本发明涉及计算机领域中的图像识别、数据挖掘技术和中医领域的舌苔体质识别，具体涉及一种基于深度神经网络和复杂度感知的舌苔体质识别方法。
背景技术：
：在中国，中医体质理论最早见于我国晋代《晋书·卷三十七列传第七》一书，经过长时间的发展和丰富，建立起了完善的中医体质理论体系。在中医史上，体质被形容为在人生命过程中的先天和后天天赋上形成的形态，是生理功能和心理状态的综合表现。《中医体质分类与判定标准》定义：中医体质是指在人体生命过程中，在先天禀赋和后天获得的基础上所形成的形态结构、生理功能和心理状态多方面综合的、相对稳定的固有特质；是人类在生长、发育过程中所形成的与自然、社会环境相适应的人体个性特征。研究体质的分类，必须对复杂的体质现象进行广泛的比较分析，然后甄别分类，把握个体的体质差异规律及体质特征。《9种基本中医体质类型的分类及其诊断表述依据》结合临床观察以及古代和现代体质分类的有关认识，将中医体质分为平和质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、瘀血质、气郁质、特禀质等9种基本类型，全面地反映体质类型。传统体质分类主要依靠每一种体质的特点进行甄别，一一进行筛选，其主要判定标准参照2009年出台的《中医体质分类与判定》。例如，阳虚质主要表现为平素畏冷，手足不温，喜热饮食，精神不振，甜淡胖嫩，脉沉迟；阴虚质主要表现为卫手足心热，口燥咽干，鼻微干，喜冷饮，大便干燥，舌红少津，脉细数；痰湿质主要变现为面部皮肤油脂较多，多汗且黏，胸闷，痰多，口黏腻或甜，喜食肥甘甜黏，苔腻，脉滑。舌诊是中医领域重要又独特的内容，是观察和诊断的重要内容之一。舌诊被中医临床工作者用来观察身体内部生理和病理变化至少3000年。有经验的中医医生主要用肉眼来观察舌头的颜色、纹理、形态等信息从而判断病人的身体状况。舌为心之苗，脾之外候，苔由胃气所生。脏腑通过经脉与舌相联中医诊断疾病的重要客系，手少阴之别系舌本，足少阴之脉挟舌本，足厥阴之脉络舌本，足太阴之脉连舌本，散舌下，故脏腑病变，可在舌质和舌苔上反映出来，舌诊主要诊察舌质和舌苔的形态、色泽、润燥等，以此判断疾病的性质、病势的浅深、气血的盛衰、津液的盈亏及脏腑的虚实等。计算机视觉是计算机领域中的一个重要研究方向，目标检测与图像识别是计算机视觉中的两个重要任务，随着深度学习的飞速发展，目标检测与图像识别也取得了巨大的进步。深度学习是机器学习中一种基于数据进行表征学习的方法，它通过组合底层特征形成抽象的高层表示。其实质是包含多个隐层的多层感知机，通过反向传导自动学习到数据的特征表示，从而提升分类的准确率。在机器学习中，学习算法的性能取决于它的参数和训练数据。然而，大部分算法开发的重点都是调整模型参数，而不去考虑被用来训练模型的数据。从数据的角度去考虑问题，在个体层面考虑样本的复杂度，了解数据被错误分类的原因，从而提升分类器的准确率。利用人工智能挖掘舌苔特征与体质之间的关系，为病人提供方便、快捷、准确的体质识别，缓解医疗压力，还能够发扬传统中医。技术实现要素：本发明的目的是针对现有技术的不足，提供了一种基于深度神经网络和复杂度感知的舌苔体质识别方法，所述方法能够准确、快速地对舌苔进行体质识别，为医生的诊断提供辅助依据，减少医生的工作量，缓解医疗压力。本发明的目的可以通过如下技术方案实现：一种基于深度神经网络和复杂度感知的舌苔体质识别方法，所述方法包括以下步骤：s1、利用采集设备采集舌苔图片数据作为输入；s2、在输入的舌苔图片中找到舌苔的确切位置；s3、设计基于深度神经网络的分类器对舌苔图片进行训练，从而提取舌苔图片的特征；s4、使用复杂度感知算法，在个体级别上考虑舌苔数据的复杂度，根据步骤s3提取舌苔图片的特征将舌苔图片分为容易数据集和复杂数据集，使用这两个数据集共同训练一个复杂度鉴别器，再用这两个数据集分别训练容易分类器和复杂分类器，最后将舌苔图片的特征输入到复杂度鉴别器来判断舌苔图片的复杂度；s5、根据舌苔图片的复杂度将舌苔图片的特征输入到对应的分类器里从而得到相应的体质类别。进一步地，步骤s1中，使用非侵入式的图像采集设备对病人的舌苔进行图片采集工作，每一张舌苔图片都对应了中医里九种体质类型中的一种，并且对采集的每张舌苔图片都进行颜色去均值和归一化处理。进一步地，步骤s2中，首先采用基于vgg模型的fasterr-cnn目标检测算法找到舌苔的大体位置，然后采用基于深度卷积神经网络的校准网络，校准检测区域，精准定位舌苔位置。进一步地，步骤s3中使用深度神经网络作为模型来进行训练，并以训练好的深度神经网络作为特征提取器来提取舌苔图片的特征。进一步地，步骤s4中训练的容易分类器和复杂分类器均为softmax分类器，训练的复杂度鉴别器为逻辑回归分类器。本发明与现有技术相比，具有如下优点和有益效果：1、本发明基于深度神经网络和复杂度感知的舌苔体质识别方法，采用深度神经网络进行目标检测和校准，能够快速地定位舌苔的位置，减少其余背景部分对分类结果的干扰。2、本发明基于深度神经网络和复杂度感知的舌苔体质识别方法，采用深度神经网络提取舌苔图片的特征，能够自动学习和提取到不同体质类别的特征。3、本发明基于深度神经网络和复杂度感知的舌苔体质识别方法，采用复杂度感知算法，考虑样本的复杂度问题，解决了舌苔图片采集时由于光照、角度、分辨率带来的舌苔图片质量不平衡问题，减少了处于不同分布的舌苔图片互相之间的干扰。4、本发明基于深度神经网络和复杂度感知的舌苔体质识别方法，基于计算机技术与人工智能，构建了一体化的舌苔体质识别框架，相比于传统的中医体质识别，减少了诊断的时间，提高了体质识别的准确率，所述方法能够部署到医院的设备上，为病人提供方便快捷的体质识别渠道，为医生的诊断提供额外的依据，能够缓解目前紧张的医疗压力，具有一定的市场价值和推广价值。附图说明图1为本发明实施例基于深度神经网络和复杂度感知的舌苔体质识别方法的流程图。图2为本发明实施例复杂度感知算法的流程图。具体实施方式下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。实施例：本实施例提供了一种基于深度神经网络和复杂度感知的舌苔体质识别方法，所述方法的流程图如图1所示，包括以下步骤：s1、利用采集设备采集舌苔图片数据作为输入；所述舌苔图片都由数名经验丰富的医生按照同样的标准进行体质的标注，根据机器学习的方法，将采集的舌苔图片数据分为训练集、验证集和测试集三个部分，每张舌苔图片都经过颜色去均值和归一化处理。s2、在输入的舌苔图片中找到舌苔的确切位置；首先采用基于vgg模型的fasterr-cnn目标检测算法找到舌苔的大体位置，然后采用基于深度卷积神经网络的校准网络，校准检测区域，精准定位舌苔位置。在精准定位舌苔位置的过程中，判断检测的舌苔位置和真实舌苔位置之间的x偏移、y偏移和缩放比例s，具体设置如下：xn∈{-0.17,0,0.17}，yn∈{-0.17,0,0.17}，sn∈{0.83,0.91,1.0,1.10,1.21}经过步骤s1、s2的处理后，将舌苔区域裁剪下来，并缩放，其维度为224*224*3。s3、设计基于深度神经网络的分类器对舌苔图片进行训练，从而提取舌苔图片的特征；采用的深度神经网络为vgg-16模型，其作用是从舌苔图片中提取出重要的舌苔信息的特征，其详细设计如表1所示：层名称参数输出大小conv_13*3,64,padding＝same,activation＝relu224*224*64conv_23*3,64,padding＝same,activation＝relu224*224*64maxpooling_12*2,strides＝2*2112*112*64conv_33*3,128,padding＝same,activation＝relu112*112*128conv_43*3,128,padding＝same,activation＝relu112*112*128maxpooling_22*2,strides＝2*256*56*128conv_53*3,256,padding＝same,activation＝relu56*56*256conv_63*3,256,padding＝same,activation＝relu56*56*256conv_73*3,256,padding＝same,activation＝relu56*56*256maxpooling_32*2,strides＝2*228*28*256conv_83*3,512,padding＝same,activation＝relu28*28*512conv_93*3,512,padding＝same,activation＝relu28*28*512conv_93*3,512,padding＝same,activation＝relu28*28*512maxpooling_42*2,strides＝2*214*14*512conv_103*3,512,padding＝same,activation＝relu14*14*512conv_113*3,512,padding＝same,activation＝relu14*14*512conv_123*3,512,padding＝same,activation＝relu14*14*512ave_pooling_1globalpooling512dense_110241024表1进一步地，步骤s3具体分为舌苔图片的训练和特征提取两个阶段，其中训练阶段的具体过程为：[1]将经过舌苔区域检测、校准和裁剪的训练集和验证集图片缩放为224*224的大小；[2]使用训练集训练深度神经网络模型，利用反向传播算法调整参数的权重，利用mini-batch方法挑选训练数据训练，进行多次迭代；[3]使用softmax分类器作为深度神经网络最后的输出；[4]训练时，每轮迭代过后，测试深度神经网络模型在验证集上的表现；[5]最终经过多轮迭代，选取在验证集上表现最好的深度神经网络模型来作为最终的深度神经网络模型。其中特征提取阶段的具体过程为：[1]将经过舌苔区域检测、校准和裁剪的训练集和验证集图片缩放为224*224的大小；[2]将所有舌苔图片输入到作为特征提取器的训练好的深度神经网络中，取dense_1层的输出作为舌苔图片的特征表示，每个舌苔图片表示为一个1024维的向量。s4、使用复杂度感知算法，在个体级别上考虑舌苔数据的复杂度，从而将舌苔图片分为容易数据集和复杂数据集，使用这两个数据集共同训练一个复杂度鉴别器，再用这两个数据集分别训练容易分类器和复杂分类器，最后将舌苔图片的特征输入到复杂度鉴别器来判断舌苔图片的复杂度；步骤s4的输入为步骤s3提取出来的所有1024维的舌苔图片特征，所述的复杂度感知算法的流程图如图2所示，具体步骤如下：s41、将训练集分为k个不相交的子集，按顺序每次取一个子集训练一个softmax分类器，并测试全部训练集在这个softmax分类器上的正确情况，重复k次，统计每个训练样本在这k个分类器上的正确次数，标记为n(xi)，设e_set为容易数据集，c_set为复杂数据集，设定θ为复杂度阈值，本实施例设定(k＝150，θ＝0.6)，具体参数设定可根据实际情况调整，容易数据集和复杂数据集划分方法如下：s42、分别利用容易数据集和复杂数据集训练容易分类器和复杂分类器；s43、利用容易数据集和复杂数据集共同训练一个复杂度鉴别器；s44、将步骤s3提取的舌苔图片的特征输入到复杂度鉴别器来判断舌苔图片的复杂度。其中，步骤s42训练的容易分类器和复杂分类器均为softmax分类器，步骤s43训练的复杂度鉴别器为逻辑回归分类器。s5、根据舌苔图片的复杂度将舌苔图片的特征输入到对应的分类器里从而得到相应的体质类别。以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。当前第1页12