一种基于图像的人体背部体态特征的检测方法和装置制造方法及图纸

本申请涉及脊柱侧弯检测领域，特别是一种基于图像的人体背部体态特征的检测方法和装置，方法包括获取背部彩色图像；输入到预设的特征识别网络模型中，输出偶数个背部特征点的坐标；对所述背部彩色图像进行处理，得到背部轮廓图像；将背部特征点的坐标融合到背部轮廓图像中，确定每一背部特征点与背部轮廓图像中各个目标部位的位置对应关系，依据位置对应关系确定同类别的目标部位是否等高，得出被检测者的背部体态检测结果。本申请技术方案全程无辐射，效率高，适合大规模快速检测人体背部侧弯情况。弯情况。弯情况。

【技术实现步骤摘要】
一种基于图像的人体背部体态特征的检测方法和装置


[0001]本申请涉及脊柱侧弯检测领域，特别是一种基于图像的人体背部体态特征的检测方法和装置。

技术介绍

[0002]人体背部体态特征是判定其脊柱侧弯情况的重要表征，调查表明，脊柱侧弯多发于儿童和青少年，目前脊柱侧弯病人超过300万，并以每年30万人的速度递增，国家政策明确指示为关注和保障中小学生脊柱健康发育，将脊柱侧弯检查列入中小学生健康体检项目，故而利用人工智能技术对人体背部体态特征检测，从而判断其脊柱侧弯情况的研究迫在眉睫。
[0003]针对人体脊柱侧弯在背部的表征主要体现在4个方面，分别为双肩不等高，双侧肩胛骨下角不等高，双侧腰凹不对称，双侧髂嵴不等高。目前中小学生体检中脊柱侧弯检测项主要是通过专业的检测人员通过脊柱侧弯测量仪进行脊柱侧弯筛查，该方法效率低，且对检测人员手法及熟练程度要求尚高，故非专业人员测量的误差较大。
[0004]X光虽成本低，简便易行，测量较为精确，但对目标中小学人群人体危害较大；EOS成本高，且仍带少量辐射；超声对医生手法要求较高，误差较大，不利于大规模筛查；云纹图只能大致判断目标的情况。而本专利技术中，基于深度学习的特征点检测算法能仅用裸露后背拍出背部图像，从而计算出当前目标的关键点位置，并根据关键点的相对位置数据得出人体体态及脊柱侧弯情况的预测结果。该方法实现了零辐射，健康的检测过程，且检测速度快，能应用于大规模筛查情况如体检等。

技术实现思路

[0005]鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种基于图像的人体背部体态特征的检测方法和装置。
[0006]一种基于图像的人体背部体态特征的检测方法，所述方法包括：
[0007]获取被检测者的背部彩色图像；
[0008]将所述背部彩色图像输入到预设的特征识别网络中，并由所述特征识别网络输出偶数个背部特征点的坐标；
[0009]依据预设的图像处理算法对所述背部彩色图像进行处理，得到背部轮廓图像；
[0010]将偶数个所述背部特征点的坐标融合到所述背部轮廓图像中，确定每一所述背部特征点与所述背部轮廓图像中各个目标部位的位置对应关系，依据所述位置对应关系确定同类别的目标部位是否等高。
[0011]优选的，所述将所述背部彩色图像输入到预设的特征识别网络中，包括：
[0012]预先对所述特征识别网络进行训练，包括：
[0013]采集背部样本图像，对所述背部样本图像中的背部样本部位进行标注；
[0014]依据标注后的背部样本图像并采用ResNet50网络结构对所述特征识别网络进行
训练；
[0015]通过测试集验证所述特征识别网络的输出结果，具体的，当所述特征识别网络输出的特征点位置与基于所述背部样本图像中的坐标基本一致时，则所述特征识别网络训练完成。
[0016]优选的，所述特征识别网络训练完成后，还包括：
[0017]利用Xavier网络权重初始化方法对训练完成的所述特征识别网络进行权重初始化。
[0018]优选的，所述采集背部样本图像，还包括：
[0019]采集不同体型的背部样本图像集；
[0020]利用ImageNet数据集得出的经验均值和方差数据，对背部样本图像集进行数据归一化处理。
[0021]一种基于图像的人体背部体态特征的检测装置，所述装置包括：
[0022]获取模块，用于获取被检测者的背部彩色图像；
[0023]识别模块，用于将所述背部彩色图像输入到预设的特征识别网络中，并由所述特征识别网络输出偶数个背部特征点的坐标；
[0024]处理模块，用于依据预设的图像处理算法对所述背部彩色图像进行处理，得到背部轮廓图像；
[0025]判断模块，用于将偶数个所述背部特征点的坐标融合到所述背部轮廓图像中，确定每一所述背部特征点与所述背部轮廓图像中各个目标部位的位置对应关系，依据所述位置对应关系确定同类别的目标部位是否等高。
[0026]优选的，所述识别模块包括：
[0027]训练子模块，用于预先对所述特征识别网络进行训练，包括：
[0028]采集背部样本图像，对所述背部样本图像中的背部样本部位进行标注；
[0029]依据标注后的背部样本图像并采用ResNet50网络结构对所述特征识别网络进行训练；
[0030]通过测试集验证所述特征识别网络的输出结果，具体的，当所述特征识别网络输出的特征点位置与基于所述背部样本图像中的坐标正确时，则所述特征识别网络训练完成。
[0031]优选的，所述训练子模块包括：
[0032]初始化单元，用于利用Xavier网络权重初始化方法对训练完成的所述特征识别网络进行权重初始化。
[0033]优选的，所述训练子模块还包括
[0034]样本采集单元，采集不同体型的背部样本图像集；
[0035]数据处理单元，用于利用ImageNet数据集得出的经验均值和方差数据，对背部样本图像集进行数据归一化处理。
[0036]一种设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的一种基于图像的人体背部体态特征的检测方法的步骤。
[0037]一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计
算机程序被处理器执行时实现如上所述的一种基于图像的人体背部体态特征的检测方法的步骤。
[0038]本申请具有以下优点：
[0039]在本申请的实施例中，通过获取被检测者的背部彩色图像；将所述背部彩色图像输入到预设的特征识别网络中，并由所述特征识别网络输出偶数个背部特征点的坐标；依据预设的图像处理算法对所述背部彩色图像进行处理，得到背部轮廓图像；将偶数个所述背部特征点的坐标融合到所述背部轮廓图像中，确定每一所述背部特征点与所述背部轮廓图像中各个目标部位的位置对应关系，依据所述位置对应关系确定同类别的目标部位是否等高，得出被检测者的背部体态检测结果。本申请技术方案通过对图像处理即可得出被检测者的背部体态检测结果，全程无辐射，效率高，适合大规模快速检测人体背部侧弯情况。
附图说明
[0040]为了更清楚地说明本申请的技术方案，下面将对本申请的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性的前提下，还可以根据这些附图获得其他的附图。
[0041]图1示出了本申请一实施例提供的一种基于图像的人体背部体态特征的检测方法的步骤流程图；
[0042]图2示出了本申请一实施例提供的一种基于图像的人体背部体态特征的检测装置的结构示意图；
[0043]图3示出了本申请一实施例提供的一种基于图像的人体背部体态特征的检测装置的结构示意图；图4示出了本专利技术的一种基于图像的人体背部体态特征的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像的人体背部体态特征的检测方法，其特征在于，所述方法包括：获取被检测者的背部彩色图像；将所述背部彩色图像输入到预设的特征识别网络中，并由所述特征识别网络输出偶数个背部特征点的坐标；依据预设的图像处理算法对所述背部彩色图像进行处理，得到背部轮廓图像；将偶数个所述背部特征点的坐标融合到所述背部轮廓图像中，确定每一所述背部特征点与所述背部轮廓图像中各个目标部位的位置对应关系，依据所述位置对应关系确定同类别的目标部位是否等高。2.根据权利要求1所述的方法，其特征在于，所述将所述背部彩色图像输入到预设的特征识别网络中，包括：预先对所述特征识别网络进行训练，包括：采集背部样本图像，对所述背部样本图像中的背部样本部位进行标注；依据标注后的背部样本图像并采用ResNet50网络结构对所述特征识别网络进行训练；通过测试集验证所述特征识别网络的输出结果，具体的，当所述特征识别网络输出的特征点位置与基于所述背部样本图像中的坐标基本一致时，则所述特征识别网络训练完成。3.根据权利要求2所述的方法，其特征在于，所述特征识别网络训练完成后，还包括：利用Xavier网络权重初始化方法对训练完成的所述特征识别网络进行权重初始化。4.根据权利要求2所述的方法，其特征在于，所述采集背部样本图像，还包括：采集不同体型的背部样本图像集；利用ImageNet数据集得出的经验均值和方差数据，对背部样本图像集进行数据归一化处理。5.一种基于图像的人体背部体态特征的检测装置，其特征在于，所述方法包括：获取模块，用于获取被检测者的背部彩色图像；识别模块，用于将所述背部彩色图像输入到预设的特征识别网络中，并由所述特征识别网络输出偶...

【专利技术属性】
技术研发人员：王栋栋，朱鹏羽，段武堂，王建，常帧钰，
申请(专利权)人：宜宾显微智能科技有限公司，
类型：发明
国别省市：