一种关于中医体质的脸型分类方法、系统和计算机可读存储介质与流程

本发明涉及机器学习和图像处理技术领域，尤其涉及一种关于中医体质的脸型分类方法、系统和计算机可读存储介质。

背景技术：

现有中医技术通过准确地辨别患者中医体质类别就可初步对其进行大致的脏腑经络病位辨证定位，为临床用药和养生保健提供依据，并结合人体测量学，对面部特征进行的客观化，还经过了临床采集病例，专家标注等过程，对面部特征进行了研究。

现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域。

因此，在当前的人工智能环境下，亟需一种基于机器学习的关于中医体质的脸型分类方法，来替代传统医生人为的分类方式。

技术实现要素：

为了解决上述至少一个技术问题，本发明提出了一种关于中医体质的脸型分类方法、系统和计算机可读存储介质。

为了实现上述目的，本发明第一方面提出了一种关于中医体质的脸型分类方法，包括：

获取训练用的人脸样本图像，并构建特征库；

根据所述特征库中的人脸样本图像，并采用机器学习算法训练得到关于中医体质的脸型分类模型；

获取待分类的人脸图像；

采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类，得到对应的分类结果信息并进行显示。

本方案中，获取训练用的人脸样本图像，并构建特征库，还包括：

获取人脸样本图像，进行特征提取，立体匹配，并对所述人脸样本图像进行双目视觉三维重建人脸样本模型；

接收对所述人脸样本图像标注的关于中医体质的脸型类别标签；

从所述人脸样本模型下测量人脸n个关键点和个距离，利用特征选择的方式，选择具有判别力的m个人脸特征，并建立m个人脸特征与关于中医体质的脸型类别标签的对应关系，得到一个训练样本；

收集多个训练样本，并构建所述特征库。

本方案中，获取待分类的人脸图像，还包括：

获取待分类的人脸图像，进行特征提取，立体匹配，并对所述人脸图像进行双目视觉三维重建人脸模型；

获取待分类的人脸模型的人脸特征。

进一步的，采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类，得到对应的分类结果信息并进行显示，还包括：

根据所述人脸特征，采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类，得到对应的分类结果信息并进行显示。

优选的，所述人脸特征为额宽、颧宽、下颚宽、额长、中庭长、下庭长、眼长、眼宽、鼻长、鼻宽、鼻高、人中长度、唇宽、上唇高、下唇高、唇高、下颚的一种或几种。

优选的，所述机器学习算法为随机森林算法、梯度提升机算法、k近邻算法、支持向量机算法、adaboost算法、分类决策树算法的一种或几种。

本发明第二方面还提出一种关于中医体质的脸型分类系统，所述关于中医体质的脸型分类系统包括：存储器及处理器，所述存储器中包括一种关于中医体质的脸型分类方法程序，所述关于中医体质的脸型分类方法程序被所述处理器执行时实现如下步骤：

获取训练用的人脸样本图像，并构建特征库；

根据所述特征库中的人脸样本图像，并采用机器学习算法训练得到关于中医体质的脸型分类模型；

获取待分类的人脸图像；

采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类，得到对应的分类结果信息并进行显示。

本方案中，获取训练用的人脸样本图像，并构建特征库，还包括：

获取人脸样本图像，进行特征提取，立体匹配，并对所述人脸样本图像进行双目视觉三维重建人脸样本模型；

接收对所述人脸样本图像标注的关于中医体质的脸型类别标签；

从所述人脸样本模型下测量人脸n个关键点和个距离，利用特征选择的方式，选择具有判别力的m个人脸特征，并建立m个人脸特征与关于中医体质的脸型类别标签的对应关系，得到一个训练样本；

收集多个训练样本，并构建所述特征库。

本方案中，获取待分类的人脸图像，还包括：

获取待分类的人脸图像，进行特征提取，立体匹配，并对所述人脸图像进行双目视觉三维重建人脸模型；

获取待分类的人脸模型的人脸特征。

本发明第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种关于中医体质的脸型分类方法程序，所述关于中医体质的脸型分类方法程序被处理器执行时，实现如上述的一种关于中医体质的脸型分类方法的步骤。

本发明通过获取训练用的人脸样本图像，并构建特征库；根据所述特征库中的人脸样本图像，并采用机器学习算法训练得到关于中医体质的脸型分类模型；获取待分类的人脸图像；采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类，得到对应的分类结果信息并进行显示。本发明通过能够根据具有判别力的人脸图像数据，自动输出关于中医体质的脸型的分类结果。相较于传统的人为(中医专家)分类方式，本发明的关于中医体质的脸型分类方法自动化程度高，有效节省了人力成本；同时，不受人为主观因素的影响，分类准确度高。

本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1示出了本发明一种关于中医体质的脸型分类方法的流程图；

图2示出了本发明一种基于svm算法的分类原理图；

图3示出了本发明一种基于决策树算法的分类原理图；

图4示出了本发明关于中医体质的脸型分类过程中构建特征库的方法流程图；

图5示出了本发明一种关于中医体质的脸型分类系统的框图；

图6示出了本发明一实施例的关于中医体质的脸型分类方法的流程图；

图7示出了本发明一实施例的人脸的五个关键点的示意图；

图8示出了本发明一实施例的人脸特征的示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

图1示出了本发明一种关于中医体质的脸型分类方法的流程图。

如图1所示，本发明第一方面提出一种关于中医体质的脸型分类方法，包括：

s102，获取训练用的人脸样本图像，并构建特征库；

s104，根据所述特征库中的人脸样本图像，并采用机器学习算法训练得到关于中医体质的脸型分类模型；

s106，获取待分类的人脸图像；

s108，采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类，得到对应的分类结果信息并进行显示。

需要说明的是，本发明的技术方案可以在pc、手机、pad等终端设备中进行操作。

需要说明的是，机器学习(machinelearning)是一门多领域交叉学科，涉及了概率论、统计学、算法复杂度等多门学科。专门研究计算机怎样模拟或实现人的学习行为，它能够发现和挖掘数据所包含的潜在价值。机器学习已经成为了人工智能的一个分支，通过自学习算法，发现和挖掘数据潜在的规律，从而对未知的数据进行预测。机器学习已经广泛的运用在计算机科学研究、自然语言处理、机器视觉、语音、游戏等领域。机器学习的方法主要分为三种：监督学习(supervisedlearning)、无监督学习(unsupervisedlearning)、强化学习(reinforcementlearning)。

在监督学习中的训练数据是带类标的。监督学习通过使用有类标的训练数据构建模型，可以通过训练得到的模型对未知的数据进行预测。比如，在对手写数字识别所使用的机器学习算法就属于监督学习，在训练模型之前，需要先定义那张图片表示的是数字几，以便计算机从数据中提取特征更好的像类标靠近。监督学习可以分为分类和回归。

强化学习是通过构建一个系统，在与环境交互的过程中提高系统的性能。

环境的当前状态信息会包括一个反馈信号，可以通过这个反馈信号对当前

系统进行评价进而改善系统。通过与环境的交互，该系统可以通过强化学习来得到一系列行为，通过对激励系统的设计使得正向反馈最大。强化学习经常被使用在游戏领域，比如围棋比赛，系统会根据当前棋盘上的局态来决定下一步的位置，通过游戏结束时的胜负来作为激励信号。

无监督学习所处理的是无类标或者数据的总体趋势不明朗，通过无监督学习可以将这些不知道类标和输出标量以及没有反馈信号的情况下，来寻找数据中所潜在的规律。无监督学习可以分为聚类和降维。

需要说明的是，本发明所使用的机器学习算法可以为随机森林算法、梯度提升机算法、k近邻算法、支持向量机算法、adaboost算法、分类决策树算法的一种或几种。但不限于此。

随机森林是一种监督学习方法，通过建立多个决策树，将它们合并在一起来获得更加准确且稳定的预测。输入：训练数据集，样本子集的个数t；

输出：最终的强分类器。从原始样本集中随机的抽取m个样本点，得到一个训练集；用训练集，训练一个cart决策树，这里在训练的过程中，对每个节点的切分规则是先从所有特征中随机的选择k个特征，然后在从这k个特征中选择最优的切分点在做左右子树的划分。如果是分类算法，则预测的最终类别为该样本点所到叶节点中投票数最多的类别；如果是回归算法，则最终的类别为该样本点所到叶节点的均值。

梯度提升机算法(lightgbm)是一个梯度boosting框架，使用基于学习算法的决策树。它包含两个关键点：light即轻量级，gbm即梯度提升机。梯度提升机算法和其它boosting算法一样，通过将表现一般的数个模型(通常是深度固定的决策树)组合在一起来集成一个表现较好的模型。adaboost是通过提升错分数据点的权重来定位模型的不足，gradientboosting通过负梯度来识别问题，通过计算负梯度来改进模型，即通过反复地选择一个指向负梯度方向的函数，该算法可被看做在函数空间里对目标函数进行优化。gbdt在每一次迭代的时候，都需要遍历整个训练数据多次。如果把整个训练数据装进内存则会限制训练数据的大小；如果不装进内存，反复地读写训练数据又会消耗非常大的时间。尤其面对工业级海量的数据，普通的gbdt算法是不能满足其需求的。lightgbm提出的主要原因就是为了解决gbdt在海量数据遇到的问题，让gbdt可以更好更快地用于工业实践。lightgbm具有更快的训练效率，低内存使用，更好的准确率和可处理大规模数据的优点。

k最近邻(k-nearestneighbor，knn)算法的基本思想是如果一个实例在特征空间中的k个最相似(即特征空间中最近邻)的实例中的大多数属于某一个类别，则该实例也属于这个类别。knn做分类预测时，一般是选择多数表决法，即训练集里和预测的样本特征最近的k个样本，预测为里面有最多类别数的类别。基本算法流程是计算未知点到所有已知类别点的距离，按距离排序，选其中k个与未知点离得最近的点，统计其中类别出现频率最高的作为未知点的类别。knn算法具有简单有效易理解的优点，但对内存消耗较大且比较耗时。

如图2所示，svm是一个由分类超平面定义的判别分类器。也就是说给定一组带标签的训练样本，算法将会输出一个最优超平面对新样本(测试样本)进行分类。就是找一个超平面，并且它到离他最近的训练样本的距离要最大。即最优分割超平面最大化训练样本边界。上述内容是针对线性可分的数据集。针对非线性的数据集，需要核函数转换空间，才具有非线性数据处理能力。

adaboost是典型的boosting算法，属于boosting家族的一员。boosting算法是将“弱学习算法”提升为“强学习算法”的过程。一般来说，找到弱学习算法要相对容易一些，然后通过反复学习得到一系列弱分类器，组合这些弱分类器得到一个强分类器。boosting算法要涉及到两个部分，加法模型和前向分步算法。加法模型就是说强分类器由一系列弱分类器线性相加而成。

adaboost就是损失函数为指数损失的boosting算法。adaboost改变了训练数据的权值，也就是样本的概率分布，其思想是将关注点放在被错误分类的样本上，减小上一轮被正确分类的样本权值，提高那些被错误分类的样本权值。

然后，再根据所采用的一些基本机器学习算法进行学习，比如逻辑回归。

分类决策树的核心思想就是在一个数据集中找到一个最优特征，然后从这个特征的选值中找一个最优候选值，根据这个最优候选值将数据集分为两个子数据集，然后递归上述操作，直到满足指定条件为止。决策树通常有三个步骤：特征选择、决策树的生成、决策树的修剪。用决策树分类：从根节点开始，对实例的某一特征进行测试，根据测试结果将实例分配到其子节点，此时每个子节点对应着该特征的一个取值，如此递归的对实例进行测试并分配，直到到达叶节点，最后将实例分到叶节点的类中。图3为一种决策树的示意图，其中，圆点表示内部节点，方框表示叶节点。

图4示出了本发明关于中医体质的脸型分类过程中构建特征库的方法流程图。

如图4所示，获取训练用的人脸样本图像，并构建特征库，还包括：

s402，获取人脸样本图像，进行特征提取，立体匹配，并对所述人脸样

本图像进行双目视觉三维重建人脸样本模型；

s404，接收对所述人脸样本图像标注的关于中医体质的脸型类别标签；

s406，从所述人脸样本模型下测量人脸n个关键点和个距离，利用特征选择的方式，选择具有判别力的m个人脸特征，并建立m个人脸特征与关于中医体质的脸型类别标签的对应关系，得到一个训练样本；

s408，收集多个训练样本，并构建所述特征库。

根据本发明的实施例，获取待分类的人脸图像，还包括：

获取待分类的人脸图像，进行特征提取，立体匹配，并对所述人脸图像进行双目视觉三维重建人脸模型；

获取待分类的人脸模型的人脸特征。

根据本发明的实施例，采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类，得到对应的分类结果信息并进行显示，还包括：

根据所述人脸特征，采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类，得到对应的分类结果信息并进行显示。

需要说明的是，所述人脸特征为额宽、颧宽、下颚宽、额长、中庭长、下庭长、眼长、眼宽、鼻长、鼻宽、鼻高、人中长度、唇宽、上唇高、下唇高、唇高、下颚的一种或几种。但不限于此。

图5示出了本发明一种关于中医体质的脸型分类系统的框图。

如图5所示，本发明第二方面还提出一种关于中医体质的脸型分类系统5，所述关于中医体质的脸型分类系统5包括：存储器51及处理器52，所述存储器51中包括一种关于中医体质的脸型分类方法程序，所述关于中医体质的脸型分类方法程序被所述处理器52执行时实现如下步骤：

获取训练用的人脸样本图像，并构建特征库；

根据所述特征库中的人脸样本图像，并采用机器学习算法训练得到关于中医体质的脸型分类模型；

获取待分类的人脸图像；

采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类，得到对应的分类结果信息并进行显示。

需要说明的是，本发明的系统可以在pc、手机、pad等终端设备中进行操作。

需要说明的是，所述处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

需要说明的是，所述系统还可以包括显示器，所述分类结果信息通过显示器反馈给用户。所述显示器也可以称为显示屏或显示单元。在一些实施例中显示器可以是led显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(organiclight-emittingdiode，oled)触摸器等。显示器用于显示在系统中处理的信息以及用于显示可视化的工作界面。

需要说明的是，机器学习(machinelearning)是一门多领域交叉学科，涉及了概率论、统计学、算法复杂度等多门学科。专门研究计算机怎样模拟或实现人的学习行为，它能够发现和挖掘数据所包含的潜在价值。机器学习已经成为了人工智能的一个分支，通过自学习算法，发现和挖掘数据潜在的规律，从而对未知的数据进行预测。机器学习已经广泛的运用在计算机科学研究、自然语言处理、机器视觉、语音、游戏等领域。机器学习的方法主要分为三种：监督学习(supervisedlearning)、无监督学习(unsupervisedlearning)、强化学习(reinforcementlearning)。

在监督学习中的训练数据是带类标的。监督学习通过使用有类标的训练数据构建模型，可以通过训练得到的模型对未知的数据进行预测。比如，在对手写数字识别所使用的机器学习算法就属于监督学习，在训练模型之前，需要先定义那张图片表示的是数字几，以便计算机从数据中提取特征更好的像类标靠近。监督学习可以分为分类和回归。

强化学习是通过构建一个系统，在与环境交互的过程中提高系统的性能。

环境的当前状态信息会包括一个反馈信号，可以通过这个反馈信号对当前的系统进行评价进而改善系统。通过与环境的交互，该系统可以通过强化学习来得到一系列行为，通过对激励系统的设计使得正向反馈最大。强化学习经常被使用在游戏领域，比如围棋比赛，系统会根据当前棋盘上的局态来决定下一步的位置，通过游戏结束时的胜负来作为激励信号。

无监督学习所处理的是无类标或者数据的总体趋势不明朗，通过无监督

学习可以将这些不知道类标和输出标量以及没有反馈信号的情况下，来寻找

数据中所潜在的规律。无监督学习可以分为聚类和降维。

需要说明的是，本发明所使用的机器学习算法可以为随机森林算法、梯度提升机算法、k近邻算法、支持向量机算法、adaboost算法、分类决策树算法的一种或几种。但不限于此。

随机森林是一种监督学习方法，通过建立多个决策树，将它们合并在一起来获得更加准确且稳定的预测。输入：训练数据集，样本子集的个数t；

输出：最终的强分类器。从原始样本集中随机的抽取m个样本点，得到一个训练集；用训练集，训练一个cart决策树，这里在训练的过程中，对每个节点的切分规则是先从所有特征中随机的选择k个特征，然后在从这k个特征中选择最优的切分点在做左右子树的划分。如果是分类算法，则预测的最终类别为该样本点所到叶节点中投票数最多的类别；如果是回归算法，则最终的类别为该样本点所到叶节点的均值。

梯度提升机算法(lightgbm)是一个梯度boosting框架，使用基于学习算法的决策树。它包含两个关键点：light即轻量级，gbm即梯度提升机。梯度提升机算法和其它boosting算法一样，通过将表现一般的数个模型(通常是深度固定的决策树)组合在一起来集成一个表现较好的模型。adaboost是通过提升错分数据点的权重来定位模型的不足，gradientboosting通过负梯度来识别问题，通过计算负梯度来改进模型，即通过反复地选择一个指向负梯度方向的函数，该算法可被看做在函数空间里对目标函数进行优化。gbdt在每一次迭代的时候，都需要遍历整个训练数据多次。如果把整个训练数据装进内存则会限制训练数据的大小；如果不装进内存，反复地读写训练数据又会消耗非常大的时间。尤其面对工业级海量的数据，普通的gbdt算法是不能满足其需求的。lightgbm提出的主要原因就是为了解决gbdt在海量数据遇到的问题，让gbdt可以更好更快地用于工业实践。lightgbm具有更快的训练效率，低内存使用，更好的准确率和可处理大规模数据的优点。k最近邻(k-nearestneighbor，knn)算法的基本思想是如果一个实例在特征空间中的k个最相似(即特征空间中最近邻)的实例中的大多数属于某一个类别，则该实例也属于这个类别。knn做分类预测时，一般是选择多数表决法，即训练集里和预测的样本特征最近的k个样本，预测为里面有最多类别数的类别。基本算法流程是计算未知点到所有已知类别点的距离，按距离排序，选其中k个与未知点离得最近的点，统计其中类别出现频率最高的作为未知点的类别。knn算法具有简单有效易理解的优点，但对内存消耗较大且比较耗时。

svm是一个由分类超平面定义的判别分类器。也就是说给定一组带标签的训练样本，算法将会输出一个最优超平面对新样本(测试样本)进行分类。

就是找一个超平面，并且它到离他最近的训练样本的距离要最大。即最优割超平面最大化训练样本边界。上述内容是针对线性可分的数据集。针对非线性的数据集，需要核函数转换空间，才具有非线性数据处理能力。

adaboost是典型的boosting算法，属于boosting家族的一员。boosting算法是将“弱学习算法”提升为“强学习算法”的过程。一般来说，找到弱学习算法要相对容易一些，然后通过反复学习得到一系列弱分类器，组合这些弱分类器得到一个强分类器。boosting算法要涉及到两个部分，加法模型和前向分步算法。加法模型就是说强分类器由一系列弱分类器线性相加而成。

adaboost就是损失函数为指数损失的boosting算法。adaboost改变了训练数据的权值，也就是样本的概率分布，其思想是将关注点放在被错误分类的样本上，减小上一轮被正确分类的样本权值，提高那些被错误分类的样本权值。

然后，再根据所采用的一些基本机器学习算法进行学习，比如逻辑回归。

分类决策树的核心思想就是在一个数据集中找到一个最优特征，然后从这个特征的选值中找一个最优候选值，根据这个最优候选值将数据集分为两个子数据集，然后递归上述操作，直到满足指定条件为止。决策树通常有三个步骤：特征选择、决策树的生成、决策树的修剪。用决策树分类：从根节点开始，对实例的某一特征进行测试，根据测试结果将实例分配到其子节点，此时每个子节点对应着该特征的一个取值，如此递归的对实例进行测试并分配，直到到达叶节点，最后将实例分到叶节点的类中。

根据本发明的实施例，获取训练用的人脸样本图像，并构建特征库，还

包括：

获取人脸样本图像，进行特征提取，立体匹配，并对所述人脸样本图像进行双目视觉三维重建人脸样本模型；

接收对所述人脸样本图像标注的关于中医体质的脸型类别标签；

从所述人脸样本模型下测量人脸n个关键点和个距离，利用特征选择的方式，选择具有判别力的m个人脸特征，并建立m个人脸特征与关于中医体质的脸型类别标签的对应关系，得到一个训练样本；

收集多个训练样本，并构建所述特征库。

根据本发明的实施例，获取待分类的人脸图像，还包括：

获取待分类的人脸图像，进行特征提取，立体匹配，并对所述人脸图像进行双目视觉三维重建人脸模型；

获取待分类的人脸模型的人脸特征。

根据本发明的实施例，采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类，得到对应的分类结果信息并进行显示，还包括：

根据所述人脸特征，采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类，得到对应的分类结果信息并进行显示。

需要说明的是，所述人脸特征为额宽、颧宽、下颚宽、额长、中庭长、下庭长、眼长、眼宽、鼻长、鼻宽、鼻高、人中长度、唇宽、上唇高、下唇高、唇高、下颚的一种或几种。但不限于此。

本发明第三方面还提出一种计算机可读存储介质，所述计算机可读存储

介质中包括一种关于中医体质的脸型分类方法程序，所述关于中医体质的脸型分类方法程序被处理器执行时，实现如上述的一种关于中医体质的脸型分类方法的步骤。

为了更好的解释本发明的技术方案，下面将通过一实施例进行详细说明。

如图6所示，本实施例的关于中医体质的脸型分类方法包括两个主要阶段：离线训练阶段和在线测试阶段。

离线测试阶段：

步骤一，获取人脸图像，进行摄像机标定，特征提取，立体匹配，对人脸进行双目视觉三维重建，并请有经验的中医标注该图像对应的关于中医体质的脸型类别；

步骤二，从三维模型下测量人脸n个关键点，和个距离，利用特征选择的方式，选择最具判别力的m个特征，选择这m个特征作为判别器的分类特征，例如：选择额宽、颧宽、下颚宽、额长、中庭长、下庭长、眼长、眼宽、鼻长、鼻宽、鼻高、人中长度、唇宽、上唇高、下唇高、唇高、下颚这17个特征作为人脸特征，但不限于此；

步骤三，收集大量的<人脸特征，关于中医体质的脸型类别>训练样本，构建一个特征库；

步骤四，利用监督学习算法，在训练库上训练得到关于中医体质的脸型分类器(关于中医体质的脸型分类模型)；

需要说明的是，所述监督学习算法可以为k近邻算法、支持向量机算法、adaboost算法、随机森林算法中的任意一个。

在线测试阶段：

步骤一，获取人脸图像，进行摄像机标定，特征提取，立体匹配，对人脸进行双目视觉三维重建；

步骤二，获取三维人脸下的五官特征信息；

步骤三，将人脸特征送入训练好的关于中医体质的脸型分类器，得到最终的分类结果信息。

人脸的五官特征主要包括：眼睛的中心点(2个)，鼻尖的位置，嘴角的位置(2个)；获取人脸的上述五个关键点位置后，将两只眼睛的连线调整到水平的位置，并缩放到固定的长度；利用图像分割算法，提取人脸的外轮廓特征，然后在轮廓线上均匀采样n个点，计算这n个点到鼻尖的距离，利用这些距离作为人脸的特征。人脸的五个关键点如图7中的红色十字所示。

如图8所示，在三维模型上获得诸如额宽、颧宽、下颚宽、额长、中庭长、下庭长、眼长、眼宽、鼻长、鼻宽、鼻高、人中长度、唇宽、上唇高、下唇高、唇高、下颚这些具有判别力的特征数据。

本发明通过传感器获取关于中医体质的脸型的特征，利用机器学习的方法自动学习关于中医体质的脸型分类器。用户使用时，只需将传感器获得的关于中医体质的脸型信息送入分类器，便可得相应的关于中医体质的脸型分类结果。

本发明通过获取训练用的人脸样本图像，并构建特征库；根据所述特征库中的人脸样本图像，并采用机器学习算法训练得到关于中医体质的脸型分类模型；获取待分类的人脸图像；采用所述关于中医体质的脸型分类模型对待分类的人脸图像进行分类，得到对应的分类结果信息并进行显示。本发明通过能够根据具有判别力的人脸图像数据，自动输出关于中医体质的脸型的分类结果。相较于传统的人为(中医专家)分类方式，本发明的关于中医体质的脸型分类方法自动化程度高，有效节省了人力成本；同时，不受人为主观因素的影响，分类准确度高。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明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揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。