1. 研究目的与意义
课题内容：
1、 设计
利用图像识别技术，提取人脸中具有中医疾病信息的颜色特征与纹理特征，按照中医经典理论以五色主病为指导对人面进行面色分类，同时以三庭五眼法对人脸进行形态分类。
2. 文献综述
基于图像识别技术的人面特征提取系统的设计与开发
摘要：针对中医面诊中人脸形态面色识别个性化无定量标准的困境，提出基于SVM的人脸面色形态分类方法。根据中医面诊的基本原理利用机器自动化提取人面特征信息，在一定程度上改善传统面诊主观无定量标准的缺陷。利用人脸的haar特征训练分类器，得到级联的boost分类器进行人脸检测。归一化处理检测到的人脸，提取其Hog特征、颜色特征、纹理特征与svm分类器相结合，提高分类准确率，对促进中医面诊的客观化、智能化具备启发意义。
关键词：中医面诊；支持向量机；人脸检测；机器识别；人脸特征；
正文：
一、国内外研究现状
目前对于机器面诊的研究主要有两种不同的思路，一是基于精密仪器，在标准光源环境下采集人脸图像，减少光照影响。二是基于图像，通过模式识别等算法对由数媒设备获取的人脸图像进行处理与分析，降低噪声影响。
李福凤等人在对面色分类识别的过程中，采用环形发光二极管的人造光源，标准化、统一化光源因素，此外，采用密闭的暗箱采集人脸图像并且建立典型的面色判读表，使用多项式修正方法对面色图像的颜色进行修正。
红外热像仪，分光光度计等精密仪器虽然能很好的采集标准人脸图像，但是其成本昂贵且不易于携带，故近年来广大学者逐渐着眼于使用数码摄影设备来采集图像。朴鑫等人采用椭圆皮肤模型，通过对皮肤像素检测，在经过颜色修正与图像预处理后，计算皮肤像素行列最大值，从而快速定位到人脸，进行面部划分与特征提取。
近年来，随着机器学习、深度学习算法的兴起，计算机视觉领域有了较大的突破，在行人检测，图像识别方面，成效绰约，但目前只有为数不多的机构将其应用于中医传统面诊，而像道生一类的医疗有限公司较为着眼于仪器诊断，成本极为昂贵，且机器较大并不适用于家用与广泛普及。而本文提出的轻量级app，利用当下像素水平越来越高的智能手机，大大降低了仪器成本，提高系统的实用性。
二、现有的系统优缺点
近年来也有部分机构投入中医面诊定量化研究，其中以上海中医药大学的云中医移动健康管理平台与厦门大学面诊相关研究为代表，将其面诊研究做多维度对比见表1。
目前研究机器面诊的系统，多侧重于针对几种具体病症进行面色识别，较少正真结合中医传统五色主病的理论。此外，人脸的颜色特征固然重要，但纹理特征以及人脸的形态特征也包含了反应五脏病理的信息。故本文结合了人脸的颜色特征纹理特征，以及形态特征，对人脸检测后划分感兴趣区域，从整体与部分两个方面进
表1 面诊研究对比表 |
对比维度 | 云中医移动健康 管理平台 | 厦门大学面诊相关研究 | ||
系统平台 | App | Pc软件 | ||
算法训练管理 | 未提及 | 未提及 | ||
技术 | 深度学习 | 机器学习 | ||
服务 | 云平台 | 未提及 | ||
识别准确率 | 85%以上 | 84.6% | ||
识别速度（帧/秒） | 未提及 | 32 | ||
专利情况 | 发明专利一项 | 暂无 | ||
成果商用转化 | 作为面诊仪的配套app | 学术成果未商化 | ||
三、算法技术要点
3.1人脸检测
人脸检测为面部形态特征提取的关键一步，而目前与面部检测相关的人脸识别、定位技术已经较为成熟。经多次测试比较，本文采用了由Paul viola和Michael J Jones提出的Viola Jones Face Detector人脸检测框架，能够较好的保证人脸检测的速度和准确率。本文采用Haar-like特征描绘人脸特征，使用积分图对Haar-like特征求值进行加速，使用AdaBoost算法训练区分人脸与非人脸的强分类器，最后采用筛选式级联把强分类器级联到一起，提高准确率。其中Haar-like见图一，包含四种边界特征、八种线性特征、两种中心围绕特征以及特定方向的特征。
特征值的计算则是将图中的矩形放至样本图片中，将白色区域与黑色区域的像素值之差的绝对值视为人脸特征值。显然人脸区域的特征值与非人脸区域的特征值是不一样的，而提取Haar-like特征值的目的就是将人脸特征量化，从而采用AdaBoost分类器进行分类，以区分人脸区域与非人脸区域。
3.2Hog特征提取
公式（1） |
其中分别表示样本图像中的像素点处水平方向梯度、垂直方向梯度和像素值。像素点处的梯度幅值和梯度方向分别由公式（3）公式（4）计算得。
3.3颜色特征提取
肤色的特征提取，采用多种颜色特征融合的方式。提取出人脸图像的RGB颜色直方图、HIS颜色直方图以及Lab颜色直方图，融合成混合颜色特征加入分类器训练识别人脸的6种颜色，分别为青、赤、白、黄、黑、正常，前五类是不正常颜色，根据中医面诊经典理论分别对应人体的肝、心、脾、肺、肾五脏。
3.4 SVM分类器
支持向量机是一种基于统计学的机器学习方法，之所以选择SVM算法作为分类器，是因为它在解决小样本、非线性划分等问题上有着极大优势。支持向量机引入拉格朗日乘子可得到其对偶问题，具体模型为公式（5）。
但实际上线性分类的假设局限性非常高，而我们要识别的面部形态特征问题并非线性可分，于是就需要应用到核函数，将原本的线性空间映射到一个更高维的空间，在这个高维空间中构造一个超平面进行划分。经过多次试验，本文应用高斯核函数（公式（6））较好的实现将样本映射到一个合适的特征空间进行超平面的构造划分。
四、总结
本次毕业设计包含了前端Android App开发，后端Java Web开发以及机器学习相关算法训练并嵌入系统，开发过程使用较多语言框架包括Servlet、Android、Python、Html5、Javascript、Ajax、Json。采用C/S与B/S结构，搭建Tomcat服务器，使用Mysql、Sqlite数据库。通过此次毕业设计，能够很好的展示与巩固四年所学专业知识。同时，本次毕设通过算法将中医与计算机知识相融合,深入研究交叉领域，体现医学院校背景优势。
参考文献：
[1]张红凯,胡洋洋,张伟妃,程金花,李雪,孙祝美,张文强,张磊,李福凤.基于舌、面、问诊数字信息的云中医移动健康管理平台的建立[J].中国中医药科技,2018,25(02):151-154.
[2]周小芳,王慧雯,张伟妃,李福凤.慢性肾功能衰竭中医舌诊、面诊、脉诊信息的研究进展[J].中华中医药学刊,2016,34(10):2387-2389.
[3]王祉,董梦青,王忆勤,张红凯,李福凤.基于舌、面、脉诊图像参数的冠心病中医疗效评价研究[J].中华中医药杂志,2015,30(03):693-695.
[4]张红凯,李小雪,王祉,董梦青,王忆勤,钱鹏,张伟妃,李福凤.基于图像处理的五脏病面诊信息研究[J].中华中医药杂志,2015,30(08):2897-2902.
[5]吴暾华. 面向中医面诊诊断信息提取的若干关键技术研究[D].厦门大学,2008.
[6]胡志希. 基于光电血流容积的中医面部色诊研究[D].湖南中医药大学,2008
[7]毛红朝. 面向中医面诊的诊断信息提取[D].厦门大学,2007.
[8]朴鑫. 面诊中的人脸分割研究[D].哈尔滨工业大学,2006.
[9]罗明柱,肖业伟.全卷积神经网络的多尺度人脸检测的研究[J/OL].计算机工程与应用:1-8[2018-12-10].
[10]包晓安,胡玲玲,张娜,吴彪,桂江生.基于级联网络的快速人脸检测算法[J/OL].浙江理工大学学报(自然科学版):1-8[2018-12-10].
[11]陈梦竹,岑翼刚,许家佗,崔龙涛,王文强,屠立平,黄景斌,荆聪聪,张建峰.基于图像处理的望诊面色自动识别研究[J].中国中医药信息杂志,2018,25(12):97-101.
[12]宋海贝,温川飙.中医面诊信息自动识别方法研究进展[J].成都中医药大学学报,2018,41(01):5-8.
[13]赵静,刘明,郭世珍,田飞,姜智浩,陆小左.中医面诊客观化研究进展浅析[J].天津中医药,2017,34(10):718-720.
[14]王祉,张红凯,李福凤,姚依勍,王轶.中医面诊信息计算机识别方法研究及临床应用概述[J].中华中医药学刊,2014,32(08):1882-1885.
[15]郑晓燕,邹奎昌,李福凤.面色诊客观化研究现状[J].辽宁中医杂志,2010,37(04):755-757.
3. 设计方案和技术路线
设计方案：
1、 需求确定，通过查阅论文、市场分析等手段确定系统的功能与性能，构思项目原型，包括界面原型、业务原型；
2、 架构分析与设计，使用b/s与c/s架构，使用andoind、j2ee等技术；
4. 工作计划
设计进度：
1、 01月15日02月11日：资料收集与规整
2、 02月12日03月04日：系统需求分析，人脸数据库采集
5. 难点与创新点
特色创新：
1、 将图像识别技术应用到中医面诊，推动中医临床定量化研究；
2、 轻量级服务，利用智能移动端设备获取人脸图像，提高系统应用性；
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
