基于低分辨率单目相机的步态量化方法及装置制造方法及图纸

本发明专利技术提供一种基于低分辨率单目相机的步态量化方法及装置，其中方法包括：获取关节对应的图像特征点，确定图像特征点的尺度特征点；确定图像特征点以及尺度特征点的深度时空表征；将图像特征点以及尺度特征点的深度时空表征进行融合，得到融合后的特征，并将融合后的特征输入步态分析模型，得到目标对象的步态分析结果。本发明专利技术提供的基于低分辨率单目相机的步态量化方法及装置，通过提取图像特征点以及尺度特征点的深度时空表征信息，将提取的深度时空表征信息融合，并将融合得到的特征输入步态分析模型，实现目标对象的步态分析过程。实现了仅使用单目相机就可以对目标对象的步态进行常见指标的量化分析，提升了步态分析的使用场景。使用场景。使用场景。

【技术实现步骤摘要】
基于低分辨率单目相机的步态量化方法及装置


[0001]本专利技术涉及人工智能
，尤其涉及一种基于低分辨率单目相机的步态量化方法及装置。

技术介绍

[0002]越来越多来自临床试验和理论中的证据揭示了步态特征和认知之间的关联。步行速度缓慢，步态不稳定与认知中注意力不集中以及神经系统受损导致的行动功能的减弱有着密切的关系。
[0003]现有的步态分析方法大多依赖于高昂的实验设备和专业的医疗人员，苛刻的条件限制了步态分析的广泛应用。

技术实现思路

[0004]本专利技术提供一种基于低分辨率单目相机的步态量化方法及装置，用以解决现有技术针对步态分析大多依赖于高昂的实验设备和专业的医疗人员，苛刻的条件限制了步态分析的广泛应用的技术问题。
[0005]本专利技术提供一种基于低分辨率单目相机的步态量化方法，包括：
[0006]获取目标图像中目标对象的关节对应的图像特征点，所述关节为所述目标对象与步态相关的关节；
[0007]基于所述目标图像中所述目标对象的身体尺寸参数，以及所述身体尺寸参数与所述图像特征点的拓扑关系，确定所述图像特征点的尺度特征点；
[0008]基于特征时空表征学习模块，确定所述图像特征点的深度时空表征以及所述尺度特征点的深度时空表征，所述特征时空表征学习模块是基于长短时记忆网络和一维卷积网络确定的；
[0009]将所述图像特征点的深度时空表征以及所述尺度特征点的深度时空表征进行融合，得到融合后的特征，并将融合后的特征输入步态分析模型，得到所述目标对象的步态分析结果，所述步态分析模型是基于步态图像样本及其对应的步态参数标签训练得到的。
[0010]根据本专利技术提供的一种基于低分辨率单目相机的步态量化方法，将所述图像特征点的深度时空表征以及所述尺度特征点的深度时空表征进行融合，包括：
[0011]基于注意力机制算法，确定所述图像特征点的深度时空表征与所述尺度特征点的深度时空表征的关联权重；
[0012]基于所述关联权重，将所述图像特征点的深度时空表征以及所述尺度特征点的深度时空表征进行融合。
[0013]根据本专利技术提供的一种基于低分辨率单目相机的步态量化方法，基于特征时空表征学习模块，确定所述图像特征点的深度时空表征以及所述尺度特征点的深度时空表征，包括：
[0014]将所述图像特征点输入长短时记忆网络，得到所述图像特征点的状态序列，并将
所述图像特征点的状态序列输入一维卷积网络，得到所述图像特征点的深度时空表征；
[0015]将所述尺度特征点输入长短时记忆网络，得到所述尺度特征点的状态序列，并将所述尺度特征点的状态序列输入一维卷积网络，得到所述尺度特征点的深度时空表征。
[0016]根据本专利技术提供的一种基于低分辨率单目相机的步态量化方法，获取目标图像中目标对象的关节对应的图像特征点，包括：
[0017]获取目标图像中目标对象的关节对应的像素坐标点，并将所述像素坐标点作为所述关节对应的图像特征点。
[0018]根据本专利技术提供的一种基于低分辨率单目相机的步态量化方法，基于所述目标图像中所述目标对象的身体尺寸参数，以及所述身体尺寸参数与所述图像特征点的拓扑关系，确定所述图像特征点的尺度特征点，包括：
[0019]基于图像特征点以及所述目标对象的身体尺寸参数，确定所述目标对象的运动尺度特征；
[0020]基于所述运动尺度特征与所述图像特征点的拓扑关系，确定所述图像特征点的尺度特征点。
[0021]根据本专利技术提供的一种基于低分辨率单目相机的步态量化方法，目标对象与步态相关的关节包括左臀部髋关节、右臀部髋关节、左膝盖关节、右膝盖关节、左脚踝关节、右脚踝关节、左脚趾关节以及右脚趾关节中的至少一种。
[0022]本专利技术还提供一种基于低分辨率单目相机的步态量化装置，包括：
[0023]获取模块，用于获取目标图像中目标对象的关节对应的图像特征点，所述关节为所述目标对象与步态相关的关节；
[0024]拓扑关系确定模块，用于基于所述目标图像中所述目标对象的身体尺寸参数，以及所述身体尺寸参数与所述图像特征点的拓扑关系，确定所述图像特征点的尺度特征点；
[0025]深度时空表征模块，用于基于特征时空表征学习模块，确定所述图像特征点的深度时空表征以及所述尺度特征点的深度时空表征，所述特征时空表征学习模块是基于长短时记忆网络和一维卷积网络确定的；
[0026]分析模块，用于将所述图像特征点的深度时空表征以及所述尺度特征点的深度时空表征进行融合，得到融合后的特征，并将融合后的特征输入步态分析模型，得到所述目标对象的步态分析结果，所述步态分析模型是基于步态图像样本及其对应的步态参数标签训练得到的。
[0027]本专利技术还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种基于低分辨率单目相机的步态量化方法。
[0028]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种基于低分辨率单目相机的步态量化方法。
[0029]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于低分辨率单目相机的步态量化方法。
[0030]本专利技术提供的基于低分辨率单目相机的步态量化方法及装置，通过对目标对象的关节对应的图像特征点以及图像特征点的尺度特征点进行确定，分别提取图像特征点以及尺度特征点的深度时空表征信息，并将提取的深度时空表征信息融合，将融合得到的特征
输入步态分析模型，从而实现目标对象的步态分析过程。基于图像进行步态分析的方式，实现了仅使用单目相机就可以对目标对象的步态进行常见指标的量化分析，降低了步态分析成本，提升了步态分析的使用场景。
附图说明
[0031]为了更清楚地说明本专利技术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简要地说明，显而易见地，下面描述中的附图是本专利技术的一些实施例，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。
[0032]图1是本专利技术提供的基于低分辨率单目相机的步态量化方法的流程示意图；
[0033]图2是本专利技术提供的特征时空表征学习模块结构示意图；
[0034]图3是本专利技术提供的一维卷积网络结构示意图；
[0035]图4是应用本专利技术提供的基于低分辨率单目相机的步态量化方法的装置结构示意图；
[0036]图5是本专利技术提供的基于低分辨率单目相机的步态量化装置的结构示意图；
[0037]图6是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0038]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于低分辨率单目相机的步态量化方法，其特征在于，所述方法包括：获取目标图像中目标对象的关节对应的图像特征点，所述关节为所述目标对象与步态相关的关节；基于所述目标图像中所述目标对象的身体尺寸参数，以及所述身体尺寸参数与所述图像特征点的拓扑关系，确定所述图像特征点的尺度特征点；基于特征时空表征学习模块，确定所述图像特征点的深度时空表征以及所述尺度特征点的深度时空表征，所述特征时空表征学习模块是基于长短时记忆网络和一维卷积网络确定的；将所述图像特征点的深度时空表征以及所述尺度特征点的深度时空表征进行融合，得到融合后的特征，并将融合后的特征输入步态分析模型，得到所述目标对象的步态分析结果，所述步态分析模型是基于步态图像样本及其对应的步态参数标签训练得到的。2.根据权利要求1所述的基于低分辨率单目相机的步态量化方法，其特征在于，所述将所述图像特征点的深度时空表征以及所述尺度特征点的深度时空表征进行融合，包括：基于注意力机制算法，确定所述图像特征点的深度时空表征与所述尺度特征点的深度时空表征的关联权重；基于所述关联权重，将所述图像特征点的深度时空表征以及所述尺度特征点的深度时空表征进行融合。3.根据权利要求1所述的基于低分辨率单目相机的步态量化方法，其特征在于，所述基于特征时空表征学习模块，确定所述图像特征点的深度时空表征以及所述尺度特征点的深度时空表征，包括：将所述图像特征点输入长短时记忆网络，得到所述图像特征点的状态序列，并将所述图像特征点的状态序列输入一维卷积网络，得到所述图像特征点的深度时空表征；将所述尺度特征点输入长短时记忆网络，得到所述尺度特征点的状态序列，并将所述尺度特征点的状态序列输入一维卷积网络，得到所述尺度特征点的深度时空表征。4.根据权利要求1所述的基于低分辨率单目相机的步态量化方法，其特征在于，所述获取目标图像中目标对象的关节对应的图像特征点，包括：获取目标图像中目标对象的关节对应的像素坐标点，并将所述像素坐标点作为所述关节对应的图像特征点。5.根据权利要求1所述的基于低分辨率单目相机的步态量化方法，其特征在于，所述基于...

【专利技术属性】
技术研发人员：周小虎，项天宇，刘市祺，谢晓亮，奉振球，侯增广，姚泊先，黄德兴，于喆，李浩，桂美将，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：