用于自助体检仓的辅助体检控制方法及系统

技术领域

本发明涉及自助体检技术领域，具体涉及一种用于自助体检仓的辅助体检控制方法及系统。

背景技术

自助体检仓，也就是驾驶人智慧体检一站式服务机，可以充分发挥“互联网+交管”的服务功能，便利驾驶人办理期满换证业务，减少业务办理中的往返路程和时间成本。但由于体检用户个体间存在差异性，会影响体检仓的检测标准与用户之间的适配度，进而影响体检结果的准确度。

发明内容

本申请提供了一种用于自助体检仓的辅助体检控制方法及系统，用于解决现有技术中由于体检个体间存在差异性，导致自助体检仓的检测结果准确度低的技术问题。

本申请的第一个方面，提供了一种用于自助体检仓的辅助体检控制方法，所述方法包括：在用户进入自助体检仓后，通过用户信息采集模块，采集用户的人脸数据，并对人脸数据进行局部纹理特征识别，获得纹理特征向量集合；根据所述人脸数据和纹理特征向量集合，对用户与用户数据库内的多个用户进行相似度识别，获得匹配用户；通过控制分析模块，根据所述人脸数据和纹理特征向量集合，识别用户的姿态信息；调取所述匹配用户的历史体检数据，获取运动能力信息；根据所述姿态信息，对所述体检组件内的辨别体检组件的位置参数进行寻优，获得最优辨别体检位置信息，结合所述姿态信息和运动能力信息，对所述体检组件内的运动体检组件的位置参数进行优化，获得最优运动体检位置信息；通过控制模块，根据所述最优辨别体检位置信息和最优运动体检位置信息，对体检组件进行控制。

本申请的第二个方面，提供了一种用于自助体检仓的辅助体检控制系统，所述系统包括：纹理特征向量集合获取模块，所述纹理特征向量集合获取模块用于在用户进入自助体检仓后，通过用户信息采集模块，采集用户的人脸数据，并对人脸数据进行局部纹理特征识别，获得纹理特征向量集合；匹配用户获得模块，所述匹配用户获得模块用于根据所述人脸数据和纹理特征向量集合，对用户与用户数据库内的多个用户进行相似度识别，获得匹配用户；姿态信息识别模块，所述姿态信息识别模块用于通过控制分析模块，根据所述人脸数据和纹理特征向量集合，识别用户的姿态信息；运动能力信息获取模块，所述运动能力信息获取模块用于调取所述匹配用户的历史体检数据，获取运动能力信息；最优体检位置信息获取模块，所述最优体检位置信息获取模块用于根据所述姿态信息，对所述体检组件内的辨别体检组件的位置参数进行寻优，获得最优辨别体检位置信息，结合所述姿态信息和运动能力信息，对所述体检组件内的运动体检组件的位置参数进行优化，获得最优运动体检位置信息；体检组件控制模块，所述体检组件控制模块用于通过控制模块，根据所述最优辨别体检位置信息和最优运动体检位置信息，对体检组件进行控制。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请提供的一种用于自助体检仓的辅助体检控制方法，涉及自助体检技术领域，通过采集用户的人脸数据，进行局部纹理特征识别，获得纹理特征向量集合，通过人脸相似度识别，获得匹配用户，识别用户的姿态信息，调取匹配用户的运动能力信息，根据姿态信息，获得最优辨别体检位置信息，结合姿态信息和运动能力信息，获得最优运动体检位置信息，根据最优辨别体检位置信息和最优运动体检位置信息，对体检组件进行控制，解决了现有技术中由于体检个体的差异性，导致自助体检仓的检测结果准确度低的技术问题，实现了通过灵活控制自助体检仓的体检组件参数，提高自助体检仓的个体适应度，进而提高体检结果的准确度的技术效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种用于自助体检仓的辅助体检控制方法流程示意图；

图2为本申请实施例提供的一种用于自助体检仓的辅助体检控制方法中获得所述纹理特征向量集合的流程示意图；

图3为本申请实施例提供的一种用于自助体检仓的辅助体检控制方法中获得所述人脸识别器的流程示意图；

图4为本申请实施例提供的一种用于自助体检仓的辅助体检控制系统结构示意图。

附图标记说明：纹理特征向量集合获取模块11，匹配用户获得模块12，姿态信息识别模块13，运动能力信息获取模块14，最优体检位置信息获取模块15，体检组件控制模块16。

具体实施方式

本申请提供了一种用于自助体检仓的辅助体检控制方法，用于解决现有技术中由于体检个体间存在差异性，导致自助体检仓的检测结果准确度低的技术问题。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。

实施例一

如图1所示，本申请提供了一种用于自助体检仓的辅助体检控制方法，所述方法包括：

T10：在用户进入自助体检仓后，通过用户信息采集模块，采集用户的人脸数据，并对人脸数据进行局部纹理特征识别，获得纹理特征向量集合；

进一步的，如图2所示，本申请实施例步骤T10还包括：

T11：通过用户信息采集模块，采集用户的人脸数据；

T12：对人脸数据进行灰度化处理；

T13：采用局部处理算子，对灰度化人脸图像进行分割，获得局部图像集合；

T14：按照预设判断规则，对局部图像集合内每个局部图像内的像素点进行判别，生成多个局部图像的纹理特征向量，获得所述纹理特征向量集合。

具体的，在目标用户进入自助体检仓后，通过用户信息采集模块的图像采集装置，进行目标用户的人脸数据采集，例如通过摄像机采集目标用户的人脸图像，并将所述人脸图像进行灰度化处理，也就是将多通道的彩色人脸原图转换为单通道的灰度图，以降低图像内存、增强视觉对比、加快图像处理速度。进一步的，采用局部处理算子进行灰度化人脸图像分割，所述局部处理算子是预先设定的像素划分规则，例如像素3*3为一个划分邻域，所述灰度化人脸图像由多个像素点组成，使用所述局部处理算子将所述灰度化人脸图像分割为多个局部图像，例如按照像素3*3为一个分割区域的规则，将所述灰度化人脸图像分割为多个像素3*3局部图像，组成局部图像集合。

进一步的，按照预设的像素点特征判断规则，对局部图像集合内每个局部图像内的像素点进行判别，例如将局部图像内各个像素点的像素值进行大小对比，或与某一像素阈值对比等，并由对比结果生成多个局部图像的纹理特征向量，组成所述纹理特征向量集合，可以反映新采集的用户图像中各局部区域的纹理特征。

进一步的，本申请实施例步骤T14还包括：

T14-1：以每个局部图像内的中心像素点的灰度值为判别阈值；

T14-2：判别每个局部图像内中心以外像素点的灰度值大于、小于或等于判别阈值，大于记录为1，小于记录为-1，等于记录为0，以记录的多位数值作为局部图像的纹理特征向量，获得所述纹理特征向量集合。

其中，以每个局部图像内的中心像素点的灰度值为判别阈值，示例性的，在灰度图像中像素3*3的邻域内，以位于邻域中心的像素点的灰度值为像素特征判定阈值，进一步的，判别每个局部图像内中心以外像素点的灰度值是否大于、小于或等于判别阈值，大于记录为1，小于记录为-1，等于记录为0，并以记录的多位数值作为局部图像的纹理特征向量，组成所述纹理特征向量集合，可以反映每个局部图像中各像素点的像素值大小关系，也就是每个局部图像的像素特征。

T20：根据所述人脸数据和纹理特征向量集合，对用户与用户数据库内的多个用户进行相似度识别，获得匹配用户；

应当理解的是，将所述人脸数据和纹理特征向量集合显示的当前目标用户的人脸特征数据，与用户数据库内多个用户的人脸特征进行对比匹配，因为所述自助体检仓与相关部门联网，故所述用户数据库内包含了持有驾驶证的所有用户的备案数据，包括人脸特征数据，选择与用户数据库内人脸特征相似性最高的用户，作为匹配用户，也就是识别目标用户的身份信息，以便为目标用户提供自助体检服务。

进一步的，本申请实施例步骤T20还包括：

T21：根据所述自助体检仓的历史运行数据，获取多个用户的多个样本人脸数据；

T22：采用所述多个样本人脸数据，构建人脸识别器，加入所述用户信息采集模块，所述人脸识别器内包括基于孪生网络构建的人脸数据识别路径，以及纹理特征识别路径和加权分支；

T23：将所述人脸数据和纹理特征向量集合输入所述人脸识别器，获得多个相似度；

T24：将相似度最大的用户作为所述匹配用户。

在本申请一种可选择的实施例中，通过所述自助体检仓的历史运行数据，也就是所述自助体检仓在过去时段的运行数据，并从中提取多个历史用户的人脸数据，作为样本人脸数据，并采用所述多个样本人脸数据作为训练数据，结合孪生网络的架构进行训练，构建人脸数据识别路径、纹理特征识别路径，所述孪生网络就是由两个共享权值的神经网络构成的连体神经网络，可以用来衡量两个输入样本的相似程度。并基于加权计算规则构建加权分支，最后由所述人脸数据识别路径、纹理特征识别路径和加权分支构成所述人脸识别器。

进一步的，将所述人脸数据和纹理特征向量集合输入所述人脸识别器，通过与历史用户的人脸数据进行对比识别，获得多个相似度，筛选出相似度最大的用户作为所述匹配用户。

进一步的，如图3所示，本申请实施例步骤T22还包括：

T22-1：基于孪生网络，构建权值共享的两个卷积神经网络；

T22-2：对所述多个样本人脸数据进行组合和相似度评估，获得多个样本人脸相似度，同一用户的两个样本人脸数据的样本人脸相似度大于不同用户的两个样本人脸数据的样本人脸相似度；

T22-3：采用多个样本人脸数据组合和多个样本人脸相似度对两个卷积神经网络进行训练，直到收敛，获得人脸数据识别路径；

T22-4：构建纹理相似度计算规则，获得纹理特征识别路径，所述纹理相似度计算规则包括统计两个纹理特征向量集合内对应位置的纹理特征向量内数值不同的数量，与纹理特征向量集合内全部纹理特征向量内数值的数量的比值，作为纹理相似度；

T22-5：构建加权计算规则，获得所述加权分支，所述加权计算规则包括对人脸相似度和纹理相似度加权计算，获得相似度；

T22-6：连接所述人脸数据识别路径、纹理特征识别路径和加权分支，获得所述人脸识别器。

其中，基于所述孪生网络，构建权值共享的两个卷积神经网络，所述卷积神经网络是一种深度学习模型或类似于人工神经网络的多层感知器，常用来分析视觉图像。进一步的，对所述多个样本人脸数据进行两两随机组合，并对每个组合中的两个样本人脸数据进行相似度评估，获得多个样本人脸相似度，其中，相似度评价规则可以是，同一用户的两个样本人脸数据的样本人脸相似度大于不同用户的两个样本人脸数据的样本人脸相似度，示例性的，将来自相同用户同一时期的人脸图像的相似度判定为90%，将相同用户不同时期的人脸图像的相似度判定为80%，不同用户的人脸图像的相似度设定为0，可选的，也可以将来自相同用户的人脸图像的相似度设置为100%，来自不同用户的人脸图像的相似度设置为0。

进一步的，使用多个样本人脸数据组合和对应的多个样本人脸相似度作为训练数据，对两个卷积神经网络进行训练、验证和测试，直到两个卷积神经网络的输出达到收敛并满足预设的准确度要求，完成对两个卷积神经网络的训练，并由两个卷积神经网络构建人脸数据识别路径。进一步的，构建纹理相似度计算规则，也就是用户面部纹理相似度计算规则，通过统计来自两张图像的两个纹理特征向量集合内对应位置的纹理特征向量内数值不同的点的数量，并计算该数值占全部纹理特征向量内总点数的比例，作为纹理相似度，比如纹理特征向量内数值相同的点数占总点数的比例为80%，则所述纹理相似度为80%。

进一步的，根据所述人脸相似度和纹理相似度对用户进行人脸识别的准确度对比，分别为所述人脸相似度和纹理相似度分配相应的权重系数，例如4:6，并以此作为加权计算规则，进而根据加权计算规则构建所述加权分支，对人脸相似度和纹理相似度加权计算，来获得综合相似度。进一步的，将所述人脸数据识别路径、纹理特征识别路径分别与所述加权分支向连接，构成所述人脸识别器。

T30：通过控制分析模块，根据所述人脸数据和纹理特征向量集合，识别用户的姿态信息；

具体的，将所述人脸数据和纹理特征向量集合输入所述控制分析模块，由所述控制分析模块进行用户的姿态识别，也就是进行用户的拍照姿态识别，比如识别出用户当前面部姿态为平视正前方的姿态、仰视的姿态、偏左或偏右的姿态等，作为用户的姿态信息，可以用来作为自助体检仓的体检组件参数调节的参考数据。

进一步的，本申请实施例步骤T30还包括：

T31：根据所述自助体检仓的数据记录，调取样本人脸数据记录、样本纹理特征记录和样本姿态信息集合；

T32：构建姿态识别器，所述姿态识别器内包括输入层、图像识别层、全连接层和姿态分类层，图像识别层内包括多层卷积层、池化层；

T33：采用样本人脸数据记录、样本纹理特征记录和样本姿态信息集合，对姿态识别器进行训练，直到收敛；

T34：将所述人脸数据输入姿态识别器内进行识别，获得姿态信息。

具体的，从所述自助体检仓的数据记录中，调取样本人脸数据记录、样本纹理特征记录和样本姿态信息集合，所述样本姿态信息集合包括多个用户面部姿态数据。基于所述卷积神经网络，构建构建姿态识别器，所述姿态识别器内包括输入层、图像识别层、全连接层和姿态分类层，所述图像识别层用来进行姿态图像识别，且图像识别层内包括多层卷积层、池化层，所述卷积层用来提取图像特征，所述池化层用来进行降采样，减小输入尺寸、降低计算复杂度，所述全连接层用来将输入和输出的所有神经元相连接，所述姿态分类层用来进行用户面部姿态分类。

进一步的，采用样本人脸数据记录、样本纹理特征记录和样本姿态信息集合作为训练数据，对所述姿态识别器进行有监督训练，直到所述姿态识别器的输出达到收敛并满足预设的准确度要求，得到所述姿态识别器。将当前用户的所述人脸数据输入姿态识别器内进行识别，即可获得当前用户的姿态信息。

T40：调取所述匹配用户的历史体检数据，获取运动能力信息；

示例性地，调取所述匹配用户的历史体检数据，也就是当前用户在过去进行体检时的体检数据，并从所述历史体检数据中提取目标用户的运动能力信息，也就是对车辆驾驶有影响的身体信息，例如双臂的转动范围、抬起高度、双脚的活动范围等，可以用来作为自助体检仓的体检组件参数调节的参考数据。

T50：根据所述姿态信息，对所述体检组件内的辨别体检组件的位置参数进行寻优，获得最优辨别体检位置信息，结合所述姿态信息和运动能力信息，对所述体检组件内的运动体检组件的位置参数进行优化，获得最优运动体检位置信息；

应当理解的是，使用所述姿态信息，对所述体检组件内的辨别体检组件的位置参数进行寻优，也就是根据目标用户的当前的面部摆放姿态，计算体检组件的最佳面部信息采集位置、角度等，获得最优辨别体检位置信息，以保证面部信息采集的准确度。进一步的，根据所述姿态信息和运动能力信息，也就是目标用户的面部摆放姿态和身体条件数据，计算体检组件的最佳身体信息采集位置，例如最佳座椅高度等，以保证用户身体信息采集的准确度。

进一步的，本申请实施例步骤T50还包括：

T51：根据所述姿态信息和运动能力信息，构建第一目标函数和第二目标函数：

；

其中，

T52：采用所述第一目标函数，对体检组件内的辨别体检组件的位置参数进行优化，获得最优辨别体检位置信息；

T53：采用所述第二目标函数，对体检组件内的运动体检组件的位置参数进行优化，获得最优运动体检位置信息。

可选的，根据所述姿态信息和运动能力信息，分别构建第一目标函数和第二目标函数，所述第一目标函数即用来进行最优辨别体检位置信息寻优的函数，所述第二目标函数即用来进行最优运动体检位置信息寻优的函数，分别为：

进一步的，使用所述第一目标函数，对体检组件内的辨别体检组件的位置参数进行遍历寻优，筛选出辨别适应度最大的位置参数，作为最优辨别体检位置信息，采用所述第二目标函数，对体检组件内的运动体检组件的位置参数进行遍历寻优，筛选出运动适应度最大的位置参数，作为最优运动体检位置信息。

进一步的，本申请实施例步骤T53还包括：

T53-1：随机生成获得第一运动体检位置参数，作为临时解；

T53-2：根据所述第一运动体检位置参数下，对N个运动体检设施的匹配度进行评估，结合所述第二目标函数，计算获得第一运动适应度；

T53-3：随机生成获得第二运动体检位置参数，并评估计算获得第二运动适应度；

T53-4：判断第二运动适应度是否大于第一运动适应度，若是，则将第二运动体检位置参数更新为临时解，若否，按照概率将第二运动体检位置参数更新为临时解，所述概率随着优化的次数增加而减小；

T53-5：继续进行优化达到预设优化次数，将最终的临时解输出，获得最优运动体检位置信息。

其中，基于所述体检组件的参数调节范围，随机生成获得第一运动体检位置参数，并将其作为临时解，并使用所述第一运动体检位置参数，对N个运动体检设施的匹配度进行评估，也就是结合所述第二目标函数进行运动适应度计算，计算获得第一运动适应度。同理，随机生成获得第二运动体检位置参数，并评估计算获得第二运动适应度。

进一步的，判断第二运动适应度是否大于第一运动适应度，若是，则将第二运动体检位置参数更新为临时解，若否，按照一定的概率将第二运动体检位置参数更新为临时解，来避免陷入临时最优解，所述概率随着优化的次数增加而减小，例如第一次优化的概率为50%，第二次为40%，以此类推，直至概率为0。以此类推进行优化达到预设优化次数，将最终的临时解输出，获得最优运动体检位置信息。

T60：通过控制模块，根据所述最优辨别体检位置信息和最优运动体检位置信息，对体检组件进行控制。

具体的，通过控制模块，参照所述最优辨别体检位置信息，来调整体检组件的面部信息采集角度、采集距离等参数，例如根据用户的面部摆放姿态角度、距离等，来调整体检组件的图像采集角度或焦距，以达到提高面部信息采集准确度的目的，进一步的，参照所述最优运动体检位置信息，来调整体检组件的运动信息采集标准和位置，例如根据用户的身高、性别等个体身体差异，调整运动数据的采集标准和位置，比如对于不同身高的用户，采集到的身体各项运动指标可能存在差异，但不影响正常车辆驾驶。通过对体检组件的控制，可以提高自助体检仓的个体适应度，进而提高体检结果的准确度。

综上所述，本申请实施例至少具有如下技术效果：

本申请通过采集用户的人脸数据，进行局部纹理特征识别，获得纹理特征向量集合，通过人脸相似度识别，获得匹配用户，识别用户的姿态信息，调取匹配用户的运动能力信息，根据姿态信息，获得最优辨别体检位置信息，结合姿态信息和运动能力信息，获得最优运动体检位置信息，根据最优辨别体检位置信息和最优运动体检位置信息，对体检组件进行控制。

达到了通过灵活控制自助体检仓的体检组件参数，提高自助体检仓的个体适应度，进而提高体检结果的准确度的技术效果。

实施例二

基于与前述实施例中一种用于自助体检仓的辅助体检控制方法相同的发明构思，如图4所示，本申请提供了一种用于自助体检仓的辅助体检控制系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：

纹理特征向量集合获取模块11，所述纹理特征向量集合获取模块11用于在用户进入自助体检仓后，通过用户信息采集模块，采集用户的人脸数据，并对人脸数据进行局部纹理特征识别，获得纹理特征向量集合；

匹配用户获得模块12，所述匹配用户获得模块12用于根据所述人脸数据和纹理特征向量集合，对用户与用户数据库内的多个用户进行相似度识别，获得匹配用户；

姿态信息识别模块13，所述姿态信息识别模块13用于通过控制分析模块，根据所述人脸数据和纹理特征向量集合，识别用户的姿态信息；

运动能力信息获取模块14，所述运动能力信息获取模块14用于调取所述匹配用户的历史体检数据，获取运动能力信息；

最优体检位置信息获取模块15，所述最优体检位置信息获取模块15用于根据所述姿态信息，对所述体检组件内的辨别体检组件的位置参数进行寻优，获得最优辨别体检位置信息，结合所述姿态信息和运动能力信息，对所述体检组件内的运动体检组件的位置参数进行优化，获得最优运动体检位置信息；

体检组件控制模块16，所述体检组件控制模块16用于通过控制模块，根据所述最优辨别体检位置信息和最优运动体检位置信息，对体检组件进行控制。

进一步的，所述纹理特征向量集合获取模块11还用于执行以下步骤：

通过用户信息采集模块，采集用户的人脸数据；

对人脸数据进行灰度化处理；

采用局部处理算子，对灰度化人脸图像进行分割，获得局部图像集合；

按照预设判断规则，对局部图像集合内每个局部图像内的像素点进行判别，生成多个局部图像的纹理特征向量，获得所述纹理特征向量集合。

进一步的，所述纹理特征向量集合获取模块11还用于执行以下步骤：

以每个局部图像内的中心像素点的灰度值为判别阈值；

判别每个局部图像内中心以外像素点的灰度值大于、小于或等于判别阈值，大于记录为1，小于记录为-1，等于记录为0，以记录的多位数值作为局部图像的纹理特征向量，获得所述纹理特征向量集合。

进一步的，所述匹配用户获得模块12还用于执行以下步骤：

根据所述自助体检仓的历史运行数据，获取多个用户的多个样本人脸数据；

采用所述多个样本人脸数据，构建人脸识别器，加入所述用户信息采集模块，所述人脸识别器内包括基于孪生网络构建的人脸数据识别路径，以及纹理特征识别路径和加权分支；

将所述人脸数据和纹理特征向量集合输入所述人脸识别器，获得多个相似度；

将相似度最大的用户作为所述匹配用户。

进一步的，所述匹配用户获得模块12还用于执行以下步骤：

基于孪生网络，构建权值共享的两个卷积神经网络；

对所述多个样本人脸数据进行组合和相似度评估，获得多个样本人脸相似度，同一用户的两个样本人脸数据的样本人脸相似度大于不同用户的两个样本人脸数据的样本人脸相似度；

采用多个样本人脸数据组合和多个样本人脸相似度对两个卷积神经网络进行训练，直到收敛，获得人脸数据识别路径；

构建纹理相似度计算规则，获得纹理特征识别路径，所述纹理相似度计算规则包括统计两个纹理特征向量集合内对应位置的纹理特征向量内数值不同的数量，与纹理特征向量集合内全部纹理特征向量内数值的数量的比值，作为纹理相似度；

构建加权计算规则，获得所述加权分支，所述加权计算规则包括对人脸相似度和纹理相似度加权计算，获得相似度；

连接所述人脸数据识别路径、纹理特征识别路径和加权分支，获得所述人脸识别器。

进一步的，所述姿态信息识别模块13还用于执行以下步骤：

根据所述自助体检仓的数据记录，调取样本人脸数据记录、样本纹理特征记录和样本姿态信息集合；

构建姿态识别器，所述姿态识别器内包括输入层、图像识别层、全连接层和姿态分类层，图像识别层内包括多层卷积层、池化层；

采用样本人脸数据记录、样本纹理特征记录和样本姿态信息集合，对姿态识别器进行训练，直到收敛；

将所述人脸数据输入姿态识别器内进行识别，获得姿态信息。

进一步的，所述最优体检位置信息获取模块15还用于执行以下步骤：

根据所述姿态信息和运动能力信息，构建第一目标函数和第二目标函数：

；

其中，

采用所述第一目标函数，对体检组件内的辨别体检组件的位置参数进行优化，获得最优辨别体检位置信息；

采用所述第二目标函数，对体检组件内的运动体检组件的位置参数进行优化，获得最优运动体检位置信息。

进一步的，所述最优体检位置信息获取模块15还用于执行以下步骤：

随机生成获得第一运动体检位置参数，作为临时解；

根据所述第一运动体检位置参数下，对N个运动体检设施的匹配度进行评估，结合所述第二目标函数，计算获得第一运动适应度；

随机生成获得第二运动体检位置参数，并评估计算获得第二运动适应度；

判断第二运动适应度是否大于第一运动适应度，若是，则将第二运动体检位置参数更新为临时解，若否，按照概率将第二运动体检位置参数更新为临时解，所述概率随着优化的次数增加而减小；

继续进行优化达到预设优化次数，将最终的临时解输出，获得最优运动体检位置信息。

需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。