一种基于图像和语音识别的饮食健康管理系统的制作方法

本发明涉及饮食健康领域，具体涉及一种基于图像和语音识别的饮食健康管理系统。
背景技术：
：随着国家经济的迅速发展，人民的生活水平不断的提高，但是饮食不健康的问题也开始凸显出来。世界卫生组织对191个国家的健康生命调查报告显示：尽管我国居民的平均寿命已达71.8岁，但健康寿命只有62.3岁，排在第81位，跟排在第一的日本相比整整差了一轮！这意味很多人的最后十年在病魔缠身中度过。饮食不健康是主要原因之一。我国的营养盲远多于文盲，保守估计，有超过60％的家庭膳食搭配不科学、营养不合理，存在诸多问题。技术实现要素：针对上述问题，本发明旨在提供一种基于图像和语音识别的饮食健康管理系统。本发明的目的采用以下技术方案来实现：提供了一种基于图像和语音识别的饮食健康管理系统，包括图像识别子系统、语音识别子系统和菜谱管理子系统系统，所述图像识别子系统用于对用户进行识别，所述语音识别子系统用于识别用户提供的食品语音数据，所述菜谱管理子系统用于管理菜谱。本发明的有益效果为：解决了饮食不健康的技术问题。附图说明利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。图1是本发明的结构连接示意图；图2是本发明图识别子系统示意图。附图标记：图像识别子系统1、语音识别子系统2、菜谱管理子系统系统3、采集模块11、预处理模块12、特征提取模块13、训练模块14、再识别模块15、评价模块16。具体实施方式结合以下实施例对本发明作进一步描述。参见图1、图2，本实施例的一种基于图像和语音识别的饮食健康管理系统，包括图像识别子系统1、语音识别子系统2和菜谱管理子系统系统3，所述图像识别子系统1用于对用户进行识别，所述语音识别子系统2用于识别用户提供的食品语音数据，所述菜谱管理子系统3用于管理菜谱。优选地，所述图像识别子系统1包括采集模块11、预处理模块12、特征提取模块13、训练模块14、再识别模块15、评价模块16；所述采集模块11包含有两个朝向不同的摄像头，用于视频图像采集，所述预处理模块12用于确定图像中的人员位置，获取包含人员的矩形区域；所述特征提取模块13，用于在包含人员的矩形区域中进行外观特征提取；所述训练模块14用于训练多个跨模态投影模型，每一个跨模态投影模型中包含两个投影函数，它们分别将不同摄像机中的图像持征映射到共同的特征空间中并完成相似度计算；所述再识别模块15，用于识别数据库中是否含有与查询人员一致的图像并确认查询人员身份；所述评价模块16用于对系统性能进行评估。本有选实施例实现了用户识别。优选地，所述菜谱管理子系统3包括：菜谱查询模块，用于查询菜谱信息；菜谱推荐模块，用于向用户推荐相应菜谱在用户所在地区的服务信息。本有选实施例实现了菜谱管理。优选地，所述预处理模块12包括图像融合单元，所述图像融合单元用于对不同来源的图像进行融合处理，以便更好地获取人员的全面特征，包括：(1)对需要融合的两幅源图像分别用双正交小波变换进行小波分解，确定分解后图像的小波系数；(2)对低频系数按设定的比例选取分解后图像的小波系数，构成融合图像的小波低频系数矩阵；(3)对高频系数采用纹理一致性测度分析特定区域不同高低频系数的边缘特性，计算图像区域的纹理一致性测度，并按照预定的规则确定融合图像的高频小波系数矩阵，所述图像区域的纹理一致性测度的计算公式定义为：式中，DG(x)表示图像区域x的纹理一致性测度，DGl表示图像区域x的各高频分量图像在水平方向上的纹理一致性测度，DGc表示图像区域x的各高频分量图像在垂直方向上的纹理一致性测度，DGd表示图像区域x的各高频分量图像在对角线方向上的纹理一致性测度；(4)将所述融合图像的小波低频系数矩阵、所述融合图像的高频小波系数矩阵进行离散双正交小波逆变换，最终获得融合图像。本优选实施例设置图像融合单元，按照纹理一致性测度可较好地分辨出图像的伪边缘，在保证整体视觉效果的同时使细节信息更加丰富和真实；定义了图像区域的纹理一致性测度的计算公式，加快了图像融合的速度。优选地，所述预定的规则包括：若图像区域中有79％以上像素值具有较大的纹理一致性测度，定义该图像区域为边缘区，选取相应的边缘纹理一致性测度最大的高频图像小波系数构成所述融合图像的高频小波系数矩阵；若图像区域中有79％以上像素值具有较小的纹理一致性测度，定义该图像区域为平滑区，分别计算两幅源图像在该图像区域的能量及匹配度，根据能量及匹配度确定两幅源图像的小波系数在融合图像小波系数中所占的比重，根据下式确定所述融合图像的高频小波系数矩阵：rg＝αArA+αBrB式中，rg表示融合图像的高频小波系数矩阵，rA、αA分别表示一副源图像的小波系数、该小波系数在融合图像小波系数中所占的比重，rB、αB分别表示另一副源图像的小波系数、该小波系数在融合图像小波系数中所占的比重，其中αA+αB＝1。本优选实施例按照预定的规则确定融合图像的高频小波系数矩阵，提高了融合的效果以及融合的速度。优选地，所述在包含人员的矩形区域中进行外观特征提取，包括：进行图像的光照归一化处理，具体为：首先设图像为I，利用LOG对数将图像I转换到对数域，利用差分高斯滤波器对图像I进行平滑处理，然后对图像I进行全局对比度均衡化处理；进行图像尺寸归一化处理；进行图像分块，针对每个图像块，进行特征向量提取；将所有图像块的特征向量进行串联，然后对串联后的图像进行PCA特征降维。本优选实施例设置特征提取模块13，在提取特征前先对图像进行光照归一化处理，减少了因光照变化而产生的图像扭曲，使特征的提取更为精确。优选地，所述训练模块14包括样本分类单元和跨模态投影模型学习单元；所述样本分类单元具体执行：设两个摄像机C1和C2对应的特征空间分别为和d1和d2分别表示两个摄像机特征空间的维度，假定训练数据集合为K对跨摄像机图像特征sk＝s(xk，yk)∈{-1，+1}表示样本对的类别标签，-1表示异类，+1表示同类，根据类别标签将训练集合分为负样本集台和正样本集合|G1|+|G2|＝K；所述跨模态投影模型学习单元具体执行：设跨模态投影模型集合H＝[h1h2，…，hL]，L个子模型用于处理L种数据差异，每一个子模型由一对投影函数构成，hl＝[pXl(x)，pYl(y)]，略去脚标l，投影函数pX(x)和pY(y)将x∈X和y∈Y投影到共同的特征空间：式中，表示投影向量，a、b∈R为线性偏差，pX(x)和pY(y)将原始特征投影到{-1，+1}空间中；同时存在投影函数qX(x)和qY(y)将x∈X和y∈Y投影到另一共同的特征空间：建立数据类别和共同特征空间之间的关系，定义目标函数：式中，E表示期望，表示同类样本对和异类样本对的重要性权衡指数；式中，wk表示样本对{xk，yk}在本次子模型学习中的样本权重，sk＝s(xk，yk)∈{-1，+1}表示样本对的类别标签，通过最小化目标函数来学习参数{u，v，a，b}，得到相应的投影函数。本优选实施例采用多个跨模态投影模型，可充分应对各种不同的数据分布差异。优选地，所述识别数据库中是否含有与查询人员一致的图像并确认查询人员身份，包括：假设被查询人员集合为{fi，STATUS(fi)}，i＝1，2，…，N，fi表示第i个被查询人员，STATUS(fi)表示第i个被查询人员的身份，对于查询人员集合{gj，STATUS(gj)}，j＝1，2，…，M：STATUS(gj)＝STATUS(f)gj和fi的相似度B(gj，fi)表示为：B(gj，fi)＝sign(uTgj+a)·sign(vTfi+b)+||(uTgj+a)-(vTfi+b)||设定阔值T，T∈[1，2]，若B(gj，fi)＜T，则被查询人员中不存在与查询人员一致的图像；若B(gj，fi)≥T，将被查询人员按照相似度从大到小排序，排在最前面的与查询人员具有相同的身份。本优选实施例提高了饮食健康管理水平。优选地，所述对图像识别子系统性能进行评估，定义评价函数：式中，N表示查询次数，Un表示前n位中可以找到正确结果的次数，评价函数值越大，则系统的再识别性能越好，跟踪性能越强。本优选实施例设置评价模块16，有利于对饮食健康管理系统进行改进。本发明的一组识别结果如下表所示：N人员识别平均用时菜谱管理准确率80.18s94.8％160.16s94.6％240.20s95.0％最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。当前第1页1 2 3