技术摘要：
本申请提供一种基于深度学习的卫生监督执法非法行医人脸识别方法，包括：S10，基于卫生监督执法系统中的非法行医数据创建全国非法行医数据库；基于TensorFlowJS的SSD Mobilenet V1人脸检测深度学习模型构建人脸检测模型，训练该模型使其能够得到图像中面孔的位置,提取 全部
背景技术：
近年来，随着医疗卫生体制改革的不断深入，医疗市场越来越开放，国家一统的格 局已经打破。社会、集体、个人多方办医院，解决了人们就医难的问题。但是，由于管理上的 疏漏，一些不法分子胆大妄为，未取得医生执业资格擅自从事医疗活动，进行非法行医卖 药，不择手段地坑人骗钱，严重扰乱了医药市场秩序，危害了人民群众的生命财产安全，败 坏政府和医务人员的形象。虽然严厉打击非法行医专项整治行动取得了阶段性成果，但是 目前非法行医的现象仍然普遍存在，甚至有愈演愈烈的趋势，由于流动性较强，不易被执法 部门发现。待发觉时又大多造成了就诊人员伤残、死亡等严重后果，探究其原因既有历史原 因，也有一系列社会原因，使非法行医得以生存的土壤。因为快速高效的非法行医行政执法 手段显得尤为重要，并且迫在眉睫。
技术实现要素：
为解决上述问题，本申请提供一种基于深度学习的卫生监督执法非法行医人脸识 别方法，包括： S10，基于卫生监督执法系统中的非法行医数据创建非法行医数据库；所述非法行 医数据库包括非法行医人员信息；其中，所述每个非法行医人员的信息包括非法行医人员 的人脸照片、个人信息以及非法行医记录，设置每个非法行医人员具有唯一的身份标识，根 据所述唯一的身份标识与所述非法行医人员的信息相关联； S20，基于TensorFlowJS的SSD Mobilenet V1人脸检测深度学习模型构建人脸检 测模型，训练该模型使其能够得到图像中面孔的位置； S30,获得非法行医数据库中人脸照片中面孔上的人脸特征点及其置信度；将置信 度高于阈值的人脸特征点作为面部标界点，将所述面部标界点储存在非法行医数据库中； S40，获得拍摄到的照片中的人脸的面部标界点，将其与非法行医数据库中对应位 置的人脸的面部标界点进行比对，判断是否为非法行医人员。 其中，还包括步骤S50,通过该非法行医人员的唯一的身份标识，获取非法行医人 员的信息,并向有关部门发出警报。 其中，在步骤20中，具体步骤为：SSD Mobilenet V1的深度可分卷积将标准卷积分 为深度卷积和一个1*1的卷积，深度卷积针对单个输入通道用单个卷积核进行卷积，得到输 入通道数的深度，然后运用一个1*1卷积来对深度卷积中的输出进行线性结合，深度卷积对 每个通道使用一种卷积核：Gk,l,m^＝∑i,jKi,j,m^·Fk i-1,l j-1,mGk,l,m^＝∑i,jKi, j,m^·Fk i-1,l j-1,m，其中K^K^是深度卷积核的尺寸DK＊DK＊MDK＊DK＊M，K^K^中第m个 卷积核应用于F中的第m个通道来产生第m个通道的卷积输出特征图G^G^，则深度卷积的计 4 CN 111597872 A 说 明 书 2/7 页 算量为：DK＊DK＊M＊DF＊DFDK＊DK＊M＊DF＊DF，深度可分离卷积的计算量为：DK＊DK＊ M＊DF*DF M＊N＊DF＊DFDK＊DK＊M＊DF＊DF M＊N＊DF＊DF，通过将卷积分为滤波和组合 的过程得到对计算量的缩减为：DK＊DK*M*DF*DF M＊N＊DF＊DFDK＊DK＊M＊DF＊DF＝1N 1D2KDK＊DK＊M＊DF＊DF M＊N＊DF＊DFDK＊DK*M*DF*DF＝1N 1DK2。 其中，在步骤30中，采用face_landmark_68_model模型，所述face_landmark_68_ model模型采用了深度可分离卷积以及密集连接的块，在数据集上进行了训练，具有68个面 部标界点。 其中，步骤S40的计算方法采用欧式距离算法，计算面部标界点在多维空间上的距 离，计算公式为： 其中，x、y分别为待判断的照片上人脸的面部标界点的坐标和非法行医数据库中 相应位置点的面部标界点的坐标，当计算出的距离小于距离阈值时，判断照片中的人为非 法行医人员并从违法行医数据库中获得其唯一的身份标识。 其中，步骤S20的量化模型的大小约为5.4MB，该模型可以通过JS在浏览器端运行， 能够在PC、安卓或IOS系统的移动设备上使用。 其中，通过HTML中的canvas标签进行人脸位置和脸部68个面部标界点的标记。 本申请实现的有益效果如下： 基于深度学习的卫生监督执法非法行医人脸识别办法，利用人工智能的人脸识别 技术，能够帮助执法人员快速准确的录入、定位和识别不法分子，通过建立全国非法行医 库，将全国非法行医人员的信息和案件记录进行汇总联网，通过人脸识别实现快速比对、定 位与报警，能有效避免冒充等情况，主动推送相关的非法行医案件记录，为执法人员提供可 靠证据，能有效避免违法分子拒不承认的情况。解决了现有执法过程中非法行医流动性强、 人员识别定位困难、存在不法分子冒充医务人员、抵赖拒不认罪等问题，利用人工智能技术 赋能卫生监督行政执法，提高执法人员的工作效率，促进行政执法工作的准确高效的运行。 附图说明 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 申请中记载的一些实施例，对于本领域技术人员来讲，还可以根据这些附图获得其他的附 图。 图1为本申请非法行医数据库存储模块图。 图2为本申请基于深度学习的卫生监督执法非法行医人脸识别方法流程图。 图3为深度可分离卷积将标准卷积分为深度卷积和一个逐点卷积的示意图。 图4为执法人员上传的待比对的照片。 图5为非法行医的照片人脸检测结果。 图6为非法行医的照片面部特征位置标记结果。 5 CN 111597872 A 说 明 书 3/7 页
