Github完整项目地址：https://github.com/jwen-wj/web-design
项目演示视频：https://www.bilibili.com/video/BV1n4411R7B8
项目奖状 项目背景随着互联网大潮的推进,互联网技术逐渐进入医疗领域,各大医院也在积极进行互联网相关的改造,切实解决患者的就医问题。为帮助患者进行就诊挂号，节省挂号时间，方便患者快速就诊，本项目从生物特征识别技术中最实用、应用最广泛的人脸识别技术入手,旨在开发一款基于人脸识别的智慧医疗预约挂号平台。
主要功能 人脸识别信息注册。挂号时运用“人脸识别注册”通过身份证+人脸识别，这种验证系统精准、科学地防止“号贩子”恶意注册并占用挂号资源，真实有效的方便实际病患挂号需求；精准信息检索。用户可通过点击相应科室、疾病或模糊搜索，实现预约挂号；地图路径规划。页面显示医院精准定位，用户可根据当前定位选择合适的驾车、公交、步行路径规划方式。智能推荐。 用户可以对医生进行匿名评论,后台，对其进行情感判断，将其分为消极评论或者积极评论，每个医生有一个初始分数，分数变化取决于评论的类别和医生的问诊量，最终通过分数高低对用户进行医生的智能推荐。帮助中心。提供用户预约挂号以及挂号流程出现的问题解答；医生信息统计与展示。提供医生端界面，可查看医生的数据统计以及个人信息展示；后台管理用户信息。后台部分负责管理所有游客、医生的信息内容，以及管理预约黑名单；微信小程序端。开发微信小程序端口，可实现网站与手机端同步预约挂号。界面设计 图1.主界面图2.医生端主页 图3.后台管理页面 系统环境 分类名称版本开发工具pycharm5eclipse4.7编译环境python3.6JDK1.8.0Tomcat9.0重要库cmake3.14.3boost1.70.0dlib19.7.0numpy1.16.2opencv2-python4.1.0.25数据库平台Mysql5.7.21云服务器ubuntu
由于Java环境以及python依赖包安装配置较为繁琐，此处列出部分相关教程
Linux系统JDK安装以及配置
Python dlib依赖包安装
Python opencv2-python依赖包安装
本项目采用三种模型集成测试的思路，确保人脸识别的精确性。
1、首先采用dlib模型和感知hash模型进行人脸比对。使用dlib中提供的人脸检测方法（使用HOG特征或卷积神经网方法），并使用提供的深度残差网络（ResNet）实现实时人脸识别，不过本项目的目的不是构建深度残差网络，而是利用已经训练好的模型进行实时人脸识别，实时性要求一秒钟达到10帧以上的速率，并且保证不错的精度。
人脸识别分为人脸检测和识别两个阶段，人脸检测会找到人脸区域的矩形窗口，识别则通过ResNet返回人脸特征向量，并进行匹配。
（1）人脸检测阶段。人脸检测算法需要用大小位置不同的窗口在图像中进行滑动，然后判断窗口中是否存在人脸。dlib中使用的是HOG（histogram of oriented gradient）+ 回归树的方法，使用dlib训练好的模型进行检测效果要好很多。dlib也使用了卷积神经网络来进行人脸检测，效果好于HOG的集成学习方法。
（2）识别阶段。识别也就是我们常说的“分类”，摄像头采集到这个人脸时，让机器判断是kkdsw还是其他人。分类分为两个部分：
根据上述内容，识别的大致过程如图所示：
图4.人脸识别分类过程对于图x中的获取人脸特征向量，其过程如图所示：
图5.获取人脸特征向量过程2、采用百度api人脸比对，将摄像头所拍摄的照片与数据库中黑名单人员进行人脸比对，缩短检测运行时间。
两张人脸图片相似度对比：比对两张图片中人脸的相似度，并返回相似度分值；多种图片类型：支持生活照、证件照、身份证芯片照、带网纹照四种类型的人脸对比；活体检测控制：基于图片中的破绽分析，判断其中的人脸是否为二次翻拍（举例：如用户A用手机拍摄了一张包含人脸的图片一，用户B翻拍了图片一得到了图片二，并用图片二伪造成用户A去进行识别操作，这种情况普遍发生在金融开户、实名认证等环节。）；质量检测控制：分析图片的中人脸的模糊度、角度、光照强度等特征，判断图片质量；地图路径规划路径规划api是一套以HTTP形式提供的步行、公交、驾车查询及行驶距离计算接口，返回JSON 或 XML格式的查询数据，用于实现路径规划功能的开发。 由于道路/数据/算法的变更，很可能存在间隔一段时间后请求相同起终点的经纬度返回不同结果。
第一步，申请”Web服务API”密钥（Key）；
第二步，拼接HTTP请求URL，第一步申请的Key需作为必填参数一同发送；
第三步，接收HTTP请求返回的数据（JSON或XML格式），解析数据。
如无特殊声明，接口的输入参数和输出数据编码全部统一为UTF-8。
针对步行、公交、驾车这三种路径规划的接口，实现批量请求，使用批量请求接口 地址
由于本项目需要将网站部署至云服务器上，所以此处摄像头的的调用不能直接使用eclipse中的jsf依赖包，而是需要使用webcam-capture访问网络摄像头，通过用户所使用的网络摄像头来实现在线拍照功能。
webcam-capture可以通过JavaScript直接使用小型API访问网络摄像头- 或者更确切地说是jQuery。因此，可以将图像置于Canvas（回调模式），将图像存储在服务器上（保存模式），并在Canvas（流模式）上流式传输Flash元素的实时图像。
ECharts一款基于HTML5的图形库，图形种类丰富，风格搭配美观。
引用ECharts首先需要下载ECharts.js文件。ECharts代码的编写基于JavaScript,本项目通过ajax异步请求获取数据库数据作为可视化图表的数据来源，从而创建可视化图表统计医院一些相关数据在某一段时间内的变化，同时当数据库中数据更新的时候，图表中数据也能随之动态变化。
本项目将javaweb端配置在华为云的云服务器ubuntu16.04系统下，同时申请域名uscrzwj.cn将域名与公网ip地址绑定，实现网站的域名访问，构造安全链接https形式。将后代源代码通过Eclipse打包为war形式上传至tomcat8服务器环境下的webapps文件夹中，实现0.0.0.0:8443端口可直接访问网站。其中所需要涉及的环境包括但不限于：JDK8环境安装，mysql数据库安装，python相关版本依赖包以及工具安装。
真实数据爬取本项目所有医生数据均由某医院信息库爬取得到，其中所用到的技术点包含但不限于：
浏览器分析ajax请求requests模拟请求pyquery解析pymysql存储数据库Pool进程池多线程爬取开始爬取前安装好相应的依赖包，确定抓取目标的地址，选取所需要爬取的信息。首先抓取第一页的内容。我们实现了get_one_page()方法，并给它传入参数。然后将抓取的页面返回，通过main()方法调用，将所提取的结果写入文件，这里直接写入到一个文本文件中，通过JSON库的dumps()方法实现字典的序列化。最后将文本文件中的医生信息数据导入数据库，如前端代码相结合，实现前后端连接。AI导诊
该项目的数据来自垂直类医疗网站寻医问药，使用爬虫脚本data_spider.py，以结构化数据为主，构建了以疾病为中心的医疗知识图谱，实体规模4.4万，实体关系规模30万。schema的设计根据所采集的结构化数据生成，对网页的结构化数据进行xpath解析。项目的数据存储采用Neo4j图数据库，问答系统采用了规则匹配方式完成，数据操作采用neo4j声明的cypher。
智能推荐为了训练评论情感分类模型，首先进行用户评论数据的爬取，然后对每一条评论进行标注，若评论属于积极类别，则标为1，若为消极则为-1.然后导入Python第三方库snownlp，进行语料数据的训练，最后进行用户评论所属类别的预测。
每一位医生一个初始分数，然后根据每次用户就诊完对医生的评论和医生问诊量进行加权，具体为规则为，每次就诊完毕，医生就诊量加一，同时如果用户对医生评论属于积极，则加一，消极减一。然后按照3:7(就诊量和评论)的比重进行加权，算出一个分数，加在一生的初始分数上，最后将医生分数转换到十分以内，作为推荐指数，系统按照推荐指数的高低进行智能推荐。
联系作者作者QQ：1586743407
作者邮箱：1586743407@qq.com
欢迎各位大佬批评指正。