脸图像，也可以接收投保人上传的人脸图像，在此不做具体限定。

图1是本发明实施例公开的一种基于人脸图像的胖瘦识别装置的结构示意图。装置100可以是上述电子设备。如图1所示，装置100可以包括以下一个或多个组件：处理组件102，存储器104，电源组件106，多媒体组件108，音频组件110，传感器组件114以及通信组件116。

处理组件102通常控制装置100的整体操作，诸如与显示，电话呼叫，数据通信，相机操作以及记录操作相关联的操作等。处理组件102可以包括一个或多个处理器118来执行指令，以完成下述的方法的全部或部分步骤。此外，处理组件102可以包括一个或多个模块，用于便于处理组件102和其他组件之间的交互。例如，处理组件102可以包括多媒体模块，用于以方便多媒体组件108和处理组件102之间的交互。

存储器104被配置为存储各种类型的数据以支持在装置100的操作。这些数据的示例包括用于在装置100上操作的任何应用程序或方法的指令。存储器104可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(staticrandomaccessmemory，简称sram)，电可擦除可编程只读存储器(electricallyerasableprogrammableread-onlymemory，简称eeprom)，可擦除可编程只读存储器(erasableprogrammablereadonlymemory，简称eprom)，可编程只读存储器(programmablered-onlymemory，简称prom)，只读存储器(read-onlymemory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。存储器104中还存储有一个或多个模块，用于该一个或多个模块被配置成由该一个或多个处理器118执行，以完成如下所示方法中的全部或者部分步骤。

电源组件106为装置100的各种组件提供电力。电源组件106可以包括电源管理系统，一个或多个电源，及其他与为装置100生成、管理和分配电力相关联的组件。

多媒体组件108包括在装置100和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(liquidcrystaldisplay，简称lcd)和触摸面板。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。屏幕还可以包括有机电致发光显示器(organiclightemittingdisplay，简称oled)。

音频组件110被配置为输出和/或输入音频信号。例如，音频组件110包括一个麦克风(microphone，简称mic)，当装置100处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器104或经由通信组件116发送。在一些实施例中，音频组件110还包括一个扬声器，用于输出音频信号。

传感器组件114包括一个或多个传感器，用于为装置100提供各个方面的状态评估。例如，传感器组件114可以检测到装置100的打开/关闭状态，组件的相对定位，传感器组件114还可以检测装置100或装置100一个组件的位置改变以及装置100的温度变化。在一些实施例中，该传感器组件114还可以包括磁传感器，压力传感器或温度传感器。

通信组件116被配置为便于装置100和其他设备之间有线或无线方式的通信。装置100可以接入基于通信标准的无线网络，如wifi(wireless-fidelity，无线保真)。在本发明实施例中，通信组件116经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在本发明实施例中，通信组件116还包括近场通信(nearfieldcommunication，简称nfc)模块，用于以促进短程通信。例如，在nfc模块可基于射频识别(radiofrequencyidentification，简称rfid)技术，红外数据协会(infrareddataassociation，简称irda)技术，超宽带(ultrawideband，简称uwb)技术，蓝牙技术和其他技术来实现。

在示例性实施例中，装置100可以被一个或多个应用专用集成电路(applicationspecificintegratedcircuit，简称asic)、数字信号处理器、数字信号处理设备、可编程逻辑器件、现场可编程门阵列、控制器、微控制器、微处理器或其他电子元件实现，用于执行下述方法。

实施例二

请参阅图2，图2是本发明实施例公开的一种基于人脸图像的胖瘦识别方法的流程示意图。如图2所示该基于人脸图像的胖瘦识别方法可以包括以下步骤：

201、对采集到的各个人脸图像样本进行胖瘦类型标记。

本发明实施例中，胖瘦类型可以具体为过胖、正常胖瘦或过瘦。那么，胖瘦类型标记包括：对各个人脸图像样本标记为过胖、正常胖瘦或过瘦。

202、由已标记胖瘦类型的若干个人脸图像样本组成训练集合。

203、利用训练集合对卷积神经网络进行训练，获得分类模型。

本发明实施例中，执行步骤203之后，可以转向步骤206，也可以执行步骤204。在本实施例中，执行步骤203之后，执行步骤204，而在其它一些可能的实施例中，执行步骤203之后，可以转向步骤206，本发明实施例不作具体限定。

作为一种可选的实施方式，在执行步骤203之前，还可以执行以下步骤：构建卷积神经网络，该卷积神经网络可以依次包括输入层、多个卷积层、激励层、至少一个全连接层和输出层。

基于此，步骤203中的利用训练集合对卷积神经网络进行训练可以包括：利用训练集合对卷积神经网络进行训练，扩大具有不同类别的胖瘦类型标签的多个人脸图像样本之间的胖瘦特征差异性，以及减少具有相同类别的胖瘦类型标签的多个人脸图像样本之间的胖瘦特征差异性。

实施上述实施方式，能够基于卷积神经网络的强大计算能力，能够提高分类模型的泛化能力和识别准确率。

204、获取投保人的人脸图像。

作为一种可选的实施方式，获取投保人的人脸图像之后，还可以将人脸图像与预先存储的人脸图像进行比较，以识别人脸图像中是否包含人脸；若是，执行步骤205；反之，结束本流程。

205、对人脸图像进行去噪处理，获得待测人脸图像。

作为一种可选的实施方式，步骤205可以包括以下步骤：获取人脸图像的待处理图像信号；对待处理图像信号进行低通滤波处理，获得低频图像信号；计算待处理图像信号和低频图像信号的差值，获得高频图像信号；采用非局部均值法，分别对低频图像信号和高频图像信号进行去噪滤波处理，获得去噪低频图像信号和去噪高频图像信号；将去噪低频图像信号和去噪高频图像信号进行求和计算，获得去噪图像信号；根据去噪图像信号获得待测人脸图像。

实施上述实施方式，将人脸图像分成低频图像信号和高频图像信号然后再分别进行去噪滤波处理，能够使得去噪处理过程简单，从而提升投保审核效率。

206、将待测人脸图像输入分类模型，获得待测人脸图像的分类结果，分类结果用于描述投保人的胖瘦类型。

需要说明的是，分类模型的作用是根据待测人脸图像的特征，对人脸图像的胖瘦类型进行分类。具体实现方式可以采用softmax分类器，softmax分类器可以计算不同胖瘦类型的概率分布，根据不同概率分布来判断人脸图像属于哪一种胖瘦类型。

实施图2所描述的方法，通过对采集到的各个人脸图像样本进行胖瘦类型标记；由已标记胖瘦类型的若干个人脸图像样本组成训练集合；利用训练集合对卷积神经网络进行训练获得分类模型；获取投保人的人脸图像；对人脸图像进行去噪处理，获得待测人脸图像；将待测人脸图像输入分类模型，获得待测人脸图像的分类结果，分类结果用于描述投保人的胖瘦类型。因此，本发明通过构建分类模型，可以基于投保人的人脸图像，自动识别投保人的胖瘦类型，能够辅助核保人员对投保人的身体胖瘦情况进行审核，能够节约人力成本，提升投保审核效率。

实施例三

请参阅图3，图3是本发明实施例公开的另一种基于人脸图像的胖瘦识别方法的流程示意图。如图3所示，该基于人脸图像的胖瘦识别方法可以包括以下步骤：

301～302。其中，步骤301～302与实施例二中所描述的步骤201～202相同，本发明实施例不再赘述。

303、判断训练集合中是否存在稀少样本。若是，执行步骤304；反之，结束本流程。其中，稀少样本可以是任意一种胖瘦类型的类别，而稀少样本指的是该胖瘦类型的类别中的样本数量比其它类别中的样本数量较少。

304、增加稀少样本对应的类别的样本数量，获得均匀训练集合。

本发明实施例中，通过判断训练集合中是否存在稀少样本，若存在，则根据稀少样本的类别增加稀少样本的数量，以使训练集合中的稀少样本集合与正常样本集合的分布均匀化，从而获得均匀后的均匀训练集合。

305、利用均匀训练集合对卷积神经网络进行训练，获得分类模型。

通过实施上述步骤303～305，能够对训练集合的样本数据进行均匀化，并利用均匀后的均匀训练集合训练获得分类模型，能够提高分类模型的识别准确性。

306～308。其中，步骤306～308与实施例二中所描述的步骤204～206相同，本发明实施例不再赘述。

309、判断分类结果是否满足预设的与身体胖瘦情况匹配的目标投保条件。若是，执行步骤310；反之，执行步骤311。

本发明实施例中，预设的与身体胖瘦情况匹配的目标投保条件可以是开发业务人员根据实际情况而设定的任意一种胖瘦类型对应的分类结果。比如，开发业务人员可以设定用于描述投保人正常胖瘦的分类结果为目标投保条件。

因此，作为一种可选的实施方式，步骤309可以包括：判断分类结果是否用于描述投保人正常胖瘦；若是，判定分类结果满足预设的与身体胖瘦情况匹配的目标投保条件；否则，判定分类结果不满足预设的与身体胖瘦情况匹配的目标投保条件。

310、输出第一提示信息，第一提示信息用于描述投保人的身体胖瘦情况被审核通过。

311、输出第二提示信息，第二提示信息用于描述投保人的身体胖瘦情况被审核不通过。

通过实施上述步骤309～311，通过判断分类结果是否满足预设的与身体胖瘦情况匹配的目标投保条件，能够自动识别投保人的胖瘦类型是否符合目标投保条件，并提示是否审核通过，从而提升投保审核效率。

可见，实施图3所描述的方法，能够辅助核保人员对投保人的身体胖瘦情况进行审核，能够节约人力成本，提升投保审核效率。

除此之外，还能够在判断出训练集合中存在稀少样本时，则根据稀少样本的类别增加稀少样本的数量，使训练集合中的稀少样本集合与正常样本集合的分布均匀化，并利用均匀后的均匀训练集合训练获得分类模型，进而能够提高分类模型的识别准确率。

此外，还能够通过判断分类结果是否满足预设的与身体胖瘦情况匹配的目标投保条件，即自动识别投保人的胖瘦类型是否符合目标投保条件，并提示是否审核通过，从而提升投保审核效率。

实施例四

请参阅图4，图4是本发明实施例公开的又一种基于人脸图像的胖瘦识别方法的流程示意图。如图4所示该基于人脸图像的胖瘦识别方法可以包括以下步骤：

401～402。其中，步骤401～402与实施例二中所描述的步骤201～202相同，本发明实施例不再赘述。

作为一种可选的实施方式，在执行步骤401之前，还可以对采集到的各个人脸图像进行预处理。具体地，将采集到的各个人脸图像缩放成预设尺寸大小的人脸图像，并转换成灰度图。其中，预设尺寸大小可以是开发人员根据实际情况或用户的需求预先进行设置，例如可以是在48×48像素到256×256像素之间的任意尺寸，优选为90×90像素的尺寸大小。

实施该实施方式，能够增大数据量，防止模型过拟合。

403、将训练集合中的人脸图像样本输入卷积神经网络，输出人脸图像样本的实际输出结果。

本发明实施例中，对于分类模型的训练过程可以包括两个阶段，一个是前向传播阶段，另一个是反向传播阶段。其中，前向传播阶段即为步骤403所描述的内容，具体的实施方式可以是：将训练集合中的具有已知的胖瘦类型标记的人脸图像样本送入卷积神经网络，在卷积神经网络中采用多个卷积核对人脸图像样本进行卷积计算，获得特征图像样本；对特征图像样本进行特征映射，获得人脸图像样本的实际输出结果。另外，反向传播阶段包括步骤404～407。

其中，实际输出结果即为人脸图像样本的预测胖瘦类型分布概率。

404、根据人脸图像样本对应的胖瘦类型，获得理想输出结果。

其中，理想输出结果即为人脸图像样本的真实胖瘦类型分布概率。

405、计算实际输出结果与理想输出结果的差值。

需要说明的是，实际输出结果与理想输出结果的差值可以反向调节卷积神经网络中的全部权重，实际输出结果与理想输出结果均可以通过概率值来表示。因此，用于计算实际输出结果与理想结果的差值的函数可以是：

reloss(p,q)＝-∑xp(x)logq(x)；

其中，x为特征图像样本的特征值，p(x)是理想输出结果，q(x)为实际输出结果。

406、根据差值进行反向传播，以修正卷积神经网络的参数权重。

407、判断差值是否满足预设条件。若是，执行步骤408；反之，转向步骤403。

通过实施上述步骤403～407，在模型的训练过程中采用反向传播算法进行训练，不断地反向调节卷积神经网络中的全部权重，能够提高模型的识别准确率。

408～409。其中，步骤408～409与实施例二中所描述的步骤204～205相同，本发明实施例不再赘述。

410、将待测人脸图像输入卷积层，在卷积层中采用多个卷积核对待测人脸图像进行特征提取，获得特征图像。

可以理解，卷积层、激励层和全连接层均属于卷积神经网络中的网络层。本发明实施例利用了卷积神经网络的强大的特征提取能力，提取了待测人脸图像中的胖瘦特征，保证了最终的分类结果的准确率。

411、将特征图像输入激励层，在激励层中对特征图像进行非线性空间映射，获得特征向量。

412、将特征向量输入全连接层，在全连接层中对特征向量进行特征整合，获得待测人脸图像的分类结果。

本发明实施例中，在全连接层中优选使用sigmoid激活函数，当然也可以使用其它激活函数，具体采用哪一种激活函数，本发明不作具体限定。

可见，实施图4所描述的方法，能够辅助核保人员对投保人的身体胖瘦情况进行审核，能够节约人力成本，提升投保审核效率。

除此之外，还能够在模型的训练过程中采用反向传播算法进行训练，不断地反向调节卷积神经网络中的全部权重，从而提高模型的识别准确率。

此外，还能够利用卷积神经网络的强大的特征提取能力，提取待测人脸图像中的胖瘦特征，可以保证最终的分类结果的准确率。

实施例五

请参阅图5，图5是本发明实施例公开的另一种基于人脸图像的胖瘦识别装置的结构示意图。如图5所示，该基于人脸图像的胖瘦识别装置可以包括：标记单元501、训练单元502、获取单元503、去噪单元504以及识别单元505，其中，

标记单元501，用于对采集到的各个人脸图像样本进行胖瘦类型标记。

训练单元502，用于由已标记胖瘦类型的若干个人脸图像样本组成训练集合；以及，利用训练集合对卷积神经网络进行训练获得分类模型。

获取单元503，用于获取投保人的人脸图像。

去噪单元504，用于对人脸图像进行去噪处理，获得待测人脸图像。

识别单元505，用于将待测人脸图像输入分类模型，获得待测人脸图像的分类结果，分类结果用于描述投保人的胖瘦类型。

作为一种可选的实施方式，图5所示的基于人脸图像的胖瘦识别装置还可以包括未图示的网络构建单元，用于在上述的训练单元502利用训练集合对卷积神经网络进行训练获得分类模型之前，构建卷积神经网络，该卷积神经网络可以依次包括输入层、多个卷积层、激励层、至少一个全连接层和输出层。

相应地，上述的训练单元502用于利用训练集合对卷积神经网络进行训练获得分类模型的方式具体可以是：

上述的训练单元502，用于利用训练集合对卷积神经网络进行训练，扩大具有不同类别的胖瘦类型标签的多个人脸图像样本之间的胖瘦特征差异性；以及，减少具有相同类别的胖瘦类型标签的多个人脸图像样本之间的胖瘦特征差异性。

实施上述实施方式，能够基于卷积神经网络的强大计算能力，能够提高分类模型的泛化能力和识别准确率。

作为一种可选的实施方式，上述的标记单元501在对采集到的各个人脸图像样本进行胖瘦类型标记之前，还可以对采集到的各个人脸图像进行预处理。

进一步可选地，上述的标记单元501对采集到的各个人脸图像进行预处理的方式具体可以是：上述的标记单元501将采集到的各个人脸图像缩放成预设尺寸大小的人脸图像，并转换成灰度图。

其中，预设尺寸大小可以是开发人员根据实际情况或用户的需求预先进行设置，例如可以是在48×48像素到256×256像素之间的任意尺寸，优选为90×90像素的尺寸大小。

实施该实施方式，能够增大数据量，防止模型过拟合。

实施图5所示的装置，通过对采集到的各个人脸图像样本进行胖瘦类型标记；由已标记胖瘦类型的若干个人脸图像样本组成训练集合；利用训练集合对卷积神经网络进行训练获得分类模型；获取投保人的人脸图像；对人脸图像进行去噪处理，获得待测人脸图像；将待测人脸图像输入分类模型，获得待测人脸图像的分类结果，分类结果用于描述投保人的胖瘦类型。因此，本发明通过构建分类模型，可以基于投保人的人脸图像，自动识别投保人的胖瘦类型，能够辅助核保人员对投保人的身体胖瘦情况进行审核，能够节约人力成本，提升投保审核效率。

实施例六

请参阅图6，图6是本发明实施例公开的另一种基于人脸图像的胖瘦识别装置的结构示意图。图6所示的基于人脸图像的胖瘦识别装置是由图5所示的基于人脸图像的胖瘦识别装置进行优化得到的。与图5所示的基于人脸图像的胖瘦识别装置相比较，图6所示的基于人脸图像的胖瘦识别装置还可以包括：判断单元506和提示单元507，其中，

判断单元506，用于判断分类结果是否满足预设的与身体胖瘦情况匹配的目标投保条件。

提示单元507，用于在判断单元506判断出分类结果满足目标投保条件时，输出第一提示信息，第一提示信息用于描述投保人的身体胖瘦情况被审核通过。

上述的提示单元507，还用于在判断单元506判断出分类结果不满足目标投保条件时，输出第二提示信息，第二提示信息用于描述投保人的身体胖瘦情况被审核不通过。

作为一种可选的实施方式，胖瘦类型可以具体为过胖、正常胖瘦或过瘦。那么，上述的判断单元506用于判断分类结果是否满足预设的与身体胖瘦情况匹配的目标投保条件的方式具体可以是：

上述的判断单元506，用于判断分类结果是否用于描述投保人正常胖瘦；以及，在判断出分类结果用于描述投保人正常胖瘦时，判定分类结果满足预设的与身体胖瘦情况匹配的目标投保条件；以及，在判断出分类结果不是用于描述投保人正常胖瘦时，判定分类结果不满足预设的与身体胖瘦情况匹配的目标投保条件。

实施上述实施方式，通过判断分类结果是否满足预设的与身体胖瘦情况匹配的目标投保条件，能够自动识别投保人的胖瘦类型是否符合目标投保条件，并提示是否审核通过，从而提升投保审核效率。

作为一种可选的实施方式，上述的训练单元502在利用训练集合对卷积神经网络进行训练获得分类模型之前，还判断训练集合中是否存在稀少样本；以及，在判断出存在稀少样本时，增加稀少样本对应的类别的样本数量，获得均匀训练集合。

进一步地，上述的训练单元502用于利用训练集合对卷积神经网络进行训练获得分类模型的方式具体为：上述的训练单元502，用于利用均匀训练集合对卷积神经网络进行训练，获得分类模型。

实施该实施方式，对训练集合的样本数据进行均匀化，并利用均匀后的均匀训练集合训练获得分类模型，能够提高分类模型的识别准确性。

可见，实施图6所示的装置，能够辅助核保人员对投保人的身体胖瘦情况进行审核，能够节约人力成本，提升投保审核效率。

实施例七

请参阅图7，图7是本发明实施例公开的又一种基于人脸图像的胖瘦识别装置的结构示意图。图7所示的基于人脸图像的胖瘦识别装置是由图6所示的基于人脸图像的胖瘦识别装置进行优化得到的。与图6所示的基于人脸图像的胖瘦识别装置相比较，图7所示的基于人脸图像的胖瘦识别装置中，分类模型包括卷积层、激励层和全连接层，那么上述的识别单元505可以包括：卷积子单元5051、激励子单元5052和识别子单元5053，其中，

卷积子单元5051，用于将待测人脸图像输入卷积层，在卷积层中采用多个卷积核对待测人脸图像进行特征提取，获得特征图像。

激励子单元5052，用于将特征图像输入激励层，在激励层中对特征图像进行非线性空间映射，获得特征向量。

识别子单元5053，用于将特征向量输入全连接层，在全连接层中对特征向量进行特征整合，获得待测人脸图像的分类结果。

作为一种可选的实施方式，上述的训练单元502用于利用训练集合对卷积神经网络进行训练获得分类模型的方式具体可以是：

上述的训练单元502，用于将训练集合中的人脸图像样本输入卷积神经网络，输出人脸图像样本的实际输出结果；以及，根据人脸图像样本对应的胖瘦类型，获得理想输出结果；计算实际输出结果与理想输出结果的差值，并根据差值进行反向传播，以修正卷积神经网络的参数权重；重复上述步骤直到差值满足预设条件，获得分类模型。

进一步地，作为一种可选的实施方式，上述的训练单元502用于将训练集合中的人脸图像样本输入卷积神经网络，输出人脸图像样本的实际输出结果的方式具体可以是：上述的训练单元502，用于将训练集合中的具有已知的胖瘦类型标记的人脸图像样本送入卷积神经网络，在卷积神经网络中采用多个卷积核对人脸图像样本进行卷积计算，获得特征图像样本；以及，对特征图像样本进行特征映射，获得人脸图像样本的实际输出结果。

实施上述实施方式，在模型的训练过程中采用反向传播算法进行训练，不断地反向调节卷积神经网络中的全部权重，能够提高模型的识别准确率。

作为一种可选的实施方式，上述的去噪单元504用于对人脸图像进行去噪处理获得待测人脸图像的方式具体可以是：

去噪单元504，用于获取人脸图像的待处理图像信号；对待处理图像信号进行低通滤波处理，获得低频图像信号；计算待处理图像信号和低频图像信号的差值，获得高频图像信号；采用非局部均值法，分别对低频图像信号和高频图像信号进行去噪滤波处理，获得去噪低频图像信号和去噪高频图像信号；将去噪低频图像信号和去噪高频图像信号进行求和计算，获得去噪图像信号；根据去噪图像信号获得待测人脸图像。

实施该实施方式，将人脸图像分成低频图像信号和高频图像信号然后再分别进行去噪滤波处理，能够使得去噪处理过程简单，从而提升投保审核效率。

可见，实施图7所示的装置，能够辅助核保人员对投保人的身体胖瘦情况进行审核，能够节约人力成本，提升投保审核效率。

除此之外，能够将人脸图像分成低频图像信号和高频图像信号然后再分别进行去噪滤波处理，能够使得去噪处理过程简单，从而提升投保审核效率；还能够在模型的训练过程中采用反向传播算法进行训练，不断地反向调节卷积神经网络中的全部权重，从而提高模型的识别准确率。

此外，还能够利用卷积神经网络的强大的特征提取能力，提取待测人脸图像中的胖瘦特征，可以保证最终的分类结果的准确率。

本发明还提供一种电子设备，该电子设备包括：

处理器；

存储器，该存储器上存储有计算机可读指令，该计算机可读指令被处理器执行时，实现如前所示的基于人脸图像的胖瘦识别方法。

该电子设备可以是图1所示装置100。

在一示例性实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如前所示的基于人脸图像的胖瘦识别方法。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。